數據挖掘算法，K-means聚類算法源代碼，用于聚類分析
標簽： 數據挖掘算法
上傳時間： 2015-04-11
上傳用戶：windwolf2000
數據挖掘算法，fuzzy-K-means聚類算法源代碼，用于模糊聚類分析
標簽： 數據挖掘算法
上傳時間： 2015-04-11
上傳用戶：nanshan
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
標簽： 模擬退火算法
上傳時間： 2015-04-24
上傳用戶：R50974
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
標簽： 模擬退火算法
上傳時間： 2015-04-24
上傳用戶：ryb
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
標簽： 模擬退火算法
上傳時間： 2014-12-19
上傳用戶：TRIFCT
數據結構算法：使用循環隊列，K階斐波那契數列的一種算法實現。
上傳時間： 2014-02-04
上傳用戶：Shaikh
DSP編程代碼,FFT算法,經典!! FFT實驗 一、 理論： 公式（1）FFT運算公式 FFT并不是一種新的變換，它是離散傅立葉變換（DFT）的一種快速算法。由于我們在計算DFT時一次復數乘法需用四次實數乘法和二次實數加法；一次復數加法則需二次實數加法。每運算一個X（k）需要4N次復數乘法及2N+2（N-1）=2（2N-1）次實數加法。所以整個DFT運算總共需要4N^2次實數乘法和N*2(2N-1)=2N(2N-1)次實數加法。如此一來，計算時乘法次數和加法次數都是和N^2成正比的，當N很大時，運算量是可觀的，因而需要改進對DFT的算法減少運算速度。 根據傅立葉變換的對稱性和周期性，我們可以將DFT運算中有些項合并。 我們先設序列長度為N=2^L，L為整數。將N=2^L的序列x(n)(n=0,1,……，N-1)，按N的奇偶分成兩組，也就是說我們將一個N點的DFT分解成兩個N/2點的DFT，他們又從新組合成一個如下式所表達的N點DFT： 一般來說，輸入被假定為連續、合成的。當輸入為純粹的實數的時候，我們就可以利用左右對稱的特性更好的計算DFT。 我們稱這樣的RFFT優化算法是包裝算法：首先2N點實數的連續輸入稱為“進包”。其次N點的FFT被連續被運行。最后作為結果產生的N點的合成輸出是
上傳時間： 2015-04-29
上傳用戶：牛布牛
用遺傳算法解決通信中的TDOA問題 文件名 program 完成功能 求出在進行account_test次的試驗中每一次的最優染色體，并且求出均值MV，和均方誤差MSE 文件名 definition_constant( ) 完成功能 對各個常量試驗參數進行設定 文件名 main_program 完成功能 完成一次試驗的計算 文件名 all_Noise 完成功能 計算TDOA值（由基站所測量的TDOA（受到噪聲的干擾）) 文件名 gen_ini_pop_arr 完成功能 產生染色體矩陣pop_arr，矩陣的1，2行為估計的x，y坐標，矩陣的3，4行為0。
標簽： account_test program TDOA 算法
上傳時間： 2013-12-22
上傳用戶：shinesyh
提供一個人工免疫算法源程序，其算法過程包括： 1.設置各參數 2.隨機產生初始群體——pop=initpop(popsize,chromlength) 3.故障類型編碼，每一行為一種！code(1,:)，正常；code(2,:)，50％；code(3,:)，150％。實際故障測得數據編碼，這里Unnoralcode,188％ 4.開始迭代（M次）： 1）計算目標函數值：歐氏距離[objvalue]=calobjvalue(pop,i) 2）計算群體中每個個體的適應度fitvalue=calfitvalue(objvalue) 3）選擇newpop=selection(pop,fitvalue) objvalue=calobjvalue(newpop,i) ％ 交叉newpop=crossover(newpop,pc,k) objvalue=calobjvalue(newpop,i) ％ 變異newpop=mutation(newpop,pm) objvalue=calobjvalue(newpop,i) ％ 5.求出群體中適應值最大的個體及其適應值 6.迭代停止判斷。
上傳時間： 2014-01-01
上傳用戶：trepb001
人頭跟蹤算法，采用均值漂移和形狀約束模型。
標簽： 跟蹤算法
上傳時間： 2013-12-22
上傳用戶：225588
