搜索资源列表
聚类算法研究
- 聚类是数据挖掘中用来发现数据分布和隐含模式的一项重要技术。全面总结了数据挖掘中聚类算法的研究现状,分析比较了它们的性能差异和各自存在的优点及问题,并结合多媒体领域的应用需求指出了其今后的发展趋势。
基于RBF神经网络的CPI预测
- 采用RBF神经网络的结构、特性和训练算法，根据CPI(消费者物价指数)与其影响因素之间存在的映射关系，应用神经 网络建立了多因素非线性时间序列预测模型。最后通过仿真实验和研究，把RBF神经网络与传统的BP网络预测结果进行比较，结果证明，该模型的预测精确度更高，结果令人满意。
基于模糊理论的图像分割算法研究（一）
- 本文介绍讨论了几种目前广泛应用的图像边缘检测、图像阈值分割的各种算法，并给出了对比分析;对遗传算法的基本概念和研究进展进行了综述;给出了标准遗传算法的原理、过程、实验结果及分析. 实验结果表明，本文提出的遗传分割算法优于传统分割算法。
循环校验码算法分析与程序实现
- 循环冗余校验是一种编码简单，且高效、可靠的差错控制方法，广泛应用于数据通信领域，本文将对循环校验码CRC的原理进行阐述，并且通过C代码对其进行简单的实现
人工鱼群算法的改进及应用研究
- 人工鱼群算法的改进及应用研究，人工鱼群算法的参数分析，比例选择算子用于机械设计优化
遗传算法在电力系统中应用
- C语言编写 希望大家多多指教 相互讨论 相互交流 相互学习
数字图像几何校正
- 数字图像几何校正 毕业论文，本文提出了梯形—矩形逼近法，能很好的对网格图像进行复原。并对导致几何畸变的原因及校正方法作了归纳和分析。然后利用投影变换的方法建立了梯形失真的校正模型，并应用双线性插值算法对校正的图像进行灰度级插补。
计算几何应用
- ppt演示，介绍了多种计算几何算法，并详细描述了如何解决问题
关于压缩感知的波束形成算法论文
- 本论文是关于压缩感知的波束形成算法介绍，压缩感知是一项新技术，具有很强的应用前景。和波束形成的结合具有创新性
模式识别及其在图像处理上的应用
- 对模式识别进行了详细的概括，包括其框架、特征提取与选择以及各种算法进行了介绍。介绍了模式识别在图像处理方面的应用，以及现在存在的问题，最后做了展望。概括的很详尽
神经网络极速学习方法研究
- 单隐藏层前馈神经网络(Single-hidden Layer Feedforward Neural Network, SLFN)已经在模式识别、自动控制及数据挖掘等领域取得了广泛的应用，但传统学习方法的速度远远不能满足实际的需要，成为制约其发展的主要瓶颈。产生这种情况的两个主要原因是：（1）传统的误差反向传播方法(back propagation，BP)主要基于梯度下降的思想，需要多次迭代；（2）网络的所有参数都需要在训练过程中迭代确定。因此算法的计算量和搜索空间很大。针对以上问题，借鉴ELM的
永磁同步电机_PMSM_FOC软件库_用户手册_中文版
- 本用户手册介绍了永磁同步电机（PMSM）FOC软件库，STM32F103xx微控制 器就是针对磁场定向控制（FOC）3相永磁电机固件库开发的。 这些32位，ARM 的Cortex.- M3 的芯ST微控制器（STM32F103xx）附带一 套外围设备，使之适用于永磁交流同步电机和交流异步电机磁场定向控制。特别 是，本手册介绍了STM32F103xx软件库发展到可以控制外置型或嵌入型或在扭矩 和速度两个控制模式下控制正弦波驱动永磁电机。这些电机可能配备一编码器， 具有三个霍尔传感器或者
基于遗传算法的PID参数优化
- PID控制一直是工业生产过程中应用最为广泛而且最为成熟的一种控制，它以其算法简单、可靠性高、鲁棒性好等优点应用于工业控制领域。PID 控制器有三个参数：比例、积分和微分系数，当PID结构确定的情况下，这三个参数将会决定控制器的品质，参数的调节和优化至关重要
K_SVD和OMP算法在超声信号去噪中的应用
- 针对在线采集时超声波检测信号中存在大量噪声，降低了材料内部缺陷诊断准确性的问题，提出了一种基于广义Ｋ－奇异值分解算法（Ｋ－ＳＶＤ）和正交匹配追踪算法（ＯＭＰ）相结合的超声回波信号去噪算法。
基于稀疏分解的微弱信号检测方法
- 微弱信号的检测在通信、雷达、声纳等领域有着重要的意义,一直是信号处理的难点。本文将信号稀疏 分解思想应用于信号检测,提出一种算法。算法中信号稀疏分解采用Matching Pursuit(MP)算法实现,原子采 用正弦波模型,通过对正弦波模型伸缩和平移形成过完备原子库。由MP分解结果,可检测出淹没在强噪声环境 中的微弱正弦信号的幅度、频率和初相位参数,从而恢复出待检测的微弱正弦信号。所提出方法在-40 dB极低 信噪比环境下可以同时检测多个正弦信号。计算机仿真结果证实了算法的有效性。
结合双模多尺度 ＣＮＮ 特征及自适应深度ＫＥＬＭ 的浮选工况识别
- 针对可见光图像特征驱动的浮选工况识别方法的不足，提出一种基于双模态图像多尺度 ＣＮＮ 特征及自适应深度自编码核极限学习机（Ｋｅｒｎｅｌ Ｅｘｔｒｅｍｅ Ｌｅａｒｎｉｎｇ Ｍａｃｈｉｎｅ，ＫＥＬＭ）的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解，设计双通道 ＣＮＮ 网络对双模态多尺度图像进行特征提取及融合，将多个双隐层自编码极限学习机串联成深度学习网络对 ＣＮＮ 特征逐层抽象提取，然后通过核极限学习机映射到更高维空间进行决策，最后改进量子细菌觅食算法并应用于深度自编码