优点——RBF神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。
具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此在彩票等非线性大数据分析预测方面，有着很大的应用市场。
具有局部逼近的优点RBF神经网络是一种功能优良的前馈型神经网络，RBF网络可以任意精度逼近任意的非线性函数，且具有全局逼近能力，从根本上解决了BP网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。
只要在MATLAB（R2014b）平台上，通过运行径向基神经网络“RBF_SSQ”就可以快速预测。
预测系统推荐两注（参数可修改），单注可每号+-1，最多可12个号复试；
也可直接单注投注。
单注中奖率一般在2个以上，复试一般在4-6个红球。
预测可靠性远远高于网络彩票预测机构的水准。
具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此在彩票等非线性大数据分析预测方面，有着很大的应用市场。
具有局部逼近的优点RBF神经网络是一种功能优良的前馈型神经网络，RBF网络可以任意精度逼近任意的非线性函数，且具有全局逼近能力，从根本上解决了BP网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。
只要在MATLAB（R2014b）平台上，通过运行径向基神经网络“RBF_SSQ”就可以快速预测。
预测系统推荐两注（参数可修改），单注可每号+-1，最多可12个号复试；
也可直接单注投注。
单注中奖率一般在2个以上，复试一般在4-6个红球。
预测可靠性远远高于网络彩票预测机构的水准。
2022/10/9 15:27:37
184KB
1
LEGOEV3双轮均衡车模型和simulink控制模型，直接可用，鲁棒性很好
2022/9/30 11:06:09
276KB
1
模糊c均值（FCM）聚类算法已广泛应用于许多医学图像分割中。
但是，由于不考虑空间信息，因而常规的标准FCM算法对噪声敏感。
为了克服上述问题，提出了一种新颖的改进的FCM算法（以后称为FCM-AWA）用于图像分割。
该算法是通过修改常规FCM算法中的目标函数，即通过将空间邻域信息合并到标准FCM算法中来实现的。
给出了自适应加权平均（AWA）滤波器以指示相邻像素对中心像素的空间影响。
在实施加权平均图像时，通过预定义的非线性函数自动确定控制模板（邻居寡妇）的参数（加权系数）。
该算法既适用于人工合成图像，又适用于真实图像。
此外，使用基于算法的分割方法对牙菌斑进行了定量分析。
实验结果表明，与标准FCM算法和另一种FCM算法（由Ahmed提出）相比，该算法对噪声的鲁棒性更高。
此外，使用所提出的方法对牙菌斑进行定量的结果表明，FCM-AWA提供了一种定量，客观和有效的牙菌斑分析方法，具有广阔的前景。
但是，由于不考虑空间信息，因而常规的标准FCM算法对噪声敏感。
为了克服上述问题，提出了一种新颖的改进的FCM算法（以后称为FCM-AWA）用于图像分割。
该算法是通过修改常规FCM算法中的目标函数，即通过将空间邻域信息合并到标准FCM算法中来实现的。
给出了自适应加权平均（AWA）滤波器以指示相邻像素对中心像素的空间影响。
在实施加权平均图像时，通过预定义的非线性函数自动确定控制模板（邻居寡妇）的参数（加权系数）。
该算法既适用于人工合成图像，又适用于真实图像。
此外，使用基于算法的分割方法对牙菌斑进行了定量分析。
实验结果表明，与标准FCM算法和另一种FCM算法（由Ahmed提出）相比，该算法对噪声的鲁棒性更高。
此外，使用所提出的方法对牙菌斑进行定量的结果表明，FCM-AWA提供了一种定量，客观和有效的牙菌斑分析方法，具有广阔的前景。
2015/7/18 7:39:45
128KB
1
针对电力用户的异常用电行为,提出一种基于深度学习的用户异常用电模式检测模型。
利用TensorFlow框架,构建了特征提取网络和多层特征匹配网络。
基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。
基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。
实例分析表明,与非深度学习检测模型相比,所提模型可愈加有效地完成异常用电模式检测。
此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。
利用TensorFlow框架,构建了特征提取网络和多层特征匹配网络。
基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。
基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。
实例分析表明,与非深度学习检测模型相比,所提模型可愈加有效地完成异常用电模式检测。
此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。
2016/8/6 7:32:44
527KB
1
本文主要研究基于里程计和单目视觉传感器的地面车辆定位与地图构建问题。
为了提高地面车辆视觉估计的精度，研究人员利用了近似平面运动的约束，并且通常将其作为SE（3）姿势的随机约束来实现。
本文提出了一种在se（2）上直接参数化地面车辆姿势的简单算法。
该方法不忽略se（2）运动扰动，而是将其引入一个新的se（2）-xyz约束的综合噪声项中，通过图像特征测量将se（2）姿势和3d地标关联起来。
对于里程测量处理，我们还提出了一种有效的se（2）预积分算法。
利用这些约束条件，以一种常用的图优化结构，开发了一个完整的视觉里程定位与映射系统。
在工业室内环境下的实际实验验证了该方法在精度和鲁棒性方面的优越性。
为了提高地面车辆视觉估计的精度，研究人员利用了近似平面运动的约束，并且通常将其作为SE（3）姿势的随机约束来实现。
本文提出了一种在se（2）上直接参数化地面车辆姿势的简单算法。
该方法不忽略se（2）运动扰动，而是将其引入一个新的se（2）-xyz约束的综合噪声项中，通过图像特征测量将se（2）姿势和3d地标关联起来。
对于里程测量处理，我们还提出了一种有效的se（2）预积分算法。
利用这些约束条件，以一种常用的图优化结构，开发了一个完整的视觉里程定位与映射系统。
在工业室内环境下的实际实验验证了该方法在精度和鲁棒性方面的优越性。
2017/5/24 16:35:29
1.81MB
1
在Adaboost算法的基础上，提出了一种改进的Boosting方法来解决分类问题。
此方法将示例的类标签预测为分类器集合的加权多数投票。
每个分类器是通过将给定的弱学习者应用于子样本（大小小于原始训练集的子样本）而获得的，该子样本是根据原始训练集上保持的概率分布从原始训练集中得出的。
在Adaboost中提出的重新加权方案中引入了一个参数，以更新分配给训练示例的概率，从而使算法比Adaboost愈加准确。
在UCI资料库中可获得的合成数据集和一些实际数据集上的实验结果表明，该方法提高了Adaboost的预测精度，执行速度以及对分类噪声的鲁棒性。
此外，通过kappa误差图研究了集成分类器的多样性准确性模式。
此方法将示例的类标签预测为分类器集合的加权多数投票。
每个分类器是通过将给定的弱学习者应用于子样本（大小小于原始训练集的子样本）而获得的，该子样本是根据原始训练集上保持的概率分布从原始训练集中得出的。
在Adaboost中提出的重新加权方案中引入了一个参数，以更新分配给训练示例的概率，从而使算法比Adaboost愈加准确。
在UCI资料库中可获得的合成数据集和一些实际数据集上的实验结果表明，该方法提高了Adaboost的预测精度，执行速度以及对分类噪声的鲁棒性。
此外，通过kappa误差图研究了集成分类器的多样性准确性模式。
2016/5/11 17:46:49
688KB
1
使用python3实现rsa,所需要的数学知识以及注释都在report里面，代码里面有注释，在运行可执行文件的时候要留意先阅读readme，因为没有刻意增加代码的鲁棒性
2020/9/6 15:06:13
33.1MB
1
设计并实现了基于图像检索的地标识别系统。
该系统通过捕捉地标的视觉特征，协助游客或使用者更好地理解图像的内容并同时提供图像拍摄的地理位置信息。
首先根据提取的SURF特征搜寻地标在数据库中的最优匹配，然后根据最优匹配结果给出输入地标在地图中的位置。
系统采用的层次化数据库结构和分级检索方式，使得检索效率比传统的遍历检索方式提高30%。
大量实验证明文中提出的算法具有鲁棒性和高准确性，该系统已在高校内部地标识别中测试使用成功。
该系统通过捕捉地标的视觉特征，协助游客或使用者更好地理解图像的内容并同时提供图像拍摄的地理位置信息。
首先根据提取的SURF特征搜寻地标在数据库中的最优匹配，然后根据最优匹配结果给出输入地标在地图中的位置。
系统采用的层次化数据库结构和分级检索方式，使得检索效率比传统的遍历检索方式提高30%。
大量实验证明文中提出的算法具有鲁棒性和高准确性，该系统已在高校内部地标识别中测试使用成功。
2015/7/23 17:04:01
1.09MB
1
本ppt主要介绍了关于近几年复杂网络的热门研究方向，能协助你快速入门复杂网络。
首先介绍了什么是网络科学，网络科学与复杂网络的关系。
其次介绍了目前热门研究方向，包括链路预测、关键节点挖掘、网络鲁棒性分析等等。
首先介绍了什么是网络科学，网络科学与复杂网络的关系。
其次介绍了目前热门研究方向，包括链路预测、关键节点挖掘、网络鲁棒性分析等等。
2018/2/11 6:55:35
14.55MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB