对局部节点状态估计间误差相关性的处理是分布式估计融合或航迹融合的关键要素;针对当前分布式融合理论中关于混合多模型估计融合研究的空白,首先推导得出了采用相同模型成分的各局部节点交互多模型状态估计的误差互协方差矩阵的递推计算方法;其次,讨论了所得非对称实误差互协方差矩阵的正定特性,并分析了此类误差相关性与混合多模型估计算法中模型过程噪声之间的变化关系;上述结果使得基于互协方差组合融合算法的交互多模型状态估计融合成为可能,仿真实验亦验证了其有效性,相对其它不考虑误差相关性的融合算法,融合结果也更为真实.
2024/3/29 6:28:19
597KB
1
借助时-频局部分析特性，小波分析理论已经成为信号去噪中的一种重要的工具。
利用小波方法去噪，是小波分析应用于实际的重要方面。
利用小波方法去噪，是小波分析应用于实际的重要方面。
2024/3/25 5:54:45
189KB
1
提出了一种将蚁群算法与算法相融合共同完成反传神经网络训练的方法，ACO一BP算法。
该算法首先采用蚁群算法对网络权值进行整体寻优，克服BP算法容易陷入局部最优的不足再以找到的较优权值为初值，采用BP算法做进一步的寻优，以提高网络的训练和预报精度。
将ACO一BP神经网络用于函数逼近问题，并与BP神经网络、蚁群算法神经网络和遗传神经网络的逼近结果进行了比较，验证了该算法的有效性。
该算法首先采用蚁群算法对网络权值进行整体寻优，克服BP算法容易陷入局部最优的不足再以找到的较优权值为初值，采用BP算法做进一步的寻优，以提高网络的训练和预报精度。
将ACO一BP神经网络用于函数逼近问题，并与BP神经网络、蚁群算法神经网络和遗传神经网络的逼近结果进行了比较，验证了该算法的有效性。
2024/3/19 4:21:25
223KB
1
我收集到得一些人脸识别的程序和大家分享-人脸识别系统（已经建立人脸库）.rar将我收集到得一些比较完整的人脸识别的资料和大家分享，由于附件大小的限制我只挑选了一些小的发上来，还有些为了减小文件，我把数据文件和人脸库等一些图片都删掉了，所以程序可能无法直接演示，需要大家自己添加一些数据文件。
人脸库网上都有，大家可以自己下载。
程序还是不错的，大家可以参考有一下一些资料完整的人脸识别系统（已经建立人脸库）NMFs算法用于实现基于人脸局部特征的人脸识别OPENGL人脸识别使用基于LDA算法的人脸识别程序国外著名大学成功的人脸检测识别算法中的眨眼检测用HMM实现的人脸识别及其文档经过调试完整的人脸检测系统源码LinearDiscriminantAnalysis算法
人脸库网上都有，大家可以自己下载。
程序还是不错的，大家可以参考有一下一些资料完整的人脸识别系统（已经建立人脸库）NMFs算法用于实现基于人脸局部特征的人脸识别OPENGL人脸识别使用基于LDA算法的人脸识别程序国外著名大学成功的人脸检测识别算法中的眨眼检测用HMM实现的人脸识别及其文档经过调试完整的人脸检测系统源码LinearDiscriminantAnalysis算法
2024/3/15 14:16:57
440KB
1
request-funjs快速上手安装npminstallrequest-funjs整体注册（在main.js文件里注册）importRequestfrom'request-funjs';Vue.prototype.Request=Request;//在这里需要声明一个host变量，作为请求的主机名称Request.host='https://www.baidu.com'局部注册（在你所使用的vue里注册）importRequestfrom'request-funjs';//在这里需要声明一个host变量，作为请求的主机名称this.Request.host='https://www.baidu.com'例子this.Request.Get("api/list",this.params, res=＞{ console.log(res); }, err=＞{ console.log(err);})目录1、ge
2024/3/11 6:19:23
3KB
1
关于微电网运行的优化程序，一个简单的程序做个一天的优化，对各个设备的建模和负荷的预测也是一个寻优的问题但是有可能会陷入局部最优的问题
2024/3/8 7:49:50
18KB
1
由于神经网络具有拟合非线性的能力,所以可以用神经网络来处理内部模型的非线性特性,因此这种内部模型采用神经网络的非线性PLS方法得到了广泛的应用。
传统的前馈神经网络在训练中采用梯度学习算法,网络中的参数需要迭代更新,不仅训练时间长,而且容易导致局部极小和过度训练等问题,另外其多隐层的结构也导致了样本训练速度慢,训练误差大"此外,Bartlett提出对于已达到最小训练误差的前馈神经网络,权值越小泛化特性越好,而传统的梯度学习算法仅仅考虑训练误差最小,忽视了权值大小对网络的影响,这些问题都将影响到模型的泛化特性。
传统的前馈神经网络在训练中采用梯度学习算法,网络中的参数需要迭代更新,不仅训练时间长,而且容易导致局部极小和过度训练等问题,另外其多隐层的结构也导致了样本训练速度慢,训练误差大"此外,Bartlett提出对于已达到最小训练误差的前馈神经网络,权值越小泛化特性越好,而传统的梯度学习算法仅仅考虑训练误差最小,忽视了权值大小对网络的影响,这些问题都将影响到模型的泛化特性。
2024/3/4 2:50:15
16KB
1
InverseDistancetoaPower（反距离加权插值法）Kriging（克里金插值法）MinimumCurvature（最小曲率）ModifiedShepard"sMethod（改进谢别德法）NaturalNeighbor（自然邻点插值法）NearestNeighbor（最近邻点插值法）PolynomialRegression（多元回归法）RadialBasisFunction（径向基函数法）TriangulationwithLinearInterpolation（线性插值三角网法）MovingAverage（移动平均法）LocalPolynomial（局部多项式法）"＞InverseDistancetoaPower（反距离加权插值法）Kriging（克里金插值法）MinimumCurvature（最小曲率）ModifiedShepard"sMethod（改进谢别德法）NaturalNeighbor（自然邻点插值法）NearestNeighbor（最近邻点插值法）PolynomialRegression（?[更多]
2024/3/3 17:18:33
30KB
1
粒子群算法简介，粒子群算法具体描述，标准的粒子群算法，局部标准的粒子群算法，粒子群算法分类，及标准粒子群算法的实现。
2024/2/22 9:28:02
27KB
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