最先提出深度学习算法hinton的自动编码器matlab代码，内容是：利用多层rbm进行自动编码的多层特征训练，然后运用梯度算法进行fineturn。
可以进行特征提取，也可以进行分类。
可以进行特征提取，也可以进行分类。
2022/9/5 18:46:11
22.15MB
1
最小均方算法（LeastMeanSquare,LMS）是一种简单、应用为广泛的自适应滤波算法，是在维纳滤波理论上运用速下降法后的优化延伸，早是由Widrow和Hoff提出来的。
该算法不需要已知输入信号和期望信号的统计特征，“当前时辰”的权系数是通过“上一时辰”权系数再加上一个负均方误差梯度的比例项求得。
这种算法也被称为Widrow-HoffLMS算法，在自适应滤波器中得到广泛应用，其具有原理简单、参数少、收敛速度较快而且易于实现等优点。
该算法不需要已知输入信号和期望信号的统计特征，“当前时辰”的权系数是通过“上一时辰”权系数再加上一个负均方误差梯度的比例项求得。
这种算法也被称为Widrow-HoffLMS算法，在自适应滤波器中得到广泛应用，其具有原理简单、参数少、收敛速度较快而且易于实现等优点。
2022/9/5 2:48:09
2KB
1
AnEfficientPrimal-DualHybridGradientAlgorithmForTotalVariationImageRestoration一种高效的全变差图像恢复的原始-对偶混淆梯度算法
2019/11/15 15:52:06
4.37MB
1
文件中给出案例数据，列代表指标集（输入集x:1-7,输出集y:8）行代表数据集。
可以用于本科毕业论文或者硕士毕业论文，首先使用SPSS进行出成分分析，然后将主成分得分值作为输入集，输出集保持不变。
通过该算法文件就可以得到预测值，具体步骤可以参考《基于SVM和LS-SVM的住宅工程造价预测研究》。
本算法使用BP神经网络的误差函数作为GWO算法的适应度函数，通过BP神经网络连接权值和阈值的数量来决定GWO算法中灰狼的维数，那么GWO算法寻优的过程就是权值和阈值更新的过程。
因而，GWO算法寻优的过程替代了BP神经网络梯度下降的过程。
经过不断更新和迭代，最终确定出全局最优值，即灰狼α所处的位置。
本算法输出的权值和阈值即作为神经网络的权值和阈值，不在通过神经网络继续训练。
可以参考文献《基于粒子群优化算法的BP网络学习研究》。
可以用于本科毕业论文或者硕士毕业论文，首先使用SPSS进行出成分分析，然后将主成分得分值作为输入集，输出集保持不变。
通过该算法文件就可以得到预测值，具体步骤可以参考《基于SVM和LS-SVM的住宅工程造价预测研究》。
本算法使用BP神经网络的误差函数作为GWO算法的适应度函数，通过BP神经网络连接权值和阈值的数量来决定GWO算法中灰狼的维数，那么GWO算法寻优的过程就是权值和阈值更新的过程。
因而，GWO算法寻优的过程替代了BP神经网络梯度下降的过程。
经过不断更新和迭代，最终确定出全局最优值，即灰狼α所处的位置。
本算法输出的权值和阈值即作为神经网络的权值和阈值，不在通过神经网络继续训练。
可以参考文献《基于粒子群优化算法的BP网络学习研究》。
2019/11/18 17:14:58
13KB
1
梯度自顺应拉盖尔格子滤波器和卡尔曼滤波器的组合，用于估计多通道记录中的丢失信号。
为PhysioNet2010提交的参赛作品涉及对最后30秒生理信号的估计。
详情见http://web.cinc.org/2010/preprints/
为PhysioNet2010提交的参赛作品涉及对最后30秒生理信号的估计。
详情见http://web.cinc.org/2010/preprints/
2017/8/2 11:19:08
8KB
1
BP神经网络的仿真，能够拟合各种函数，支持梯度下降法和LM两种训练算法。
所有代码本人编写，没有使用matlab自带的函数，是学习的最佳范本。
所有代码本人编写，没有使用matlab自带的函数，是学习的最佳范本。
2017/1/4 12:39:27
4KB
1
深层神经网络拥有更强特征表达能力的同时,也带来了优化难、训练成本高及梯度弥散等问题;参数数量的激增则导致模型过于臃肿,不利于其在挪动端及工业控制设备等算力弱、存储小的平台上的部署.针对这些问题,构建了一种融合空洞卷积和多尺度稀疏结构的轻量神经网络对图像进行特征提取,实现对带有彩色图形噪声且字符扭曲粘连严重的验证码图像的端到端识别.将包含100万张验证码图像的数据集按98:1:1的比例划分为训练集、验证集和测试集,逐批参与训练.实验结果表明,该网络在大大减少参数数量的同时,具有测试集上98.9%的识别成功率.
2017/11/27 15:43:07
1.08MB
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