基于决策的单模目标跟踪方法的关键是及时而稳健的目标机动检测,充分利用目标多普勒观测量能够有效提高机动检测性能。
提出一种集成多普勒观测的目标机动检测算法,利用基于马氏距离的预测寻优方法,克服了多普勒观测噪声水平较高时估计式无解的情况,提高了加速度估计精度;基于奈曼皮尔逊准则设计机动检测器,避免了因目标机动检测的滞后性带来的门限漂移。
仿真实验表明,算法提高了加速度估计的精度和稳健性,显著降低了平均检测延迟,有效提高了机动检测性能。

1stOpt一套数学优化分析综合工具软件包。
在非线性回归，曲线拟合，非线性复杂模型参数估算求解，线性/非线性规划等领域傲视群雄，首屈一指，居世界领先地位。
其计算核心是基于七维高科有限公司科研人员十数年的研究成果【通用全局优化算法】(UniversalGlobalOptimization-UGO)，该算法之最大特点是克服了当今世界上在优化计算领域中使用迭代法必须给出合适初始值的难题，即用户勿需给出参数初始值，而由1stOpt随机给出，通过其独特的全局优化算法，最终找出最优解。
---------------------------------------------以非线性回归为例，目前世界上在该领域最有名的软件包诸如Matlab,OriginPro,SAS,SPSS,DataFit,GraphPad等，均需用户提供适当的参数初始值以便计算能够收敛并找到最优解。
如果设定的参数初始值不当则计算难以收敛，其结果是无法求得正确结果。
而在实际应用当中，对大多数用户来说，给出(猜出)恰当的初始值是件相当困难的事，特别是在参数量较多的情况下，更无异于是场噩梦。
而1stOpt凭借其超强的寻优，容错能力，在大多数情况下（＞90%)，从任一随机初始值开始，都能求得正确结果。

使用遗传算法，对目标函数进行全局寻优，可以得到全局最优解。

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。

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

单纯形法寻优，通过修改被控对象参数，利用单纯形法获取最优PID控制器参数

包含了GA-BP算法、K-NN分类器、Q学算法、RLS算法、非线性动态权重系数w优化的基于罚函数的粒子群算法的函数寻优、分形盒算法、Dijkstra算法、基于GA算法的函数拟合、prim最小树生成算法、蚁群aco优化算法、引力搜索优化算法、细菌觅食优化算法。
全部为本人手敲，现在分享给大家。

MATLAB神经网络30个案例分析（高清+源码）包括BP、RBF、SVM、SOM、Hopfield、LVQ、Elman、小波等神经网络。
MATLAB神经网络30个案例分析（高清+源码）该书共有30个MATLAB神经网络的案例(含可运行程序），包括BP、RBF、SVM、SOM、Hopfield、LVQ、Elman、小波等神经网络；
还包含PSO(粒子群）、灰色神经网络、模糊网络、概率神经网络、遗传算法优化等内容。
该书另有31个配套的教学视频帮助读者更深入地了解神经网络。
本书可作为本科毕业设计、研究生项目设计、博士低年级课题设计参考书籍，同时对广大科研人员也有很高的参考价值。
-------目录第1章P神经网络的数据分类——语音特征信号分类第2章BP神经网络的非线性系统建模——非线性函数拟合第3章遗传算法优化BP神经网络——非线性函数拟合第4章神经网络遗传算法函数极值寻优——非线性函数极值寻优第5章基于BP_Adaboost的强分类器设计——公司财务预警建模第6章PID神经元网络解耦控制算法——多变量系统控制第7章RBF网络的回归——非线性函数回归的实现第8章GRNN的数据预测——基于广义回归神经网络的货运量预测第9章离散Hopfield神经网络的联想记忆——数字识别第10章离散Hopfield神经网络的分类——高校科研能力评价第11章连续Hopfield神经网络的优化——旅行商问题优化计算第12章SVM的数据分类预测——意大利葡萄酒种类识别第13章SVM的参数优化——如何更好的提升分类器的性能第14章SVM的回归预测分析——上证指数开盘指数预测第15章SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测第16章自组织竞争网络在模式分类中的应用——患者癌症发病预测第17章SOM神经网络的数据分类——柴油机故障诊断第18章Elman神经网络的数据预测——电力负荷预测模型研究第19章概率神经网络的分类预测——基于PNN的变压器故障诊断第20章神经网络变量筛选——基于BP的神经网络变量筛选第21章LVQ神经网络的分类——乳腺肿瘤诊断第22章LVQ神经网络的预测——人脸朝向识别第23章小波神经网络的时间序列预测——短时交通流量预测第24章模糊神经网络的预测算法——嘉陵江水质评价第25章广义神经网络的聚类算法——网络入侵聚类第26章粒子群优化算法的寻优算法——非线性函数极值寻优第27章遗传算法优化计算——建模自变量降维第28章基于灰色神经网络的预测算法研究——订单需求预测第29章基于Kohonen网络的聚类算法——网络入侵聚类第30章神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类MATLAB

考虑智能交通系统中员工在聚集站点上下班，建立车辆调度问题的数学模型。
针对蚁群优化算法的缺点，自适应地改变信息素挥发因子，采用混沌搜索产生初始种群可以加速染色体向最优解收敛，构成一种自适应蚁群优化算法。
应用该算法和基本蚁群优化算法对该模型求解，实验证明了构造算法在收敛速度和寻优结果两方面都优于基本蚁群优化算法

在Libsvm中使用，结合python和gnuplot，主要是用来参数寻优

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。