DBSCAN聚类，是一种基于密度的聚类算法，它类似于均值漂移，DBSCAN与其他聚类算法相比有很多优点，首先，它根本不需要固定数量的簇。
它也会异常值识别为噪声，而不像均值漂移，即使数据点非常不同，也会简单地将它们分入簇中。
另外，它更抗噪音，能够很好地找到任意大小和任意形状的簇。
DBSCAN的聚类过程就是根据核心弱覆盖点来推导出最大密度相连的样本集合，首先随机寻找一个核心弱覆盖样本点，按照Minpts和Eps来推导其密度相连的点，然后再选择一个没有赋予类别的核心弱覆盖样本点，开始推导其密度相连的样本结合，不断迭代到所有的核心样本点都有对应的类别为止。
作者博客中详细介绍了DBSCAN的算法原理，可以通过文章结合学习，代码包含详细注释，只需要导入自己的聚类数据，运行代码便可以得出聚类结论与图像。
它也会异常值识别为噪声，而不像均值漂移，即使数据点非常不同，也会简单地将它们分入簇中。
另外，它更抗噪音，能够很好地找到任意大小和任意形状的簇。
DBSCAN的聚类过程就是根据核心弱覆盖点来推导出最大密度相连的样本集合，首先随机寻找一个核心弱覆盖样本点，按照Minpts和Eps来推导其密度相连的点，然后再选择一个没有赋予类别的核心弱覆盖样本点，开始推导其密度相连的样本结合，不断迭代到所有的核心样本点都有对应的类别为止。
作者博客中详细介绍了DBSCAN的算法原理，可以通过文章结合学习，代码包含详细注释，只需要导入自己的聚类数据，运行代码便可以得出聚类结论与图像。
2019/2/13 8:01:39
4KB
1
【为什么学习机器学习算法？】人工智能是国家发展的战略，未来发展的必然趋势。
将来很多岗位终将被人工智能所代替，但人工智能人才只会越来越吃香。
中国人工智能人才缺口超过500万，人才供不应求。
要想掌握人工智能，机器学习是基础、是必经之路，也是极其重要的一步。
【课程简介】很多人认为机器学习难学，主要是因为其过于关注各种复杂数学公式的推导，从而忽略了公式的本质。
本课程通过对课件的精心编排，课程内容的不断打磨，重磅推出机器学习8大经典模型算法，对晦涩难懂的数学公式，通过图形展示其特点和本质，快速掌握机器学习模型的核心理论，将重点回归到机器学习算法本身。
本课程选取了机器学习经典的8大模型：线性回归、逻辑回归、决策树、贝叶斯分类器、支持向量机(SVM)、集成学习、聚类以及降维再也不用东拼西凑，一门课程真正掌握机器学习核心技术。
它们是人工智能必经之路，机器学习必学技术，企业面试必备技能。
?《深度学习与神经网络从原理到实践》课程现已上线，这使得人工智能学习路径愈加完备，地址：https://edu.csdn.net/course/detail/29539
将来很多岗位终将被人工智能所代替，但人工智能人才只会越来越吃香。
中国人工智能人才缺口超过500万，人才供不应求。
要想掌握人工智能，机器学习是基础、是必经之路，也是极其重要的一步。
【课程简介】很多人认为机器学习难学，主要是因为其过于关注各种复杂数学公式的推导，从而忽略了公式的本质。
本课程通过对课件的精心编排，课程内容的不断打磨，重磅推出机器学习8大经典模型算法，对晦涩难懂的数学公式，通过图形展示其特点和本质，快速掌握机器学习模型的核心理论，将重点回归到机器学习算法本身。
本课程选取了机器学习经典的8大模型：线性回归、逻辑回归、决策树、贝叶斯分类器、支持向量机(SVM)、集成学习、聚类以及降维再也不用东拼西凑，一门课程真正掌握机器学习核心技术。
它们是人工智能必经之路，机器学习必学技术，企业面试必备技能。
?《深度学习与神经网络从原理到实践》课程现已上线，这使得人工智能学习路径愈加完备，地址：https://edu.csdn.net/course/detail/29539
2018/5/3 18:47:12
3.37MB
1
针对双电机转速同步的问题，提出了偏差耦合同步控制策略。
电机控制使用svpwm变频调速方式，建立了系统仿真模型，并进行了负载干扰情况下的双电机转速同步仿真。
系统采用matlab仿真软件进行仿真，结果表明，采用偏差耦合转速补偿方法可以很好的降低双电机转速差，实现双电机的转速同步控制。
电机控制使用svpwm变频调速方式，建立了系统仿真模型，并进行了负载干扰情况下的双电机转速同步仿真。
系统采用matlab仿真软件进行仿真，结果表明，采用偏差耦合转速补偿方法可以很好的降低双电机转速差，实现双电机的转速同步控制。
2018/7/23 18:26:41
199KB
1
本文主要研究在这种配送方式下的应急配送问题，建立了基于混合蚁群算法的VRPD问题模型，利用蚁群算法，迭代局部搜索算法，聚类分析等方法进行求解。
对于问题一只有配送车辆配送这一模式，建立VRP问题，首先通过floyd算法验证各地点间的最短距离即为直线距离，将问题转换为最佳H圈问题；
之后采用蚁群算法对这问题进行迭代求解，得到配送车辆一次整体配送的最短路径和为582（公里），一次整体配送的最短时间为11.64（小时），并且发现收敛时迭代次数基本小于10次。
对于问题二，在问题一的基础上新增无人机配送的模式，首先对14个地点进行聚类，发现它们属于同一个类；
其次在类中进行分区，考虑到无人机的飞行约束，利用椭圆的几何性质最终分为5个飞行区；
之后采用迭代局部搜索的方式对各飞行区中的点进行重分配，找到最优的配送路线；
最初，采用蚁群算法对路线进行迭代求解，得到一次整体配送的最短时间为6.32（小时），相较问题一时间缩短了近50%。
对于问题三，在问题二的基础上
对于问题一只有配送车辆配送这一模式，建立VRP问题，首先通过floyd算法验证各地点间的最短距离即为直线距离，将问题转换为最佳H圈问题；
之后采用蚁群算法对这问题进行迭代求解，得到配送车辆一次整体配送的最短路径和为582（公里），一次整体配送的最短时间为11.64（小时），并且发现收敛时迭代次数基本小于10次。
对于问题二，在问题一的基础上新增无人机配送的模式，首先对14个地点进行聚类，发现它们属于同一个类；
其次在类中进行分区，考虑到无人机的飞行约束，利用椭圆的几何性质最终分为5个飞行区；
之后采用迭代局部搜索的方式对各飞行区中的点进行重分配，找到最优的配送路线；
最初，采用蚁群算法对路线进行迭代求解，得到一次整体配送的最短时间为6.32（小时），相较问题一时间缩短了近50%。
对于问题三，在问题二的基础上
2019/8/5 8:34:08
2.11MB
1
通过对较少的数字进行DFT和IDFT，该程序可以紧缩wav文件并将其与前一个文件进行比较。
2018/2/16 21:24:54
2KB
1
实现了工程测量中各种常见的沉降预测算法，包括直线拟合法、二次多项式拟合法、三次多项式拟合法、双曲线法、对数曲线法、抛物线法、指数曲线法、泊松曲线法、星野法、Asaoka法、灰度模型GM(1,1)法、灰度模型Verhulst法、BP神经网络法、遗传算法。
各种算法的具体实现可以参考https://blog.csdn.net/yh523/article/details/122944048。
在VisualStudio2015中采用C#编程语言实现，使用.NetFramework4.0。
附件资源包含可以编译运转的源代码，以及可以直接运转的exe示例程序。
各种算法的具体实现可以参考https://blog.csdn.net/yh523/article/details/122944048。
在VisualStudio2015中采用C#编程语言实现，使用.NetFramework4.0。
附件资源包含可以编译运转的源代码，以及可以直接运转的exe示例程序。
2021/9/3 18:13:53
4.19MB
1
c++图像处理软件，可实现对24位灰度位图和256位灰度位图的处理，包括对图像的二值化，中值滤波，水平投影等一系列的算法处理，最初实现图像目标部分的获取。
2016/10/27 9:30:18
4.36MB
1
ardupilotloiter控制算法分析：包含代码及所有流程整理过程，欢迎批评指正，一同学习！
2021/10/23 19:53:36
1.95MB
1
遗传算法(geneticalgorithm,GA)是一种进化算法，其基本原理是仿效生物界中的“物竞天择、适者生存”的演化法则。
遗传算法是把问题参数编码为染色体,再利用选代的方式进行选择、交叉以及变异等运算来交换种群中染色体的信息,最终生成符合优化目标的染色体。
谢菲尔德(Sheffield)遗传算法工具箱是英国谢菲尔德大学开发的遗传算法工具箱。
该工具箱是用MATLAB高级语言编写的，对问题使用M文件编写，可以看见算法的源代码，与此婚配的是先进的MATLAB数据分析、可视化工具、特殊目的应用领域工具箱和展现给使用者具有研究遗传算法可能性的一致环境。
该工具箱为遗传算法研究者和初次实验遗传算法的用户提供了广泛多样的实用函数。
遗传算法工具箱提供了一种求解非线性、多模型、多目标等复杂系统优化问题的通用框架，它不依赖问题的具体领域，对问题的种类具有很强的鲁棒性，所以它广泛应用于各个科学领域。
遗传算法在函数优化、组合优化、生产调度、自动控制、机器人学、图像处理、人工生命、遗传编码和机器学习等方面得到了广泛运用。
遗传算法是把问题参数编码为染色体,再利用选代的方式进行选择、交叉以及变异等运算来交换种群中染色体的信息,最终生成符合优化目标的染色体。
谢菲尔德(Sheffield)遗传算法工具箱是英国谢菲尔德大学开发的遗传算法工具箱。
该工具箱是用MATLAB高级语言编写的，对问题使用M文件编写，可以看见算法的源代码，与此婚配的是先进的MATLAB数据分析、可视化工具、特殊目的应用领域工具箱和展现给使用者具有研究遗传算法可能性的一致环境。
该工具箱为遗传算法研究者和初次实验遗传算法的用户提供了广泛多样的实用函数。
遗传算法工具箱提供了一种求解非线性、多模型、多目标等复杂系统优化问题的通用框架，它不依赖问题的具体领域，对问题的种类具有很强的鲁棒性，所以它广泛应用于各个科学领域。
遗传算法在函数优化、组合优化、生产调度、自动控制、机器人学、图像处理、人工生命、遗传编码和机器学习等方面得到了广泛运用。
2018/7/26 11:26:44
436KB
1
针对FDK算法重建图像异常耗时的成绩,提出了一种极坐标反投影快速重建算法。
根据三角函数对称性,64幅预处理后的投影数据在反投影过程中同时运算;在极坐标反投影数据映射到笛卡尔坐标时,利用像素位置相关参数的对称性,在不使用查表方法的情况下,使双线性插值的计算量大大减少。
实验结果表明,采用这两种措施实现了FDK算法优化,与传统的FDK算法相比,重建速度提高8倍,采用CUDA技术,实现GPU对其加速,速度提高40倍,且均不产生新的误差。
根据三角函数对称性,64幅预处理后的投影数据在反投影过程中同时运算;在极坐标反投影数据映射到笛卡尔坐标时,利用像素位置相关参数的对称性,在不使用查表方法的情况下,使双线性插值的计算量大大减少。
实验结果表明,采用这两种措施实现了FDK算法优化,与传统的FDK算法相比,重建速度提高8倍,采用CUDA技术,实现GPU对其加速,速度提高40倍,且均不产生新的误差。
2016/4/5 16:13:47
1012KB
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