本文将基于遗传算法(GeneticAlgorithms,GA)优化的改进广义回归神经网络(ImprovedGeneralRegressionNeuralNetworkbasedonGA,GRNNGA)做为NSSF(NetworkSecuritySituationForecas)网络安全态势预测。
GRNNGA方法先利用滑动时间窗(SlidingTimeWindow,STW)将各离散时间监测点的网络安全态势值(NetworkSecuritySituationValue,NSSV)构造成部分线性相关的多元回归数据序列,再利用GA动态地搜索GRNN的最优训练参数,以改善基于GRNNGA的NSSF性能。
经大量实验验证,基于GRNNGA的NSSF方法具有更高的预测精度和实用性
2025/4/16 5:37:11 1.64MB 态势预测 遗传算法
1
使用python3完成一些人工智能实验,包括tensorflow2的使用,卷积神经网络的使用,图形图像的分类训练等
2025/4/15 17:22:20 3.12MB 人工智能 华为
1
网上找到的资源,代码比较基础,内有自带数据,可运行,大家可以下下来进行学习。
2025/4/15 8:52:28 3KB BP神经网络 matlab 分类
1
用C语言编写的基于神经网络的专家系统代码
2025/4/14 16:17:27 26KB 神经网络 专家系统
1
包括:《MATLAB神经网络30个案例分析》(全书和源代码)《MATLAB神经网络原理与实例精解》对于初学者有很大帮助,讲解很透彻!
2025/4/11 20:15:09 121.57MB MATLAB
1
有bp和rbf2种控制方法,亲自搭建
2025/4/10 10:04:56 47KB 神经网络
1
马尔科夫链matlab程序包。
马尔科夫链定义本身比较简单,它假设某一时刻状态转移的概率只依赖于它的前一个状态。
举个形象的比喻,假如每天的天气是一个状态的话,那个今天是不是晴天只依赖于昨天的天气,而和前天的天气没有任何关系。
当然这么说可能有些武断,但是这样做可以大大简化模型的复杂度,因此马尔科夫链在很多时间序列模型中得到广泛的应用,比如循环神经网络RNN,隐式马尔科夫模型HMM等,当然MCMC也需要它。
    如果用精确的数学定义来描述,则假设我们的序列状态是...Xt−2,Xt−1,Xt,Xt+1,......Xt−2,Xt−1,Xt,Xt+1,...,那么我们的在时刻Xt+1Xt+1的状态的条件概率仅仅依赖于时刻XtXt,即:P(Xt+1|...Xt−2,Xt−1,Xt)=P(Xt+1|Xt)P(Xt+1|...Xt−2,Xt−1,Xt)=P(Xt+1|Xt)    既然某一时刻状态转移的概率只依赖于它的前一个状态,那么我们只要能求出系统中任意两个状态之间的转换概率,这个马尔科夫链的模型就定了。
我们来看看下图这个马尔科夫链模型的具体的例子。
2025/4/8 19:03:14 15KB 马尔科夫链
1
一类无界时滞细胞神经网络的全局指数稳定性
2025/4/8 15:45:44 374KB 研究论文
1
利用SOA神经网络实现PID参数的自整定,选择最优的控制参数
2025/4/6 11:49:26 3KB SOA,PID整定
1
各种边缘检测算子;
灰度变换(对数变换);
加噪声;
锐化(边缘增强);
神经网络分类;
图像二值化;
线性平滑滤波;
直方图均衡化;
直方图均衡化及规定化;
中值滤波
2025/4/3 7:27:26 54KB 图像处理
1
共 1000 条记录 首页 上一页 下一页 尾页
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 钉钉 钉钉打卡