程序直接能够运行，当然对于matlab的版本可能有些要求，我的是2012版本没问题。
这里边包括小波分析、神经网络以及遗传算法，实现对数据充分的拟合，直接输出误差变化过程图，可清楚的观察误差的过程。
这里边包括小波分析、神经网络以及遗传算法，实现对数据充分的拟合，直接输出误差变化过程图，可清楚的观察误差的过程。
2024/12/27 11:05:41
3KB
1
otsu.py定义了最大类间方差函数，test.py用于运行GAmodel，IGA为遗传算法策略的改进版本，make_video.py用于将每一代的结果制作成视频（如果将每个点家加上一个随机偏移，画出来的效果会更好哦，可以自己尝试）。
杭州电子科技大学模式识别课程代码。
这个积分有点麻烦，可以到我的github去下载：https://github.com/finepix/py_workspace/tree/master/genetic_algorithm
杭州电子科技大学模式识别课程代码。
这个积分有点麻烦，可以到我的github去下载：https://github.com/finepix/py_workspace/tree/master/genetic_algorithm
2024/12/16 0:28:32
16.53MB
1
山梨酸钾是一种常用防腐剂，应用非常广泛，但食用过量会严重危害人体健康。
研究了山梨酸钾在水溶液和橙汁中的荧光特性，山梨酸钾水溶液荧光特征峰为λex/λem=375nm/485nm，山梨酸钾和橙汁的混合溶液除了存在此荧光特征峰，还有一个侧峰λex/λem=470nm/540nm。
在混合溶液中，橙汁和山梨酸钾的荧光特性相互干扰，加大了山梨酸钾浓度检测的难度。
为准确测定混合溶液中山梨酸钾的浓度，采用微粒群算法优化的误差逆向传播(PSO-BP)神经网络对其进行检测。
3组预测样本的平均回收率为98.97%，PSO-BP神经网络能够精确测定混合溶液中山梨酸钾的质量浓度范围为0.1~2.0g/L。
预测结果表明荧光光谱法和PSO-BP神经网络相结合的方法能有效地检测山梨酸钾在橙汁中的浓度。
研究了山梨酸钾在水溶液和橙汁中的荧光特性，山梨酸钾水溶液荧光特征峰为λex/λem=375nm/485nm，山梨酸钾和橙汁的混合溶液除了存在此荧光特征峰，还有一个侧峰λex/λem=470nm/540nm。
在混合溶液中，橙汁和山梨酸钾的荧光特性相互干扰，加大了山梨酸钾浓度检测的难度。
为准确测定混合溶液中山梨酸钾的浓度，采用微粒群算法优化的误差逆向传播(PSO-BP)神经网络对其进行检测。
3组预测样本的平均回收率为98.97%，PSO-BP神经网络能够精确测定混合溶液中山梨酸钾的质量浓度范围为0.1~2.0g/L。
预测结果表明荧光光谱法和PSO-BP神经网络相结合的方法能有效地检测山梨酸钾在橙汁中的浓度。
2024/10/25 21:48:04
4.37MB
1
将遗传算法和混沌优化方法智能集成,利用混沌序列的“遍历性、随机性、规律性”的特点生成初始种群,在遗传操作中加入混沌细搜索,大大提高了局部搜索能力,能有效防止遗传算法陷入局部最优和发生早熟现象,仿真表明,混沌遗传算法优化结果相当理想,效果令人满意,优于常规的遗传算法
2024/10/16 20:16:19
158KB
1
粒子群（PSO）优化的极限学学习机（ELM），用粒子群优化算法优化的极限学习机，可用于数据的回归和分类，实测比单纯的极限学习机精度高的多。
2024/9/26 13:02:24
71KB
1
优化MCKD相关参数时，可以应用粒子群优化算法PSO，但是如何控制参数取整数是个问题？直接给定整数取值范围，仍然可以优化参数，但时间很长。
2024/8/23 10:29:20
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