这段代码实现了一种新的 MLP 神经网络训练方法,称为支持向量神经网络 (SVNN),在工作中提出:O. Ludwig; “以神经网络和级联分类器为重点的快速模式识别非参数方法研究;” 博士论文,科英布拉大学,科英布拉,2012 年。 输入参数是 L 个代表 N 元素输入向量的 N x L 矩阵,行向量 y,其元素是各自的目标类,应该是 -1 或 1 ,以及隐藏神经元的数量nneu。 与 SVM 类似,SVNN 有一个惩罚参数 C,可以在代码的第 16 行设置。 该算法输出 MLP 参数 W1、W2、b1、b2,它们是 MLP 模拟器“sim_NN.m”的输入参数,它还需要测试数据矩阵以及目标向量(如果目标不可用,必须提供空向量)。 “sim_NN.m”输出估计的类别和准确度,acc(当测试目标可用时)。 该代码是为在四核处理器上运行而开发的。 在双核或单核处理器的情况下,第 53 行和第
2021-11-26 19:12:36 3KB matlab
1
买的书太贵,终于找到资料了。大家共享,我的积分不多,设为3了。
2021-11-25 21:51:33 7.7MB 数据挖掘 支持向量机
1
为保证二维相位展开的正确性和快速性,分析了现有路径相关二维相位展开算法的优缺点,提出了一种基于质量线导向的二维相位展开新方法,并对新方法进行了综合对比实验和理论分析。新方法定义了相位质量因子及相位方向因子,采用双阈值和非极大值抑制的方式有方向性和有选择性地生成了一种新的枝切线,对生成的枝切线进行平衡处理,以处理后的枝切线为导向进行二维相位展开。理论分析和实验结果表明,新方法综合了现有路径相关二维相位展开方法的优点,速度快、稳定性高,生成的枝切线位置准确,很好地截断了相位突变区域,保证了二维相位展开结果的正确性,具有广泛的适用性。
2021-11-25 14:40:36 4.03MB 测量 相位展开 枝切线 非极大值
1
食品微生物快速检测新方法归纳.pdf
2021-11-23 09:10:40 1.01MB
OPTICS是一种基于密度的聚类方法,可以处理具有不同密度的点集。 但是,OPTICS的异常值检测能力受到多个因素的限制,例如不同的参数和不同的点集形状。 因此,提出了一种基于OPTICS的离群值检测方法,称为OD-OPTICS,它增加了预处理过程并修改了CD计算方法。 首先,执行提供关键半径的半径过滤策略; 并反映出该点集的关键距离。 然后,为了过滤无效半径并选择最合适的半径,提出了覆盖空间模型。 在我们建立的三个规则的影响下,可以通过覆盖空间来计算两个相邻点之间的基本距离。 此外,对CD的计算进行了优化,以便可以放大法向点砂离群值之间的差值。 在实验部分中,演示了预处理细节,并测试了OD-OPTICS在公共点集上的有效性; 为了验证OD-OPTICS的优化和可检测性,将所提出的方法与OPTICS和其他四种典型方法进行了比较。 结果表明,OD-OPTICS的检测性能优于OPTICS。
1
数据采集与光条图象细化新方法——用于三维计算机视觉系统.pdf
2021-11-11 19:06:14 142KB 计算机 视觉 图形处理 参考文献
加速时间是衡量汽车动力性好坏的重要指标之一.文中介绍了一种计算汽车加速时间的新方法,它实质上是一种数学解析法.本文通过实例计算,并与以往采用的数值积分方法进行了比较.结果表明:此方法较简便,计算精度也有所提高,能够满足一般工程设计的要求.
2021-10-31 10:45:54 191KB 自然科学 论文
1
动基座条件下捷联惯导系统初始粗对准新方法
2021-10-27 16:12:04 301KB 研究论文
1
//本函数导出excel后string类型值前面含0的不会消除, //达到所见所得的效果。//例如:"0001"不会变成"1" //作者:翁斌,20100703 // //调用方法: //调用一个datastore显示数据 string str datastore ids_Data ids_Data = Create DataStore //创建数据存储实例 /ids_Data.DataObject = dw_1.dataobject //将dw_condation数据窗口对象与ids_Data连接 ids_Data.SetTransObject(sqlca) dw_1.getfullstate(str) ids_data.setfullstate(str) gf_saveasascii2excel(ids_data)
2021-10-27 12:53:28 2KB pb saveasascii excel 所见所得
1
出版日期和地址; U. Erkan, L. Gokrem, 基于像素密度的椒盐噪声去除新方法, Turk J Elec Eng & Comp Sci, 26, (2018), 162-171, doi:10.3906/elk-1705-256 摘要:在本文中,我们提供了一种去除椒盐噪声的新方法,我们将其称为基于像素密度滤波器 (BPDF)。 该方法的第一步是确定一个像素是否有噪声,然后我们决定接受噪声像素作为中心的自适应窗口大小。 窗口内重复次数最多的无噪声像素值被设置为新的像素值。 通过使用18张测试图像,我们给出了峰值信噪比(PSNR)、结构相似性(SSIM)、图像增强因子(IEF)、标准中值滤波器(SMF)、自适应中值滤波器(AMF)、自适应模糊滤波器 (AFM)、渐进式切换中值滤波器 (PSMF)、基于决策的算法 (DBA)、改进的基于决策的非对称修整中值滤波器 (MDBUTMF)
2021-10-25 23:47:36 6KB matlab
1