为提高多元宇宙优化算法(MVO)的全局探索和局部开采性能,提出一种耦合横纵向个体更新策略的改进MVO算法(IMVO).横向更新策略是建立在宇宙种群层级的一种水平迁移进化机制,通过引入加权学习因子保证子代个体同时向多个父代宇宙继承位置信息,以改善种群的个体多样性和算法全局探索性能,适定性修正虫洞存在概率表达以保证种群个体间的充分信息交互;纵向更新策略是基于宇宙个体层级的一种纵向自我学习进化机制,根据最优宇宙历史信息,通过模拟认知的历史遗忘记忆特性实现记忆均值邻域的再开采,以增强算法局部开采性能.最后通过数值实验验证不同加权学习因子函数对算法性能的差异性影响,改进算法的优化性能和算法稳健性等.

仿真对象如下： 其中， v( k )为服从N (0,1) 分布的白噪声。输入信号u ( k) 采用M 序列，幅度为 1。M 序列由 9 级移位寄存器产生，x(i)=x(i-4)⊕x(i-9)。 选择如下辨识模型： 加权阵取Λ = I。 衰减因子β = 0.98，数据长度 L = 402。 辨识结果与理论值比较，基本相同。辨识结果可信

一年份遗忘曲线复习计划表

文中提出了一种新的层次结构，称为原语生成策略学习，以实现持续学习，更具体地说，采用变分自动编码器的通用方法从任务空间生成状态原语，然后设计单独的策略学习组件，依次学习不同任务的转矩控制命令。 适合对持续学习、机器人智能操作感兴趣的人们阅读，可以在我的博客里面召见对应的全文翻译。 文中对插销和开门任务进行了实验，并与FineTunning（微调）、弹性权重整合（EWC）、增量矩匹配（IMM）三种方法进行了对比。

艾宾浩斯遗忘曲线复习计划表（365天）

anki，适用于需要记忆考试或充电提高等领域的小众人群。

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：带遗忘因子最小二乘法电池参数辨识方法_电池参数辨识模型_动力电池SOC估算模型_电动汽车动力电池参数辨识模型_matlab仿真 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

安全技术-网络信息-论网络时代的被遗忘权.pdf

带有遗忘因子的基于偏差补偿的递归最小二乘估计，用于输出误差移动平均系统

辨识模型与遗忘因子法所用模型相同，其中， 0 ≤µ≤1为遗忘因子， 此处取0.98。 数据长度L=402。一次算法和递推算法结果基本一致，但递推算法可以实现在线实时辨识，而且可以减少计算量和存储量。