deep-learning personal practice 深度学习个人练习，该项目实现了深度学习中一些常用的算法，内容包括： 四种初始化方法：zero initialize, random initialize, xavier initialize, he initialize。 深度神经网络 正则化 dropout 三种梯度下降方法：BGD, SGD, mini-batch 六种优化算法：momentum、nesterov momentum、Adagrad、Adadelta、RMSprop、Adam 梯度检验 batch normalization recurrent neural network (RNN) Note: 下列 1-10中网络架构主要为四大块： initialize parameters、forward propagation、backward propagati

1、内附Exel数据集，8000组作为训练集，剩余的作为测试集； 2、有监督学习方式：梯度下降优化中心向量C、宽度D、权值W； 3、目标误差为10*e-5； 4、纯matlab代码，未使用神经网络工具箱。

运动加速度抑制的动态步长梯度下降姿态解算算法.pdf

二、正交梯度算子法 梯度算子法：利用一阶导数（梯度）检测边缘点。 正交梯度：两个垂直（正交）方向的一阶导数。 正交模版：由正交梯度生成的边缘点检测模板。 1. 正交梯度法（正交模板法） 函数 f (x, y) 在 (x, y) 处的梯度用二维列矢量表示： 幅度（模值）： 方向角： 梯度的幅值代表边缘的强度； 梯度的方向与边缘的走向垂直。 §6.2 边缘点检测

heed算法matlab代码MATLAB SVM-不推荐 具有梯度下降功能的SVM算法的旧式，简单，低级（未完成？）实现。 不包括内核。 不建议将此代码用于一般，直接的用法。 Matlab带有更有效的SVM实现（不使用梯度下降等）。 该代码对于理解SVM算法很有用，并且是创建您自己专门设计的（低级）SVM的基础。 免责声明：我相信还有实现（<->语法）错误，请注意。 版权：完全没有，请随意使用，更改和共享。

解析梯度折射率(GRIN)光纤探针的光学特征参数，用于光学相干层析技术(OCT)探头超小型化的研究。在概述由单模光纤、无芯光纤和GRIN光纤镜头构成的GRIN光纤探针模型的基础上，定义GRIN光纤探针的工作距离和聚焦光斑尺寸等光学特征参数，并用高斯光束复参数矩阵变换的方法推导探针光学特征参数的数学表达式，提出了探针光学特征参数的验证方法。结果显示，当无芯光纤和GRIN光纤镜头长度分别为0.48 mm和0.17 mm时，理论计算的工作距离和聚焦光斑尺寸分别为1.05 mm和28.2 μm；实验测得的工作距离和聚焦光斑尺寸分别为1.0 mm和28 μm。理论计算与实测结果吻合，验证了GRIN光纤探针光学特征参数及其解析方法的有效性。

通过局部传播进行图像滤波的边缘感知梯度域优化框架

置信规则库（beliefrulebase，BRB）的参数训练问题实质上是一个带有约束条件的非线性优化问题，目前在求解该问题上主要使用FMINCON函数及群智能算法，但在算法的应用中存在移植性差，难实现，计算时间长等局限性。通过对这些问题的研究，结合现有的参数训练方法提出了基于加速梯度求法的置信规则库参数训练方法，并将其应用在多峰函数、输油管道泄漏检测的置信规则库的参数训练上。以收敛误差、收敛时间和皮尔森相关系数作为衡量指标，对新方法与其他传统方法进行了对比，实验结果表明，新算法在收敛精度和收敛速度上具有更

梯度迭代算法matlab程序，增广随机梯度算法

一元线性回归数据集