基于萤火虫优化的加权 K-means 算法

在对黄家湖环境监测的基础上,选用综合加权指数模型,对湖泊进行富营养化评价,并提出水质保护措施。评价指标参数主要有叶绿素a、总氮、总磷、化学需要量、透明度等,评价时由参数实测值得出单参数,加权计算综合值,最后按分级标准判断营养状况类别。评价结果表明,黄家湖水质重度富营养化。针对调查及评价结果,结合当地的实际情况提出了黄家湖富营养化综合防治对策。

Irls算法-权值最小二乘算法（C++）+opencv2.4.9版本 ps：如果提示确实lib或者无法识别cv，请检查自己的opencv是否配置成功。 2017.11.6亲测成功，算法效率很高，各种需要输出的地方都留下了LogDebug。

 论文分析了步进频率探地雷达距离旁瓣的产生机理及其影响，对传统的线性加权法抑制距离旁瓣效果进行了对比分析，包括时域加权和频域加权，理论和实验结果表明：线性加权法在抑制距离旁瓣的同时容易造成分辨率下降。因此，本文提出基于SVA的步进频率探地雷达距离旁瓣抑制方法，它是一种非线性加权方法，能对时域波形主瓣和旁瓣自适应地选择加权函数，达到保留主瓣抑制旁瓣的目的。仿真结果表明，该方法可以有效地抑制步进频率探地雷达距离旁瓣，旁瓣抑制比提高20 dB，并且具有频谱外推的效果，主瓣展宽仅为5%，相同条件下，采用Hamming窗线性加权则主瓣展宽为50%。

2.1 圆周期中值/均值滤波法 圆周期均值滤波 [2] 和圆周期中值滤波 [3] 分别由 P.H.Eichel 等和 LANARI R 等人提出的。 这两种方法的前提假设是：相位值本身相对于取样是缓变的，相邻样点间有较好的相似性， 而噪声干扰在相邻样点上却是统计独立的。因此就可以采用邻域平均来实现滤波。在干涉条 纹图中，干涉条纹的区域为矩形平面 [2,3] 。记 ( , )l mϕ 为干涉图中(l,m)处的样点的相位值。 取滑动窗口 D的大小为（2LD+1）×（2MD+1）（行方向×列方向），被滤波的相位点位于窗口 中心。 ml ,ϕ̂ 记为滤波器的输出。 圆周期均值滤波的算法可表示为： ^ , , , ,, [arg[exp( ) / ]] arg( )l m nl nm l m l ml m mean j d dϕ ϕ= + (1) , ,exp( ) D D D D l L m M l m nl nm nl l L nm m M d jϕ + + − − − − = ∑ ∑ (2) 其中： , ,arg[exp( ) / ]nl nm l mj dϕ 为滤波窗口中的各矢量与主矢量的相角差； mean[·]是对以样点(l，m)为中心的窗口中各元素取均值运算。 圆周期中值滤波的算法为： ^ , , , ,, [arg[exp( ) / ]] arg( )l m nl nm l m l ml m median j d dϕ ϕ= + (3) 式中， ,l m median [·]是对以样点（l，m）为中心的窗口中各元素取中值运算。 圆周期均值滤波法的优点是滤波效果控制简单，并且在噪声为独立于雷达信号的加性高 斯分布时，滤波的结果是 小均方意义下 优的。其不足是会破坏相位条纹的连续性，同时 无法滤除颗粒噪声。而圆周期中值滤波法圆周期均值滤波法相比，圆周期中值滤波具有较好 的相位条纹的保持能力，同时能够有效地滤除颗粒噪声，但是没有利用信号的统计特性，所 以结果并非统计 优的。 2.2 加权圆周期中值滤波 由于圆周期均值滤波和圆周期中值滤波法在滤除高斯噪声和颗粒噪声方面各有所长，结 合噪声分布特性权重，将两种算法结合起来，即产生了加权圆周期中值滤波法 [4] 。 加权圆周期中值滤波的算法为： ^ , , , , ,[arg[exp( ) / ]] arg( ) D D D D l L m M l m nl nm nl nm l m l m nl l L nm m M w j d dϕ ϕ + + − − − − = ⋅ +∑ ∑ (4) 其中： ' 2 , , , , 1 / [1 ( ) ]nl nm l m nl nm l m M w S ϕ+ − = (5) ────────────-———————— 1 本课题得到高等学校博士学科点专项科研基金(20090095110002)、国家自然科学基金（40772191）资助

FTP提权教程FTP提权教程FTP提权教程

通过使用论文“Efficient Contrast Enhancement Using Adaptive Gamma Correction With Weighting Distribution”来增强图像的对比度。 您可以在以下位置下载： https : //in.mathworks.com/matlabcentral/answers/uploaded_files/4242/AGCWD.pdf和https://ieeexplore.ieee.org/abstract/document/6336819/

今天小编就为大家分享一篇pytorch 获取层权重,对特定层注入hook, 提取中间层输出的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

matlab选股代码爱格 我的MATLAB代码用于E-GARCH价值加权投资组合估算。 该示例基于1926年7月至2014年12月来自CRSP的月度股票收益数据。通过在最后一个交易日结束时对股票收益加权（按市值），可以得出行业投资组合收益（SIC代码有12种行业分类）。的月份。 为了估算EGARCH（p，q）模型，我首先进行去意过程以获取残差。 然后执行标准的EGARCH程序。 我决定选择行业4（能源）和行业8（公用事业）进行比较。 与能源公司相比，能源公司和公用事业公司的两种模型产生的参数非常相似，对波动性冲击的影响要比上一时期实现的冲击大得多，公用事业的持续波动性也较低。 为了选择最佳的模型方法，可以使用样本外，交叉验证和罚分等方法。 我选择了第二种方法，并使用AIC惩罚来衡量拟合优度。 文件“ estim_egarch”和“ likelihood_egarch”包含MATLAB函数以估算E-GARCH模型，而文件“ example”中提供了其应用示例。 您可以在附图上看到两个行业的预测波动率结果。

CNN算法中权重调整过程详细推导，文中详细的介绍了关于BP算法的推导过程，通俗易懂。