人工智能-非迭代前向神经网络模型的研究.pdf

BELMKN：贝叶斯极限学习机Kohonen网络 无监督的极限学习机（ELM）是一种用于特征提取的非迭代算法。 该方法应用于IRIS数据集以进行非线性特征提取，聚类预测，最后使用k-means进行聚类。 客观的 要使用Unsuoervised Extreme Learning Machine执行非线性特征学习，使用贝叶斯信息准则（BIC）预测数据集中的聚类数，最后使用k-means，自组织图/ Kohonen网络和EM算法进行聚类 模组 无监督的极限学习机：在此模块中，使用无监督的极限学习机执行数据集的特征提取。 这是具有单个隐藏层的非迭代算法，其中输入层和隐藏层之间的权重被随机初始化，并且使用目标函数计算隐藏层和输出层之间的权重。 因此，可以保证收敛于全局最小值。 贝叶斯信息准则：贝叶斯信息准则是一种统计方法，使用d来找出数据集中的聚类数。 它使用期望最大化（EM）算法来查找数据集中的

三焦点张量的最小代数误差非迭代算法研究.doc

DFT的matlab源代码ReconNet：来自压缩感测的图像的非迭代重建 该存储库是研究论文ReconNet的实现。 ReconNet：来自压缩感测的图像的非迭代重建-Kuldeep Kulkarni，Suhas Lohit，Pavan Turaga，Ronan Kerviche，Amit Ashok [] [] 侦察网 本文从压缩感知的随机测量中介绍了一种非迭代且非常快速的图像重建算法。 作者提出了一种CNN体系结构，该体系结构输出中间重构，该中间重构会进一步经过降噪器以进一步改善重构。 当任务是识别图像中的主要内容时，此算法适用。 它尝试获取很少的测量值，并且仍然能够重建图像以保留场景的属性。 此外，由于它具有非迭代性质，因此在计算上不昂贵，并且可以在资源受限的环境中引入。 下图取自研究论文。 压缩感测 它是一种广泛用于信号处理的技术，用于以次Nyguist速率对信号进行采样。 它利用信号稀疏的优势来重构原始信号。 通常将输入信号转换为DFT或DCT以使其稀疏。 测量原始信号的少量随机线性投影（小于信号大小），并使用重建算法恢复原始信号。 在本文中，通过生成随机高斯矩阵，然后对其

它是一种以非迭代方式计算给定线性不变控制系统的无穷范数的系统方法。 还提供了一些其他应用程序，以便绘制给定线性系统的最大奇异值等。

最优非迭代最小熵解卷积解Geoff McDonald (glmcdona@gmail.com) 的代码，2015 omeda(x,filterSize,overlapMode,plotMode) 一种非迭代最优 MED (OMED) 计算算法。 这种方法解决了与 MED 类似的反卷积问题，并且能够直接解决Carlos Cabreli 提出的最优滤波器解决方案。 这个可以用来旋转从振动信号检测机器故障以检测齿轮和轴承故障，以及 OMED 用于提取振动中的类脉冲特征。 这个实现使用了我在第二篇论文中提出的卷积调整参考，这对于防止这种方法达到微不足道的解决方案很重要去卷积卷积不连续性。 读者请注意，您可能想参考我的其他一些 MED 提交： 医学： 迭代非最优解通常更适合振动故障检测。 它通常比这个最优解更好，因为 MED 问题旨在去卷积结果只有一个脉冲。 因此，OMED 能够更好地提取仅对单

一种非迭代的利用最小二乘拟合高斯曲线的方法，很经典。

该程序是基于文献“P. W. M. Tsang and T.-C. Poon, “Novel method for converting digital Fresnel hologram to phase-only hologram based on bidirectional error diffusion,” Opt. Express 21(20), 23680–23686 (2013).”所提方法编写的，用于计算全息中的相位恢复问题。采用该算法可快速将复振幅全息转化为纯相位全息，而无需迭代计算