虫虫首页| 资源下载| 资源专辑| 精品软件
登录| 注册

模型算法

  • 本文基于遗传算法思想

    本文基于遗传算法思想,采用浮点数矩阵表示编码,在遗传算法的进化过程中加入一定的约束条件等方法,探讨了网络结构的设计和学习。经实例分析,在用于建立大坝安全监控预报模型的前馈神经网络设计中,该方法在满足一定约束条件下,能同时有效地寻找合适的网络结构和相应的参数(神经网络的权值和阈值),且在精度和速度上都有较大的提高,为实现实时在线分析评价大坝的安全性态提供了有力的技术支持。

    标签: 算法

    上传时间: 2015-11-15

    上传用户:凌云御清风

  • 是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。通过全老师耐心的讲解

    是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。通过全老师耐心的讲解,我已经清楚了简单遗传算法的处理过程,遗传算法的基本操作包括:编码、初始群体的生成、适应度评估检测、选择、杂交操作、变异。下面是我用Java编写的一个简单遗传算法的程序,求解的题目

    标签: 模拟 过程 计算模型

    上传时间: 2013-11-27

    上传用户:上善若水

  • :介绍了扩展卡尔曼滤波算法和无迹变换(unscented transformation

    :介绍了扩展卡尔曼滤波算法和无迹变换(unscented transformation,UT)算法,并对扩展卡尔曼滤波算法(EKF)和无 迹卡尔曼滤波算法(UKF)进行比较,阐明了UKF优于EKF。在此基础上,提出了一种基于Unscented变换(uT)的高斯和滤 波算法,该算法首先通过合并准则得到适当个数的混合高斯模型,逼近系统中非高斯噪声的概率密度

    标签: transformation unscented 扩展 卡尔曼滤波

    上传时间: 2015-11-25

    上传用户:bruce

  • 蚁群算法是一种求解组合最优化问题的新型通用启发式方法

    蚁群算法是一种求解组合最优化问题的新型通用启发式方法,该方法具有正反馈、分布式计算和富于建设性的贪婪启发式搜索的特点。通过建立适当的数学模型,基于故障过电流的配电网故障定位变为一种非线性全局寻优问题

    标签: 蚁群算法 组合 启发式

    上传时间: 2015-12-09

    上传用户:小宝爱考拉

  • 详细讲解了什么是启发式算法

    详细讲解了什么是启发式算法,以及启发式算法的各种类型和相应的模型

    标签: 启发式算法

    上传时间: 2015-12-24

    上传用户:123456wh

  • 本文提出了有模型指导的三维人体运动跟踪框架

    本文提出了有模型指导的三维人体运动跟踪框架,将一个多关节的圆台形状三维人体模型与多个视频图像中的外轮廓、边界、灰度和肤色特征进行匹配,使人体运动跟踪变成一个状态估计问题。并且,使用基于概率模型的粒子滤波算法来完成非线性、非高斯动态系统的状态估计。

    标签: 模型 人体运动跟踪

    上传时间: 2014-05-26

    上传用户:zsjzc

  • 基于混沌扰动算法来解决pso算法早熟问题

    基于混沌扰动算法来解决pso算法早熟问题,并用二者结合来训练灰色预测模型参数

    标签: pso 算法 混沌

    上传时间: 2016-02-02

    上传用户:ikemada

  • 本文的题目是改进的粒子滤波在组合导航中的应用研究。文档可用caj打开。 本课题首先研究了GPS/DR车载定位系统的组合模型

    本文的题目是改进的粒子滤波在组合导航中的应用研究。文档可用caj打开。 本课题首先研究了GPS/DR车载定位系统的组合模型,然后在分析了非线性滤波的基础上,引入了粒子滤波。粒子滤波是一种基于递推计算的序列蒙特卡罗算法,它采用一组从概率密度函数上随机抽取的并附带相关权值的粒子集来逼近后验概率密度,从而不受非线性、非高斯问题的限制。虽然粒子滤波存在诸多优点,然而它仍然存在诸如粒子数匿乏、滤波性能不高、实时性差等问题。

    标签: caj GPS DR 粒子滤波

    上传时间: 2013-12-19

    上传用户:zhangliming420

  • 高斯分布期望优化(em)算法matlab实现

    高斯分布期望优化(em)算法matlab实现,流量矩阵模型

    标签: matlab 高斯 分布 算法

    上传时间: 2013-12-10

    上传用户:思琦琦

  • 一个遗传算法 这是一个非常简单的遗传算法源代码

    一个遗传算法 这是一个非常简单的遗传算法源代码,是由Denis Cormier (North Carolina State University)开发的,Sita S.Raghavan (University of North Carolina at Charlotte)修正。代码保证尽可能少,实际上也不必查错。对一特定的应用修正此代码,用户只需改变常数的定义并且定义“评价函数”即可。注意代码 的设计是求最大值,其中的目标函数只能取正值;且函数值和个体的适应值之间没有区别。该系统使用比率选择、精华模型、单点杂交和均匀变异。如果用 Gaussian变异替换均匀变异,可能得到更好的效果。代码没有任何图形,甚至也没有屏幕输出,主要是保证在平台之间的高可移植性。读者可以从ftp.uncc.edu, 目录 coe/evol中的文件prog.c中获得。要求输入的文件应该命名为‘gadata.txt’;系统产生的输出文件为‘galog.txt’。输入的 文件由几行组成:数目对应于变量数。且每一行提供次序——对应于变量的上下界。如第一行为第一个变量提供上下界,第二行为第二个变量提供上下界,等等。

    标签: 算法 源代码

    上传时间: 2013-12-20

    上传用户:myworkpost