注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. LINGO软件的学习

  2. LINGO是用来求解线性和非线性优化问题的简易工具。LINGO内置了一种建立最优化模型的语言，可以简便地表达大规模问题，利用LINGO高效的求解器可快速求解并分析结果。 §1 LINGO快速入门 当你在windows下开始运行LINGO系统时，会得到类似下面的一个窗口： 外层是主框架窗口，包含了所有菜单命令和工具条，其它所有的窗口将被包含在主窗口之下。在主窗口内的标题为LINGO Model – LINGO1的窗口是LINGO的默认模型窗口，建立的模型都都要 在该窗口内编码实现。下面举两个例子

  3. 所属分类：C

    • 发布日期：2009-08-08
    • 文件大小：312kb
    • 提供者：huxlaylyx

  1. Pi-Sigma神经网络的几种梯度学习算法

  2. 到目前为止，人们提出了许多神经网络模型，其中应用最广泛的是前馈神经网络．早期前馈神经网络中只含有求和神经元，在处理复杂非线性问题时效率很低．后来，人们将求积神经元引入到前馈神经网络中，用以增加网络的非线性映射能力，提高网络的学习效率．这样的网络可以统称为高阶前馈神经网络．但是，如果只通过输入节点值的简单乘积构造求积神经元以增加网络的非线性映射能力，随着输入样本维数的增加，所需权值的数量呈指数阶增加，即出现“维数灾难”．Pi-Sigma 神经网络是1991 年Y．Shin提出的一种具有多项式乘积

  3. 所属分类：专业指导

    • 发布日期：2013-08-21
    • 文件大小：2mb
    • 提供者：samcrazy

  1. 机器学习-基于AIRMA模型对订单总额未来七天的预测

  2. 从时间上看，订单量时间序列有两个明显的特征： 1）周期性。每天订单量的变化趋势都大致相同，午高峰和晚高峰订单量集中； 2）实时性。当天的订单量可能会受天气等因素影响，呈现整体的上涨或下降； 预测可以反映未来司机成单的情况，能给运营部门及时调整有效的运营策略。预测又有好几种方向：基于订单总额的预测，基于乘客目的地预测，基于上车地点的供需预测等，这里阐述订单总额未来七天的预测。

  3. 所属分类：机器学习

    • 发布日期：2018-06-07
    • 文件大小：166kb
    • 提供者：wcctv51

  1. 脉冲神经网络的监督学习算法研究综述

  2. 脉冲神经网络是进行复杂时空信息处理的有效工具，但由于其内在的不连续和非线性机制，构建高效 的脉冲神经网络监督学习算法非常困难，同时也是该研究领域的重要问题． 本文介绍了脉冲神经网络监督学习算法的 基本框架，以及性能评价原则，包括脉冲序列学习能力、离线与在线处理性能、学习规则的局部特性和对神经网络结构 的适用性． 此外，对脉冲神经网络监督学习算法的梯度下降学习规则、突触可塑性学习规则和脉冲序列卷积学习规则 进行了详细的讨论，通过对比分析指出现有算法存在的优缺点，并展望了该领域未来的研究方向

  3. 所属分类：讲义

    • 发布日期：2018-01-30
    • 文件大小：667kb
    • 提供者：jy0319492

  1. RBF有效序列学习

  2. RBF有效序列学习 神经元 神经网络学习 人工智能 有效序列学习

  3. 所属分类：深度学习

  1. 基于深度学习的用户异常用电模式检测

  2. 针对电力用户的异常用电行为,提出一种基于深度学习的用户异常用电模式检测模型。利用Tensor Flow框架,构建了特征提取网络和多层特征匹配网络。基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。实例分析表明,与非深度学习检测模型相比,所提模型可更加有效地完成异常用电模式检测。此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。

  3. 所属分类：深度学习

    • 发布日期：2020-04-30
    • 文件大小：527kb
    • 提供者：kamo54

  1. 基于视觉信息和深度学习的中文唇语数据集构建与识别_胡扬.caj

  2. 本文以中文唇语识别为主线，通过更有效的数据收集手段将中文的唇语识别问 题拓展到更一般更现实的中文环境中，并通过深度学习技术有效解决现实环境下变 长唇语序列图片的中文识别问题。本文的主要研究内容包括： 1. 研究以互联网视频为数据源头，自动快速构建中文唇语数据集的方法。互联 网视频中的场景变化较多，与现实环境相符，同时资源获取成本较低，本文 基于此，提出有效的从互联网视频中获取可以用于训练唇读模型的唇部序列 图片和对应的中文内容。 2. 研究中文唇语识别的网络设计。相较于限定实验环境下的唇

  3. 所属分类：深度学习

    • 发布日期：2020-04-27
    • 文件大小：1mb
    • 提供者：zhr_the_great

  1. 基于VMD_SE和机器学习算法的短期风电功率多层级综合预测模型_张亚超.pdf

  2. 针对风电功率受自然环境变化影响，难以建立精确数学模型对其进行预测的问题，采用一种新型的可变模式分解(variational mode decomposition，VMD)技术，将原始风电功率序列分解为一系列有限带宽子模式以降低其不稳定性，根据子模式的样本熵(sample entropy，SE)分析其复杂度并重组得到子序列。在此基础上，结合3 种不同的机器学习基模型，提出一种基于VMD-SE 和基模型的自适应多层级综合预测模型，并采用一种基于混沌萤火虫结合仿真鸡群优化的智能算法，对其权重矩阵进行实

  3. 所属分类：讲义

    • 发布日期：2020-02-14
    • 文件大小：541kb
    • 提供者：SparkQiang

  1. 蓝牙协议的学习.pdf

  2. 适合需要蓝牙入门的同学，对蓝牙技术的发展过程，以及蓝牙的主要功能做了介绍δ)、支持电路交换和分组交换业务:监牙支持实吋的同步定向联接(SCO链路)和非实 时的异步不定向联接(ACL链路),前者主要传送语音等实时性强的信息,后者以数据包 为主。语音和数据可以单独或同时传输。蓝牙支持一个异步数据通道,或三个并发的冋步话 音通道,或同时传送异步数据和同步话音的通道。每个话音通道支持64kbps的同步话音 异步通道支持723.2/57.6kbps的非对称双工通信或433.9kbps的对称全双工通信。 (

  3. 所属分类：嵌入式

    • 发布日期：2019-10-06
    • 文件大小：1mb
    • 提供者：crethdom

  1. 机器学习算法基础学习总结

  2. 机器学习算法基础学习总结2.基本算法 2.1 Logistic回归 优点:计算代价不高,易于理解和实现。 缺点:容易欠拟合,分类精度可能不高 适用数据类型:数值型和标称型数据。 类别:分类算法。 试用场景:解决二分类问题。 简述: Logistic回归算法基于 Sigmoid函数,或者说 Sigmoid就是逻辑回归函数。 Sigmoid函数定义如下:1/(1-exp(-z))。函数值域范围(0,1)。可以用来做分 类器。 Sigmoid函数的函数曲线如下: 逻辑凹归模型分解如下:(1)首先将不同

  3. 所属分类：机器学习

    • 发布日期：2019-07-02
    • 文件大小：305kb
    • 提供者：abacaba

  1. LTE学习笔记

  2. 自己学习3GPP LTE协议时的一些有用的学习笔记，非常适合LTE初学者作为参考答疑。12接口协议栈 LTE网络中信令及用户数据流路径情况如卜: UE E-Node B NAS NAS I StAR APP SC TR RRC S1AP X2AP PDCP PDCP SCTP RLC RLC SGW MAC MAC GTPU GTPU PHY PHY UOP UDP 信令流 数据流 控制面协议栈 I UE eNode B MME NAS NAS RRC RRC PDCP PDCP RLC RLC

  3. 所属分类：讲义

    • 发布日期：2019-02-23
    • 文件大小：4mb
    • 提供者：knight_66

  1. 基于正则极限学习机的非平稳径流组合预测_孙娜.pdf

  2. 针对径流时间序列固有的强非线性和非平稳性特征，提出了一种将集合经验模式分解（EEMD）、样本熵 （SE）和正则化极限学习机（RELM）相结合的非平稳日径流预测方法（ES-RELM）。为充分提取径流序列的局 部信息以提高预测精度，利用EEMD-SE 将径流序列分解为一系列差异度明显的子序列，然后根据各子序列的迥 异特征构建了不同的RELM 模型对各子序列进行预测，最后将各个子序列的预测结果叠加从而得到最终预测结 果。将该模型应用于金沙江下游控制站屏山站的日径流预报中，与九种模型对比结果表明，该方法

  3. 所属分类：讲义

    • 发布日期：2020-09-05
    • 文件大小：1mb
    • 提供者：SparkQiang

  1. 一种基因数据分析的半监督学习算法

  2. 基因芯片技术可以一次性对大量基因序列进行检测和分析，从而得到高维的基因表达数据，因此在病理研究和临床应用等领域备受关注[1-2]。基因表达数据中基因的数目巨大，大部分都无法为样本的区分提供有用信息，因此识别出一小部分能提供足够有用信息的基因并实现很好的分类至关重要，这一小部分有效基因被称为分类特征基因。特征基因选择通常由去除分类无关基因和去除冗余基因两部分组成。GOLUB T R等人提出的特征记分准则FSC(Feature Score Criterion)用于去除分类无关基因[3]。李颖新等人[

  3. 所属分类：其它

    • 发布日期：2020-10-17
    • 文件大小：416kb
    • 提供者：weixin_38518885

  1. 关于jquery form表单序列化的注意事项详解

  2. 本文主要给大家介绍的是关于jquery form表单序列化的一些注意事项，分享出来供大家参考学习，下面话不多说，来一起看看详细的介绍： 我们先来讲讲表单中 中readonly和disabled的区别: readonly只对input和textarea有效, 但是disabled对于所以的表单元素都是有效的，包括radio，checkbox等 如果表单中使用的disabled那么用户是不能选择的，也就是说这个文本框是无法获取到焦点的，而readonly是可以获取到焦点，只是不能修改，为只读 最重

  3. 所属分类：其它

    • 发布日期：2020-12-12
    • 文件大小：78kb
    • 提供者：weixin_38616809

  1. TensorFlow深度学习之卷积神经网络CNN

  2. 一、卷积神经网络的概述 卷积神经网络（ConvolutionalNeural Network，CNN）最初是为解决图像识别等问题设计的，CNN现在的应用已经不限于图像和视频，也可用于时间序列信号，比如音频信号和文本数据等。CNN作为一个深度学习架构被提出的最初诉求是降低对图像数据预处理的要求，避免复杂的特征工程。在卷积神经网络中，第一个卷积层会直接接受图像像素级的输入，每一层卷积（滤波器）都会提取数据中最有效的特征，这种方法可以提取到图像中最基础的特征，而后再进行组合和抽象形成更高阶的特征，因此

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：138kb
    • 提供者：weixin_38682279

  1. 车干的ZigBee学习笔记十——设备间第一次对话剖析

  2. 一、设备对话流程 二、发送数据函数 AF_DataRequest( fAddrType_t *dstAddr, //目标设备地址 endPointDesc_t *srcEP, //端口描述符 uint16 cID, //命令号 uint16 len, //数据长度 uint8 *buf, //数据 uint8 *transID, //发送数据包序列号 uint8 options, //有效 位掩码的发送选项，一般设为AF_DISCV_ROUTE. uint8 rad

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：100kb
    • 提供者：weixin_38733875

  1. 使用序列模型学习表型结构

  2. 先进的微阵列技术能够同时监视所有基因的表达水平。微阵列数据分析中的一个重要问题是发现表型结构。目标是：1）找到与不同表型（例如疾病或正常表型）相对应的样品组，以及2）对于每组样品，找到使该组与其他组区别开的代表性表达模式或特征。已经针对该问题提出了一些方法，但是，共同的缺点是所识别的签名通常包括大量的基因，但是辨别力却很低。在本文中，我们提出了ag *序列模型来解决这一局限性，其中基因之间的有序表达值被有效利用。与现有方法相比，所提出的序列模型对噪声更鲁棒，并允许使用更少的基因以更大的判别力发现

  3. 所属分类：其它

  1. ballerina-integrator:一种强大的，易于学习的，代码驱动的编程集成方法-源码

  2. Ballerina积分器 一种强大的，易于学习的，代码驱动的编程集成方法-基于。 它包括一流的云原生功能以及图形序列图工具。 Ballerina Integrator吸引使用分散式集成架构，微服务和云原生应用程序的用户。 开发人员现在可以有效地为他们的集成方案编写代码，从而融合开发和集成的世界。 Ballerina Ballerina是一种新的通用编程语言，可轻松编写云原生应用程序。 请访问以了解有关Ballerina的更多信息。 主要亮点 使用基于代码的技术开发快速且资源高效的集成 B

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：34mb
    • 提供者：weixin_42160425

  1. Intro-to-rnaseq-hpc-salmon-flipped:批量RNA序列介绍-源码

  2. 使用高性能计算（HPC）的RNA-seq简介 观众 所需的计算能力 期间 生物学家 没有 3节在线研讨会（约7.5个小时，由讲师指导） 描述 该资料库提供了为期2天的RNA测序数据分析研讨会的教学材料。 该研讨会的重点是教授基本的计算技能，以有效利用高性能计算环境来实现RNA-seq数据分析工作流程。 它包括对shell（bash）和shell脚本的介绍。 除了运行来自FASTQ文件的RNA-seq工作流程以使用Salmon进行数据计数外，研讨会还涵盖了RNA-seq实验设计和数据组织/管理的最

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：52mb
    • 提供者：weixin_42171208

  1. 基于梯度下降的脉冲神经元精确序列学习算法

  2. 基于梯度下降的脉冲神经元有监督学习算法通过计算梯度最小化目标序列和实际输出序列间的误差使得神经元能激发出目标脉冲序列。然而该算法中的误差函数是基于实际输出脉冲序列和相对应的目标输出脉冲序列动态构建而成，导致算法在收敛时可能出现实际输出序列的个数和期望输出个数不相等的情况。本文针对这一缺陷提出了一种改进的脉冲神经元梯度下降学习算法，算法在学习过程中检测目标序列脉冲个数和实际激发脉冲个数，并引入虚拟实际激发脉冲和期望激发脉冲构建误差函数以分别解决激发个数不足和激发个数多余的问题。实验证明该算法能有效

  3. 所属分类：其它

« 12 3 4 5 6 7 8 »