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. 蚁群算法程序开始运行，蚂蚁们开始从窝里出动了，寻找食物；他们会顺着屏幕爬满整个画面，直到找到食物再返回窝。

  2. 程序开始运行，蚂蚁们开始从窝里出动了，寻找食物；他们会顺着屏幕爬满整个画面，直到找到食物再返回窝。 其中，‘F’点表示食物，‘H’表示窝，白色块表示障碍物，‘+’就是蚂蚁了。 预期的结果： 各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。当一只找到食物以后，它会向环境释放一种信息素，吸引其他的蚂蚁过来，这样越来越多的蚂蚁会找到食物！有些蚂蚁并没有象其它蚂蚁一样总重复同样的路，他们会另辟蹊径，如果令开辟的道路比原来的其他道路更短，那么，渐渐，更多的蚂蚁被吸引到这条较短的路上来。最后

  3. 所属分类：其它

    • 发布日期：2009-12-14
    • 文件大小：8mb
    • 提供者：wenhuahetao

  1. Probably Approximately Correct

  2. 作者是图领奖得主瓦利安特。模式识别领域的牛书。经典必备。epub格式的，适合手机平板观看。

  3. 所属分类：讲义

    • 发布日期：2015-10-26
    • 文件大小：1mb
    • 提供者：wggauss

  1. 贝叶斯思维：统计建模的Python学习法

  2. 第1章 贝叶斯定理 1 1.1 条件概率 1 1.2 联合概率 2 1.3 曲奇饼问题 2 1.4 贝叶斯定理 3 1.5 历时诠释 4 1.6 M&M豆问题 5 1.7 Monty Hall难题 6 1.8 讨论 8 第2章 统计计算 9 2.1 分布 9 2.2 曲奇饼问题 10 2.3 贝叶斯框架 11 2.4 Monty Hall难题 12 2.5 封装框架 13 2.6 M&M豆问题 14 2.7 讨论 15 2.8 练习 16 第3章 估计 17 3.1 骰子问题 17 3.2 火

  3. 所属分类：机器学习

    • 发布日期：2018-03-20
    • 文件大小：116byte
    • 提供者：data2word

  1. 计算学习理论及adaboost集群学习

  2. 计算机学习理论简介，概率近似正确PAC的学习框架；VC维度及样本复杂度；Adaboost理论计算法和应用

  3. 所属分类：讲义

    • 发布日期：2018-09-05
    • 文件大小：503kb
    • 提供者：shaoyiting

  1. 高能parton对的核p p扩展

  2. 我们重新讨论了穿过核介质的快速parton对的横向动量展宽，重点是对任何数量的颜色N且在parton传播的正则极限和目标胶子场的高斯近似范围内的对全局色态。 。 成对的横向动量概率分布是通过动力学方程方法导出的，由操作员determined确定，该算子描述了介质越过成对的颜色状态之间的可能过渡。 ℬ的指数涵盖了饱和形式主义中威尔逊线的4点相关器。 我们强调of与与硬2→2子过程有关的软胶子辐射研究中出现的异常尺寸矩阵的关系。 在对颜色状态的正确选择基础上，我们对we的任何类型的parton对

  3. 所属分类：其它

  1. 通信与网络中的IDMA通信系统中的粒子群交织算法

  2. 引言 　　先进的接入技术码分多址(CDMA)能够有效利用带宽，提高系统容量，应用广泛。IDMA交织多址是一种特殊的CDMA通信方式，使用码片级的交织序列区分用户。交织序列打乱原来编码顺序，使相邻码片近似无关，且其接收端采用码片到码片的迭代多用户检测接收方式，计算复杂度较小。作为IDMA的关键技术，交织序列的产生必须是随机和独立的，且交织序列之间互相关系数较小。但在实际中，当数据帧长度较小，且用户数较大时，随机交织后序列的互相关系数以较大概率接近于1，使接收端不能正确检测出用户数据，严重影响通信

  3. 所属分类：其它

    • 发布日期：2020-11-09
    • 文件大小：304kb
    • 提供者：weixin_38582793

  1. Diagnosis of status of aluminum reduction cells based on symmetric Alpha-stable probabilistic distribution neural networ

  2. 在铝电解槽非稳态情况下,槽参数易发生局部突变,呈现非高斯概率分布,且各种槽参数相关性较强,无法满足概率神经网络中训练样本必须服从独立同分布的假设条件,影响槽况诊断的精确度。提出一种基于对称Alpha稳定分布概率神经网络的铝电解槽况诊断方法,利用其对非高斯分布数据的良好近似拟合能力,改进模式层的径向基函数,提高概率神经网络对槽参数局部突变的适应性。通过取自某厂170kA大型预焙槽的样本进行检验表明,该方法能够对5种槽况做出正确的诊断,具有较强的分类精度和收敛速度。

  3. 所属分类：其它

    • 发布日期：2021-02-09
    • 文件大小：348kb
    • 提供者：weixin_38732252

  1. 95%置信区间

  2. 日萌社 人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）       1.最常出现的对置信区间的错误理解： 在95%置信区间内，有95%的概率包括真实参数  （错误！！） 在95%置信区下构建的模型，意味着模型参数对于试图近似的函数有95%的概率是真实值的估计值（错误！！） 2.正确解释应为： 95%置信区间，意味着如果你用同样的步骤，去选样本，计算置信区间，那么100次这样的独立过程，有95%的概率你计

  3. 所属分类：其它