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. 迭代学习控制 孙明轩

  2. 本人资源全部来自互联网，仅供学习参考、交流之用，请及时删除,如果喜欢副本内容请购买正版。 迭代学习控制 孙明轩 第一章 迭代学习控制系统 1、1 迭代学习控制系统概论 1、2 迭代学习控制过程的... 1、3 简单实例 第二章 线性系统的迭代学习控制 2、1 D 型学习律 2、2 PID 型学习律 2、3 正则线性系统的迭代... 2、4 非正则线性系统的迭... 2、5 P 型学习律 2、6 最优学习律 2、7 基于脉冲响应的学习律 第三章 非线性系统的迭代学习控制 3、1 高阶学习律 3、

  3. 所属分类：其它

    • 发布日期：2010-07-24
    • 文件大小：3mb
    • 提供者：youthb

  1. 鲁棒控制理论.pdf

  2. 第1篇 Hoo控制理论 第1章 概述 1.1 引言 1.2 鲁棒性的基本概念 1.3 多变量控制系统的鲁棒性分析 第2章 Hoo优化问题理论 2.1 Hoo优化问题的描述 2.2 Hoo优化算法 第3章 离散时间系统的Hoo理论 3.1 概述 3.2 基本理论 3.3 二次规划 3.4 Hoo控制问题 第4章 递阶／分散Hoo优化方法 4.1 动态线性系统的递阶控制算法 4.2 动态线性系统的Hoo递阶优化算法 4.3 分散Hoo控制 第5章 Hoo优化方法的性质及其实现 5.1 静态反馈与动

  3. 所属分类：其它

    • 发布日期：2010-11-24
    • 文件大小：3mb
    • 提供者：analiu1986

  1. scikit-learn-0.21.3-中文文档.pdf

  2. scikit-learn 是基于 Python 语言的机器学习工具 简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 NumPy ，SciPy 和 matplotlib 上 开源，可商业使用 - BSD许可证1.监督学习 1广义线性模型 °1.1.1普通最小二乘法 1.1.2岭回归 1.1.3LaSs0 o1.1.4多任务 Lasso 115弹性网络 o116多任务弹性网络 1.1.7最小角回归 1.1. 8 LARS Lasso 1.19正交匹配追踪法(OMP 1.1.1

  3. 所属分类：机器学习

    • 发布日期：2019-08-24
    • 文件大小：40mb
    • 提供者：h394266861

  1. 中南大学计算机学院梁毅雄老师授课-数字图像处理-考试要点答案整理

  2. 中南大学计算机学院梁毅雄老师授课考试要点答案整理。此文档受众：中南大学！计算机学院！梁毅雄老师授课学生！数字图像处理！中南大学计算机学院梁毅雄老师授课考试重点整理 2019.07.03 Canny边绿检测算法 基本原理 图象边缘检测必须满足两个条件:一能有效地抑制噪声;二必须尽量精确确 定边缘的位置。 从数学上表达了三个准则[信噪比准则(低错误率)、定位精度准则、单边缘 响应准则」,并寻找表达式的最佳解 属于先平滑后求导的方法 步骤 1)使用高欺滤波器,以平滑图像,滤除噪声。 2)计算图像中每个

  3. 所属分类：讲义

    • 发布日期：2019-07-04
    • 文件大小：5mb
    • 提供者：sinat_31857633

  1. 使用平滑的L0范数算法恢复相关行稀疏信号

  2. 分布式压缩感知（DCS）是一个新兴的研究领域，它利用了信号内和信号间的相关性。 本文关注于稀疏信号的恢复，该稀疏信号可以被建模为在同一位置集具有不同非零系数的联合稀疏模型​​（JSM）2。 利用平滑的L0范数算法将非凸且难处理的混合L2,0范数优化问题转换为可解决的问题。 与一系列的单测量矢量问题相比，该方法可以充分利用信号间的相关性，从而获得更好的重建性能。 仿真结果表明，在无噪声和高噪声情况下，我们的算法均优于L1,1规范优化，并且与L1,2恢复相比，其对热噪声的鲁棒性更高。 此外，借助利用

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：329kb
    • 提供者：weixin_38649091

  1. 高斯-拉普拉斯混合模型的鲁棒性人脸幻觉

  2. 由于具有出色的自然图像稀疏度表征能力，因此，在基于字典学习的面部幻觉中，ℓ1-范数稀疏表示（SR）被广泛用于表述线性组合关系。 但是，由于嘈杂图像的固有稀疏性，Laplacian先验假定为ℓ1范数在稀疏性方面似乎具有攻击性，最终导致出现噪声时幻觉性能显着下降。 为此，我们建议使用一个中等稀疏的先验模型，称为高斯-拉普拉斯混合（GLM）分布，并在贝叶斯框架下采用它来推断最优解。 由此产生的正则化方法已知的弹性网（EN）不仅在无噪声的情况下保持与SR相同的幻觉性能，而且在存在噪声的情况下也明显优于后

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：288kb
    • 提供者：weixin_38723105

  1. 基于加权红外斑块图像模型的小目标检测

  2. 为了进一步提高红外小目标检测的效果，提出了一种加权的红外斑块图像模型。 首先，作者指出，红外斑块图像模型中的核范数很容易在目标斑块图像中留下一些稀疏的背景边缘，从而导致背景估计不准确。 然后，为了克服该缺陷，采用了加权核规范来约束背景斑块图像，从而可以更好地保留背景边缘。 考虑到某些非目标稀疏点不能仅使用l 1范数来抑制，因此作者引入了重新加权的l 1范数以进一步增强目标图像的稀疏性。 最后，将提出的模型公式化为重加权的鲁棒主成分分析问题，并通过不精确的增强拉格朗日乘数法进行求解。 大量实验表明

  3. 所属分类：其它

  1. 借助向量离群值正则化重新审视L2,1-范数鲁棒性

  2. 借助向量离群值正则化重新审视L2,1-范数鲁棒性

  3. 所属分类：其它

  1. 通过正则化自我表示进行无监督特征选择

  2. 通过去除不相关和多余的特征，特征选择旨在找到具有良好泛化能力的原始特征的紧凑表示。 随着无标签数据的普及，无监督特征选择已显示出可有效减轻维数的诅咒，对于全面分析和理解无标签高维数据的无数至关重要，这是由于子空间聚类中低秩表示法的成功所致，我们提出了一种用于无监督特征选择的正则化自我表示（RSR）模型，其中每个特征都可以表示为其相关特征的线性组合。 通过使用L-2，L-1-范数来表征表示系数矩阵和表示残差矩阵，RSR有效地选择了代表性特征并确保了对异常值的鲁棒性。 如果某个特征很重要，则它将参与

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：805kb
    • 提供者：weixin_38691703

  1. 基于局部敏感核稀疏表示的视频跟踪

  2. 为了解决1范数约束下的稀疏表示判别信息不足的问题,该文提出基于局部敏感核稀疏表示的视频目标跟踪算法。为了提高目标的线性可分性,首先将候选目标的SIFT特征通过高斯核函数映射到高维核空间,然后在高维核空间中求解局部敏感约束下的核稀疏表示,将核稀疏表示经过多尺度最大值池化得到候选目标的表示,最后将候选目标的表示代入在线的SVMs,选择分类器得分最大的候选目标作为目标的跟踪位置。实验结果表明,由于利用了核稀疏表示下数据的局部性信息,使得算法的鲁棒性得到一定程度的提高。

  3. 所属分类：其它

  1. ConvNorm：卷积归一化的正式实施：改进深度神经网络的鲁棒性和培训-源码

  2. 转换规范 该存储库是卷积归一化的官方实现：提高深度神经网络的鲁棒性和培训 我们介绍了一种简单有效的“卷积归一化”方法，该方法可以充分利用傅立叶域中的卷积结构，并作为简单的即插即用模块，可以方便地合并到任何ConvNets中。 我们表明，卷积归一化可以减少权重矩阵的分层频谱范数，从而改善网络的Lipschitzness，从而为深度ConvNets简化训练并提高鲁棒性。 将其应用于噪声破坏和生成对抗网络（GAN）下的分类中，我们表明卷积归一化可提高常见ConvNet（例如ResNet）的鲁棒性和GA

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：49kb
    • 提供者：weixin_42120541

  1. L_inf-dist-net：这是官方的github仓库，用于训练具有高认证准确性的L_inf dist网络-源码

  2. L_inf-dist网络：使用带有L_inf-dist神经元的神经网络来证明L_inf的鲁棒性 介绍 这是训练L_inf-dist网络的官方代码，L_inf-dist网络是一种从理论上讲具有固有抵抗L_inf-范数摄动的神经网络。 我们始终在常用数据集上取得最先进的性能：eps = 0.3时，MNIST的认证准确性为93.09％ ，eps = 0.1时，Fashion-MNIST的认证为79.23％ ，eps = 8/255时，CIFAR-10为35.10％ 。 我们的论文在。 依存关系 火炬1

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：25kb
    • 提供者：weixin_42168555