搜索资源列表
自适应神经网络在确定落煤残存瓦斯量中的应用
- 落煤残存瓦斯量的确定是采掘工作面瓦斯涌出量预测的重要环节,它直接影响着采掘工作面瓦斯涌出量预测的精度,并与煤的变质程度、落煤粒度、原始瓦斯含量、暴露时间等影响因素呈非线性关系。人工神经网络具有表示任意非线性关系和学习的能力,是解决复杂非线性、不确定性和时变性问题的新思想和新方法。基于此,作者提出自适应神经网络的落煤残存瓦斯量预测模型,并结合不同矿井落煤残存瓦斯量的实际测定结果进行验证研究。结果表明,自适应调整权值的变步长BP神经网络模型预测精度高,收敛速度快 该预测模型的应用可为采掘工作面瓦斯涌
sd22
- 粗粒度并行遗传算法,用于流域梯级水电站群的优化调度。-Coarse-grained parallel genetic algorithm for the watershed of Cascade Hydropower Stations optimization.
Parallel_Artificial_Immune_Algorithm_for_Large_Sca
- 为求解大规模TSP 问题, 提出了并行人工免疫系统的塔式主从模型(TMSM), 和基于TMSM 的并行免疫记忆克隆选择算法(PIMCSA) TMSM 是粗粒度的两层并行人工免疫模型, 其设计体现了分布式的免疫响应和免疫记忆机制. PIMCSA 用疫苗的迁移代替了抗体的迁移, 兼顾了种群多样性的保持和算法的收敛速度. 与其他算法相比, PIMCSA 在求解精度和运行时间上都更具优势, 而且问题规模越大优势越明显. TMSM 很好地体现了免疫系统的特性, PIMCSA 是适合求解大规模复杂优化问
nding
- RBF神经网络的磨矿粒度预测模型RBF neural network prediction model of Particle Size of Grinding-RBF neural network prediction model of Particle Size of Grinding
CGPA
- 基于三个子种群的粗粒度并行遗传算法用于解决函数优化问题-The coarse-grained parallel genetic algorithm for sloving the function optimization based on three sub-popolations.
TRAOD_Algorithm
- 基于轨迹划分的异常轨迹检测方法。首先采用两种分段粒度将每条轨迹分为若干子轨迹线段,然后,在基于距离的异常检测方法的基础上,引入调整系数的概念,采用密度与距离相结合的方法进行异常轨迹检测。 -Abnormal trajectory detection method based on trajectory partition.Firstly each trajectories should be divided into several substrajectories using two gr
5-14
- 细粒度鸟类种类分类,用于区分不同的鸟类种类。数据集为CUB200-20-Fine-grained bird species classification, used to distinguish between different bird species. Data set CUB200-2011