搜索资源列表
burg
- 实现极限学习的功能，实现全局最优化，避免局部最优解，收敛速度快速。-Realize the function of limit learning, realize global optimization, avoid local optimal solution, fast convergence speed.
SA
- 模拟退火算法，客服陷入局部最小缺陷，进行全局最优化求解。-Simulated annealing algorithm, customer service into a local minimum defect and solving global optimization.
QPSO
- 量子粒子群优化算法以量子力学原理为基础，用波函数描述粒子的运动状 态，通过测量操作引导粒子搜索全局最优解。量子系统的不确定性决定了粒子能够以一定的概率出现在整个可行域内，克服了粒子群优化算法因为粒子速度的限制， 使粒子只能限定在某个局部区域的问题。(Quantum particle swarm optimization (QPSO) algorithm is based on the principle of quantum mechanics. The wave function is use
算法
- floyd算法又称为插点法，是一种利用动态规划的思想寻找给定的加权图中多源点之间最短路径的算法，模拟退火算法是局部最优解能概率性地跳出并最终趋于全局最优，遗传算法是一种通过模拟自然进化过程搜索最优解的方法。(The Floyd algorithm is also known as the insertion point method, which is a multi weighted graph using the idea of dynamic programming for the giv
psoSVM
- 粒子群算法入门必备，超详细。 在全局版的标准粒子群算法中，每个粒子的速度的更新是根据两个因素来变化的，这两个因素是：1. 粒子自己历史最优值pi。2. 粒子群体的全局最优值pg。如果改变粒子速度更新公式，让每个粒子的速度的更新根据以下两个因素更新，A. 粒子自己历史最优值pi。B. 粒子邻域内粒子的最优值pnk。其余保持跟全局版的标准粒子群算法一样，这个算法就变为局部版的粒子群算法。(The introduction of particle swarm algorithm is essent
compute_mapping
- 输入： 二维矩阵；输出：降维结果； 共包含34种降维方法，线性/非线性；局部/全局；监督/非监督(Input: 2-D matrix; output: dimension reduction result; contains 34 dimensionality reduction methods, linear / nonlinear; local / global; supervised / unsupervised.)
PSOTrainBP
- BP神经网络容易陷于局部极小值，PSO算法在无约束非线性函数优化方面性能优越，通常可以直接找寻到全局最优解，即使不能搜多到全局最优解，也距离全局最优点不远。当然，基本PSO算法陷入局部极值也是有的。对于这个缺点目前还没有找到比较有效、省市的解决方案。本案例实现利用PSO算法和BP算法共同训练神经网络，先将网络进行PSO算法训练，然后BP算法接着进行小范围精细搜索，PSO算法训练神经网络的本质就是将输出误差函数（即能量函数）看成目标函数，PSO对能量函数进行全局寻找最小值。(BP neural n
LLRGTV
- Hyperspectral Image Denoising Using Local Low Rank Matrix Recovery and Global Spatial Spectral Total Variation
PSOGA
- 粒子群优化算法，弥补pso全局搜能力差，GA局部搜索能力差的不足(Particle Swarm Optimization (PSO) can make up for the deficiencies of poor global search ability of PSO and poor local search ability of GA.)
rbf
- RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。 简单说明一下为什么RBF网络学习收敛得比较快。当网络的一个或多个可调参数（权值或阈值）对任何一个输出都有影响时，这样的网络称为全局逼近网络。由于对于每次输入，网络上的每一个权值都要调整，从而导致全局逼近网络的学习速度很慢。BP网络就是一个典型的例子。(RBF network