搜索资源列表
Particle-Swarm-Optimization
- PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质-PSO algorithm is a kind of evolutionary algorithms，Similar and simulated annealing algorithm，It is also starting the random solution，To find the optimal solu
Wordpress_for_BAE
- 百度BAE免费云与新浪SAE相似。不支持某些PHP函数 Wordpress for BAE修改和实现的功能有： 1、替换了 wp_mail 函数，采用百度云消息来实现邮件的发送 2、解决 WordPress 在 BAE 运行时的乱码问题 3、自带一个BCS百度云存储插件，方便你上传管理文件 4、支持Wordpress固定链接即Url重写伪静态 5、中文版本的Wordpress，操作管理容易 安装说明下
pcnn
- pcnn分割，输入的灰度图像,Edge:检测到的一些边界点,Numberofaera则表明了在各次迭代时激活的块区域 利用PCNN进行图像分割时，是将每个像素对应一个PCNN神经元，归一化的像素灰度值 作为外界刺激新型号，将这些神经元按一定方式连接，就得到一个单层脉冲耦合神经网络，向 网络输入一幅图像，当某个像素对应的神经元发生脉冲，邻域内与它相似的神经元也发生脉冲， 产生的脉冲序列构成了一个二值图像序列，这样
POS
- 粒子群算法（PSO）属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。该程序适用于MATLAB中
FDPSO
- PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。-Particle Swarm optimization
liziqunsuanfa
- 粒子群算法，也称粒子群优化算法（Particle Swarm Optimization），缩写为 PSO， 是近年来由J. Kennedy和R. C. Eberhart等[1] 开发的一种新的进化算法(Evolutionary Algorithm - EA)。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(C
levin
- levin的彩色化方法,优化着色方法基于一个简单的假定：相邻的像素之间如果有相似的灰度值，那么就会有相似的颜色值。-colorization by Levin
tree
- 定义二叉树的链式存储结构，实现下列各类应用的递归算法。 （1）构建一棵二叉树，以某种形式（括号表示法、树形表示法、凹入表示法等）输出二叉树，最后释放二叉树的存储内存。 （2）分别编写程序实现：将二叉树的顺序存储结构转换成链式存储结构；将二叉树的链式存储结构转换为顺序存储结构。 （3）实现二叉树的先序、中序、后序和层次序遍历算法。输出二叉树的叶子节点。 （4）分别计算二叉树的所有节点个数，度为0、1、2的节点个数。 （5）统计二叉树中值为
myPSO
- 粒子群算法，也称粒子群优化算法或鸟群觅食算法（Particle Swarm Optimization），缩写为 PSO， 是近年来由J. Kennedy和R. C. Eberhart等[1] 开发的一种新的进化算法(Evolutionary Algorithm - EA)。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算
liziqun
- 粒子群算法，也称粒子群优化算法或鸟群觅食算法(Particle Swarm Optimization)，缩写为 PSO， 是近年来由J. Kennedy和R. C. Eberhart等 开发的一种新的进化算法(Evolutionary Algorithm - EA)。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的&q
pso
- 用于优化参数，粒子群算法，也称粒子群优化算法或鸟群觅食算法（Particle Swarm Optimization），缩写为 PSO， 是近年来由J. Kennedy和R. C. Eberhart等[1] 开发的一种新的进化算法(Evolutionary Algorithm - EA)。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单
分形维数
- 被誉为大自然的几何学的分形( fractal) 理论是现代数学的一个新分支。分形的概念最早是由美籍数学家曼德布罗特( B. B. Mandelbort) 提出 ， 分形是指部分与整体以某种方式相似的形体。自相似原则和迭代生成原则是分形理论的重要原则。它表征分形在通常的几何变换下具有不变性， 即标度无关性。分形维数是分形理论中的主要参数， 分形维数反映了复杂形体占有空间的有效性， 它是复杂形体不规则性的量度。(The fractal (f
粒子群优化算法
- 粒子群优化算法（Particle Swarm Optimization，简称为PSO），粒子群算法是近年来发展起来的一种新的进化算法，和遗传算法相似，它也是从随机解出发，通过迭代寻找最优解，通过适应度来评价解的品质(Particle swarm optimization algorithm (Particle Swarm Optimization, referred to as PSO), particle swarm algorith
区域生长法分割
- 数字图像分割算法一般是基于灰度值的两个基本特性之一：不连续性和相似性。前一种性质的应用途径是基于图像灰度的不连续变化分割图像，比如图像的边缘。第二种性质的主要应用途径是依据实现指定的准则将图像分割为相似的区域。区域生长算法就是基于图像的第二种性质，即图像灰度值的相似性。(Digital image segmentation algorithm is one of the two basic characteristics of gray
设计模式14号
- 区域生长是一种很重要的图像分割方法。它是指从某个像素出发，比较相邻接像素的特征向量(包括灰度、边缘、纹理等特征)，在预先指定的准则下，若它们足够相似则作为同一区域合并，以此方式使相似特征的区域不断增长，最后形成分割图像。(segmentation; cut apart; break up; excision; comminute)
pso
- PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的"交叉"(Crossover) 和"变异"(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行
PSO-Python
- 粒子群算法，PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。(The partic
粒子群
- 粒子群算法，也称粒子群优化算法或鸟群觅食算法（Particle Swarm Optimization），缩写为 PSO， 是近年来由J. Kennedy和R. C. Eberhart等开发的一种新的进化算法(Evolutionary Algorithm - EA)。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉
混沌时间序列分析源程序
- 因为毕业设计的原因，开始接触混沌时间序列分析，刚开始的确有些不好入门，对初学者来说一些程序自己编写挺困难，特别希望有高手指点或者有参考程序。 我在论坛上得到了大家的热心帮助，作为一个“过来人”看到论坛上经常有人求助时间序列分析的相关程序，或者想参考，或者是急用，我相信大家也遇到过相似的问题——有些贴出来的程序往往是错误的或者无法运行。 为了感谢论坛和大家的帮助，也为了帮助那些初学者更快的入门，我会在这个帖子里贴出我自己毕业设计时的M
classifier_D
- 使用SVM分类器来预测乳腺癌病人的预后(特征选择；分类器构建)，评价模型时使用无被交叉验证，性能评价指标包括准确率，AUC，灵敏度，特异度。学会最基本的机器学习方法。可查看分发给大家的代码，以后遇到类似的问题，可用相似的思路和代码。(The SVM classifier was used to predict the prognosis of breast cancer patients (feature selection; clas