精华内容
下载资源
问答
  • 针对现有轨迹数据压缩算法难以确定压缩阈值的缺点,提出了自适应参数的轨迹压缩算法。该算法根据用户期望达到的压缩效果,按照优先保证压缩比的策略,在保证压缩效率和压缩效果的情况下,帮助用户自动确定压缩阈值,...
  • 针对高光谱遥感图像的小目标检测问题,提出了一种基于自适应参数支持向量机(SVM)的检测方法。采用主成分分析(PCA)法对高光谱遥感图像进行降维,降低数据冗余度;之后通过无监督检测方法对小目标进行快速、粗糙定位,...
  • 这个关于PSO算法的自适应参数调节文章中的代码,代码出自外国作者之手,绝对不是我瞎造的。作者告诫我说,这是他的初版。
  • 自适应控制中,我们会得到一个类似于像辨识的参数的一项,即自适应参数估计项,注意:这并不能代表这项就能代表辨识的参数,因为多数时候该项并不能收敛到参数真值,甚至有时候系统状态稳定,但该值发散!...

    Note:

    • 自适应控制中,我们会得到一个类似于像辨识的参数的一项,即自适应参数估计项,注意:这并不能代表这项就能代表辨识的参数,因为多数时候该项并不能收敛到参数真值,甚至有时候系统状态稳定,但该值发散!
    • 自适应控制和系统辨识没有任何关系,自适应控制也不能代替系统辨识!
    • 不能简单用自适应控制中的参数来代替系统辨识,这在方向上本身就是错的!因为这一项,是根据李雅普诺夫函数硬生生凑出来的!

    结论:

    自适应参数估计与系统辨识根本就是两种东西,前者通过李雅普诺夫稳定性理论凑参数,后者是根据激励数据辨识系统参数!自适应参数估计项不能代替系统参数辨识来使用!!!

    案例:

    给定一个非线性弹簧系统,自适应弹簧刚度,simulink仿真框图如下:

    在这里插入图片描述


    其中u为:

    function y = fcn(u)
    y = u(1)*u(4)^2+u(2)*u(3);
    

    sys为:

    function dot_x = fcn(u)
    dot_x = u(1)^2*u(2)+u(3);
    

    e x 2 ex^2 ex2为:

    function y = fcn(u)
    y = u(1)*u(2)^2;
    

    对比自适应参数估计项与真实值的区别,仿真结果如下:


    在这里插入图片描述


    上图中,蓝线为类似于辨识参数的自适应项,黄线为真实值,甚至发现,实际参数与自适应估计参数连符号都不相同,由此可见:确实不能简单的使用自适应参数估计项来代替实际系统参数!


    参考链接:

    展开全文
  • 目前主流的基于暗原色先验的去雾方法的参数选择较为单一,难以适应多种不同的雾天图像,针对这个问题,本文提出了自适应参数优化的图像去雾算法。本文通过实验发现去雾时ω权值与大气光值存在一定的关系,并基于这种...
  • 文章目录一、理论基础1、基本鲸鱼优化算法2、基于自适应参数及小生境的改进鲸鱼优化算法(1)自适应概率阈值(2)自适应位置权重(3)预选择小生境技术二、算法流程图三、仿真实验与结果分析四、参考文献五、Matlab...

    一、理论基础

    1、基本鲸鱼优化算法

    请参考这里

    2、基于自适应参数及小生境的改进鲸鱼优化算法

    (1)自适应概率阈值

    本文引入自适应参数代替原有的概率阈值,该自适应阈值可随着算法的迭代在 [ 0 , 1 ] [0,1] [0,1]变化,使得鲸鱼在不同时期有较大的概率选择到适合当前群体的捕食策略,从而协调算法的全局探索和局部开发能力,提高算法收敛速度。其数学表达式如下: a d a p t i v e _ p = 1 − [ 1 1 + λ ⋅ ( λ ⋅ t λ m a x _ i t e r λ + μ ⋅ t μ m a x _ i t e r μ ) ] (1) adaptive\_p=1-[\frac1{1+\lambda}\cdot(\lambda\cdot\frac{t^\lambda}{max\_iter^\lambda}+\mu\cdot\frac{t^\mu}{max\_iter^\mu})]\tag{1} adaptive_p=1[1+λ1(λmax_iterλtλ+μmax_iterμtμ)](1)其中, t t t为当前迭代次数; m a x _ i t e r max\_iter max_iter为最大迭代次数; λ , μ \lambda,\mu λ,μ为控制参数,取值为 λ = 3 , μ = 2 \lambda=3,\mu=2 λ=3,μ=2。因此,可将鲸鱼狩猎行为的计算公式改写为: X ( t + 1 ) = { X ∗ ( t ) − A ⋅ D      i f    p < a d a p t i v e _ p D ′ ⋅ e b l ⋅ c o s ( 2 π l ) + X ∗ ( t ) i f    p ≥ a d a p t i v e _ p (2) \boldsymbol X(t+1)=\begin{dcases}\boldsymbol X^*(t)-\boldsymbol{A\cdot D}\quad\quad\quad\quad\,\,\,\,\quad if\,\,p<adaptive\_p\\\boldsymbol D'\cdot e^{bl}\cdot cos(2\pi l)+\boldsymbol X^*(t)\quad if\,\,p≥adaptive\_p\end{dcases}\tag{2} X(t+1)={X(t)ADifp<adaptive_pDeblcos(2πl)+X(t)ifpadaptive_p(2)由式(2)可知,在算法迭代初期,自适应阈值较大,使得鲸鱼有较大的概率选择收缩包围机制;在算法迭代后期,自适应
    阈值较小,将有较大概率选择螺旋位置更新,因此,鲸鱼由原来两种方式同步进行转变为先收缩包围再进行螺旋位置更新,使得其更快地靠近猎物,提升算法收敛速度。

    (2)自适应位置权重

    受文献[2,3]的启发,本文将自适应参数作为权重系数,结合式(2)对WOA的位置更新进行调整,定义如下: ω = 1 λ + μ ⋅ ( λ ⋅ t λ m a x _ i t e r λ + μ ⋅ t μ m a x _ i t e r μ ) (3) \omega=\frac1{\lambda+\mu}\cdot(\lambda\cdot\frac{t^\lambda}{max\_iter^\lambda}+\mu\cdot\frac{t^\mu}{max\_iter^\mu})\tag{3} ω=λ+μ1(λmax_iterλtλ+μmax_iterμtμ)(3) X ( t + 1 ) = ω ⋅ X ∗ ( t ) − A ⋅ D (4) \boldsymbol X(t+1)=\omega\cdot\boldsymbol X^*(t)-\boldsymbol{A\cdot D}\tag{4} X(t+1)=ωX(t)AD(4) X ( t + 1 ) = ω ⋅ X r a n d ( t ) − A ⋅ D (5) \boldsymbol X(t+1)=\omega\cdot\boldsymbol X_{rand}(t)-\boldsymbol{A\cdot D}\tag{5} X(t+1)=ωXrand(t)AD(5) X ( t + 1 ) = D ′ ⋅ e b l ⋅ c o s ( 2 π l ) + ( 1 − ω ) ⋅ X ∗ ( t ) (6) \boldsymbol X(t+1)=\boldsymbol D'\cdot e^{bl}\cdot cos(2\pi l)+(1-\omega)\cdot\boldsymbol X^*(t)\tag{6} X(t+1)=Deblcos(2πl)+(1ω)X(t)(6)其中, λ = 2 , μ = 2 \lambda=2,\mu=2 λ=2,μ=2 ω ∈ [ 0 , 1 ] \omega∈[0,1] ω[0,1]。当 ω \omega ω随迭代次数增加而增加时,表明经过每次迭代所选择的猎物也即是当前种群的最优解随着自身适应度的提高,其对种群中的鲸鱼产生的吸引力也越强;同样,随着迭代的进行,种群中随机选择的鲸鱼所传达的信息可信度也会随之增高,因此,在式(4) (5)中权重系数随着迭代次数增加而增加,根据自适应的权重变化,使得鲸鱼能够更准确地找到猎物,从而提高算法收敛速度和寻优精度;但在算法迭代后期进行螺旋位置更新时,鲸鱼将向猎物靠近, 此时应采用较小的权重系数,如式(6)所示,使得鲸鱼更新位置的同时能够更好地寻找猎物周围是否存在更优解,以此提高算法的局部开发能力。

    (3)预选择小生境技术

    本文将算法迭代前后每条鲸鱼的位置分别存储在记忆矩阵 M L \boldsymbol M_L ML M N \boldsymbol M_N MN的行向量中,若 M L \boldsymbol M_L ML i i i行所代表的鲸鱼的适应度优于 M N \boldsymbol M_N MN中第 i i i行所代表鲸鱼的适应度,则将 M N \boldsymbol M_N MN的第 i i i行以 M L \boldsymbol M_L ML中的第 i i i行进行替换,即若位置更新后的鲸鱼适应度较优则保留;否则使该鲸鱼返回原来的位置,避免鲸鱼全部聚集在某个局部最优点,从而维持种群多样性,提高算法的全局寻优能力。

    二、算法流程图

    在这里插入图片描述

    图1 APN_WOA算法流程图

    三、仿真实验与结果分析

    在相同的种群大小和迭代次数条件下,比较改进算法与传统WOA以及灰狼优化(grey wolf optimizer,GWO)算法在基准测试函数上算法的收敛速度和寻优精度,证明本文所提出的APN- WOA的有效性。以F1、F2、F3、F4、F5、F6函数为例。
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    在这里插入图片描述

    四、参考文献

    [1] 刘亮,何庆.一种求解函数优化问题的改进鲸鱼优化算法[J].计算机应用研究,2020,37(4):1004-1009.
    [2] 何庆, 魏康园, 徐钦帅. 基于混合策略改进的鲸鱼优化算法[J]. 计算机应用研究, 2019, 36(12):3647-3651,3665.
    [3] 董文永,康岚兰,刘宇航,李康顺. 带自适应精英扰动及惯性权重的反向粒子群优化算法[J]. 通信学报, 2016, 37(12): 1-10.
    [4] 郑敏, 高俊波. 一种多模态优化的小生境遗传算法[J]. 计算机系统应用, 2014, 23(10):101-106.

    展开全文
  • 为提高TCP ( Transfer Control Protocol)流的平均发送数率,减少发送数率的波动,提高网络性能,提出了一种基于自适应参数设置的AIMD ( Additive Increase Multiplicative Decrease)算法(A-AIMD算法)。仿真结果表明,在...
  • 自适应参数的DE算法——JADE,L-SHADE

    千次阅读 多人点赞 2020-07-12 10:40:08
    最近复写一个DE[1](差分进化算法)参数自适应策略的变体L-SHADE[2](CEC冠军算法)的matlab版本,发现其提出的自适应策略对DE改进效果明显,于是把其前身JADE[3]整合到一起做个笔记(公式太多,就直接用文章里的...


    最近复写一个DE[1](差分进化算法)参数的自适应策略的变体L-SHADE[2](CEC冠军算法)的matlab版本,发现其提出的自适应策略对DE改进效果明显,于是把其前身JADE[3]整合到一起做个笔记(公式太多,就直接用文章里的截图了)。
    简单记录差分进化算法的进化机制:初始化——变异——交叉——选择,其中关键参数为变异步骤的变异系数F与交叉步骤的交叉概率CR,经典DE算法中变异系数F设定为固定值0.5,而交叉概率CR则随机从[0,1]中产生。
    (代码下载~~:https://download.csdn.net/download/Bernard_S/12608560,附一个测试函数,需要其他的可以联系我~~ ,突然发现下载的C币会自动增长,需要的就直接评论留邮箱吧)

    JADE

    JADE的改进为如下几个方面:
    **1.提出新的变异策略:**DE/current-to-best/1, 公式如下
    在这里插入图片描述
    其中,Xbest,g为随机选择一个种群中适应度排序前p*Np(Np为种群规模)的个体,p为给定比例(文中设定P为[5%,25%])。Xr1,g为种群中随机选择的个体,Xr2,g为当前种群与外部存档集合中随机选择的个体,外部存档A储存每代进化中变异交叉失败的个体,其规模固定为NP,超出规模则随机删减其中个体。
    2.自适应的参数调整策略
    JADE针对变异系数F与交叉概率CR的自适应策略如下:
    首先初始化两个参数的Mu
    在这里插入图片描述
    每一代进化中,参数更新方式如下
    在这里插入图片描述
    其中randn为状态分布,randc则为柯西分布。我认为这里选择柯西分布原因如下:大家知道,对比正态分布,柯西分布的尾部更为平滑,即选取到分布两侧值的概率更大,所以文章提到柯西分布使得变异系数F更为多样,可以避免算法早熟收敛。

    每一代进化中,Mu的更新方式如下
    在这里插入图片描述
    在这里插入图片描述
    其中,SF,SCR为成功参数集合,即本代交叉变异有效的个体对应的参数F,CR构成的集合。c为给定的值(文章给定1/c=[5,20])。meanA为标准的算数均值,meanL为 Lehmer mean,其作用是传递更大的F,以提高收敛速率,计算公式如下:
    在这里插入图片描述
    个人理解其自适应参数策略如下: 将成功进化的个体对应的参数记录下来,并依据这些参数选取对应的均值,依照均值构建概率分布并在其中选择下一代参数。这样逐渐的随着迭代参数会自适应调节,且不会使得参数过于一致从而失去了多样性。

    LSHADE

    对比上述的JADE,LSHADE采用相同的变异策略DE/current-to-best/1,而其主要改进为参数的自适应调节策略:

    1.基于历史记忆的参数策略
    初始化历史集 MCR(1:H)=0.5,MF(1:H)=0.5
    在这里插入图片描述
    其中,H为给定值(文章给定H=100)。

    参数的更新

    在这里插入图片描述
    其中,ri为[1,H]间的随机整数,┴为自定义终止值,即当Mcr满足该终止值后,CR置零,强制每代中仅一个维度进行交叉以提高收敛速率。

    历史集的更新

    文章给出的伪码如下:在这里插入图片描述
    其中SF,SCR仍为成功参数集合。即每一次迭代更新历史集中的一个位置的值,超出位置H则从位置1进行新一轮更新。更新过程中,若成功参数集为空,则该位置学习上一位置的值。否则采用meanWL进行计算,其公式如下:
    在这里插入图片描述
    其中f()为对应适应度值,该公式即通过适应度变化幅度确定权重在原本的Lehmer mean中考虑了权重的影响。
    值得注意的是,从历史更新伪代码中可见,当某一代Scr均小于零以后,MCR的值设为终止值,同时CR强制置零。而由于上一代MCR终止,会使得之后所有的MCR终止。这个策略可能是认为所有Scr均小于零意味着注重于局部开采的个体更有益于当前的搜索,于是不再对CR进行更新从而强制所有的个体开始专注开采。

    2.群体规模的自适应
    LSHADE定义了群体规模的自适应方法
    在这里插入图片描述
    其中Ninit为初始种群规模,Nmin为最终种群规模(文章给定为4)MAX_NEF为最大适应度评价次数,NEF为当前适应度评价次数。同时每代中多出的个体将依适应度删去较差的。
    这种设计可能是为了在后期将算法专注于开采,由于将不必要的个体删除,使得同样适应度评价次数下保留的个体可以多次进化以挖掘最优解。

    参考文献

    [1] R. Storn and K. Price, “Differential Evolution - A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces,” J. Global Optimiz., vol. 11, no. 4, pp. 341–359, 1997.
    [2] Tanabe R, Fukunaga AS. Improving the search performance of SHADE using linear population size reduction. In: IEEE Congress on Evolutionary Computation (CEC), Beijing, China: IEEE Press, 2014.
    [3] J. Zhang and A. C. Sanderson, “JADE: Adaptive Differential Evolution With Optional External Archive,” IEEE Tran. Evol. Comput., vol. 13, no. 5, pp. 945–958, 2009.

    展开全文
  • 自适应参数是如何设置和适应变化的 可以设置参数 innodb_dedicated_server=ON来让MySQL自动探测服务器的内存资源,确定innodb_buffer_pool_size, innodb_log_file_size 和 innodb_flush_method 三个参数的取值。...


    640?wx_fmt=png


    |作者简介

    李春,沃趣科技联合创始人,高级MySQL数据库专家,浙江大学数据库硕士

    从事MySQL相关工作10年+。曾作为阿里巴巴MySQL数据库leader,负责产品,应用架构的优化和部署;实现了阿里巴巴3亿产品从Oracle小型机到MySQL SSD的平滑迁移。技术上专注于MySQL复制、数据一致性、数据安全性、扩展性和运维自动化的领域。


    |什么是自适应参数

    MySQL8.0推出一个号称可以自适应服务器的参数,保证在各种不同的服务器、虚拟机、容器下自动适配服务器资源,让我们一起来看看到底它能做到什么地步。


    |自适应参数是如何设置和适应变化的

    可以设置参数 innodb_dedicated_server=ON来让MySQL自动探测服务器的内存资源,确定innodb_buffer_pool_size, innodb_log_file_size 和 innodb_flush_method 三个参数的取值。具体取值策略如下。

    innodb_buffer_pool_size:

    • <1G: 128M(innodb_dedicated_server=为OFF时的默认取值)

    • <=4G: 探测到的物理内存 * 0.5

    • >4G: 探测到的物理内存 * 0.75

    innodb_log_file_size:

    • <1G: 48M(innodb_dedicated_server=为OFF时的默认取值)

    • <=4G: 128M

    • <=8G: 512M

    • <=16G: 1024M

    • >16G: 2G

    innodb_flush_method:

    如果系统允许设置为O_DIRECT_NO_FSYNC。如果系统不允许,则设置为InnoDB默认的Flush method。 

    上述这些参数在MySQL每次启动时自动探测服务器(包括虚拟机和容器的内存)配置并自动生效。


    |自适应参数使用注意

    • innodb_dedicated_server默认设置为OFF,不会自适应调整3个参数值。该参数也不是动态参数,无法动态调整,也就是说MySQL启动后无法修改这个参数

    • innodb_dedicated_server=ON 设置以后它其实只探测了服务器内存,所以目前只能自适应调整内存相关的三个参数

    • innodb_dedicated_server=ON的情况下,如果还显式设置了 innodb_buffer_pool_size / innodb_log_file_size / innodb_flush_method 参数,显示设置的这些参数会优先生效,并且在MySQL的错误日志中会打印如下内容:

    640?wx_fmt=png

    'variable name' 指的就是 innodb_buffer_pool_size/innodb_log_file_size/inndob_flush_method参数。 

    注意:你不管是在配置文件、命令行、还是MySQL新引入的固化配置中设定上述三个参数都被认为是显式指定了参数值,都会优先生效。

    • 显示指定某一个值,并不会影响其他变量的自适应参数值设置。例如显式设置了innodb_buffer_pool_size,那么buffer pool会按照你显示设置的值初始化,而不是 innodb_dedicated_server参数对应的值。但是innodb_log_file_size 和 innodb_flush_method 并不会受影响,它们还是会按照innodb_dedicated_server的自适应值按照服务器的内存大小来设置。

    • innodb_dedicated_server=ON的情况下,mysqld服务进程每次重启后都会自动调整上述三个参数值。在任何时候MySQL都不会将自适应值保存在持久配置中。

    • 如果系统不支持O_DIRECT_NO_FSYNC,MySQL会沿用之前的默认值。MySQL仍然必须保证在所有平台上能正常启动,不需要任何其他更改。

    • 如果自适应导致innodb_log_file_size对应的redo log file超过了磁盘空间限制(这个空间得有多小!),将会采取以下措施:

      • 新生成的日志文件redo log将被删除

      • 错误日志显示如下

    
     
    1. "[ERROR] InnoDB: Error number 28 means 'No space left on device'

    2.  [ERROR] InnoDB: Cannot set log file to size MB"

    * mysqld服务拒绝启动。
    • innodb_dedicated_server=ON并不见得是最优的配置。例如,你用了MyISAM,MyRocks等其他存储引擎时,建议手工调整,而不是设置innodb_dedicated_server=ON

    • XFS系统请手工设置inndob_flush_method=O_DIRECT。在inndob_flush_method=O_DIRECT_NO_FSYNC下,InnoDB使用O_DIRECT来刷新IO,但是跳过fsync()步骤。对某些文件系统有效,但是对XFS文件系统并不适用。为了保证文件的metadata刷新到磁盘中,XFS必须使用O_DIRECT。

    |自适应之前是怎么样的

    在5.7上,innodb_buffer_pool_size默认为134217728即128MB,如果采用默认设置,MySQL 5.7大致只能消耗系统的512M内存。 

    而innodb_log_file_size=50331648 即48M,对于大并发下的请求并不适用。 

    这也导致大量文章建议采用相应的方法优化设置这些参数,例如: 

    https://www.percona.com/blog/2015/06/02/80-ram-tune-innodb_buffer_pool_size/ 

    https://www.percona.com/blog/2008/11/21/how-to-calculate-a-good-innodb-log-file-size/ 

    https://www.percona.com/blog/2017/10/18/chose-mysql-innodb_log_file_size/ 

    MySQL 8.0提供了innodb_dedicated_server=ON这个参数可以很大程度解决这方面的问题。


    |为什么调整这几个参数而不是其他参数

    这个参数在InnoDB上对性能的影响相对较大,并且也是最急迫需要自适应调整的几个参数。(个人觉得innodb_buffer_pool_instances也应该在自适应调整的范围内) 

    目前它也只是探测了系统内存,实现起来比较简单,并且对性能改进非常有效,基本能解决绝大部分入门DBA安装的性能问题。就像一个在班级成绩排名倒数的同学,先帮他解决了60分及格的问题再考虑提高到班级前10名。 

    要解决其他问题,例如sort_buffer_size,read_rnd_buffer_size等连接内存自适应调整,需要对内存的精细控制,并且各种应用访问方式并不一样,并不是那么容易自适应;而innodb_read_io_threads,innodb_write_io_threads等需要根据CPU核数调整,也跟应用访问模式有一定关系;对于innodb_io_capacity而言,要探测底层存储设备具体的IO能力,并相应设置,也不是一个简单的工作。 

    到底其他影响性能的自适应参数什么时候调,只能敬请期待了。


    |适应场景

    • 运行MySQL的服务器上是专门给MySQL提供服务的。innodb_dedicated_server的默认设置都是假设这个服务器的资源,MySQL都能用起来。


    |不适应场景

    • 单机多实例情况下不适应。

    • 其他有特殊场景要求的不适用。比如:不是主要以InnoDB为存储引擎的;服务器上还有其他应用程序的等等。


    |重大意义

    各位云厂商的同志们有福了,利用这个参数就可以保证服务器(虚拟机或者容器)扩展以后,MySQL能“自适应”以尽量消耗更多的服务器资源,而不用自己设计一个自动扩展MySQL服务器资源配置的脚本。既避免了服务器扩展以后MySQLbuffer pool不变等,使用不了那么多资源;也避免了服务器缩减了以后MySQLbuffer pool过大等,导致MySQL服务进程启动不起来。

    这个参数的改变,也意味着:

    • 后续MySQL的类似参数会越来越优化,DBA排查问题时对MySQL参数的考虑会越来越少

    • MySQL的运维DBA的工作越来越简单了,MySQL也会越来越智能


    640.gif?


    加入知数堂

    挑战40万+年薪!



    640?640?640?640?


    知数堂

    叶金荣与吴炳锡联合打造

    领跑IT精英培训

    行业资深专家强强联合,倾心定制

    MySQL实战/MySQL优化/MongoDB / Python/ SQL优化

    数门精品课程

    “阅读原文”可获更多正课试听视频

    密码:hg3h

    紧随技术发展趋势,定期优化培训教案

    融入大量生产案例,贴合企业一线需求

    社群陪伴学习,一次报名,可学1年

    DBA、开发工程师必修课

    上千位学员已华丽转身,薪资翻番,职位提升

    改变已悄然发生,你还在等什么?

    640.png?



    640?wx_fmt=gif


    640?wx_fmt=gif




    加入QQ技术交流群

    扫码加入知数堂4群-王者峡谷

    (QQ群号:650149401)

          

    640?wx_fmt=png

    展开全文
  • 针对传统的MMSE算法对多径时变信道的适应能力较差,提出了一种自适应参数MMSE信道估计系数调整算法。通过对信道均方根时延扩展(RMS Delay Spread)和对信噪比的估计,自适应地调整信道估计参数并生成准最佳的MMSE...
  • Computer Engineering and Applications 计算机工程与应用 2010 46 26 7 具有自适应参数的粗糙k-means 聚类算法 周 涛12 ZHOU Tao12
  • 针对上述问题, 本文提出了一种基于模拟退火遗传算法的动态LoRa传输参数自适应配置策略, 在能耗约束的条件下可实现对多种异构业务的数据传输需求, 并可提高单网关网络可支持的终端设备数量和数据吞吐量. 基于LoRaSim...
  • 为消除经典P-M方法在图像平滑时引起的“阶梯”效应,提出了基于自适应参数的高阶偏微分方程图像平滑方法,并且利用Mean Shift的核密度估计方法来确定各点阈值参数。与固定阈值参数的各向异性扩散方法相比,该方法...
  • 提出一种基于混沌思想的模糊自适应参数策略的粒子群优化算法,它利用模糊策略较强的适应能力及混沌运动遍历性、随机性等特点,对标准粒子群优化算法进行了改进,并证明了算法的收敛性。对几种典型测试函数的测试结果...
  • 改进的自适应参数DBSCAN聚类算法.pdf
  • 首先提出了基于多层动态自适应搜索技术的最小二乘支持向量机参数优化方法, 然后采用最小二乘支持向 量机对典型非线性控制系统的辨识进行了研究. 辨识结果表明, 最小二乘支持向量机可以用于非线性控制系统辨识,...
  • 一种自适应参数的切换回归聚类算法.pdf
  • 为了解决这一问题,提出一种新的自适应调节机制——a-EDCA机制:接入点(AP)根据网络当前吞吐量变化量的大小,自动调节EDCA参数中竞争窗口参数值,把新的调节信息广播到各个站点,各站点以新的参数来重新竞争信道...
  • 针对传统渐进结构优化方法中优化参数难以确定,且相关参数对优化结果影响较大的问题,提出了一种根据优化过程中结构信息来调节优化参数自适应参数计算方法,并以典型算例对比分析了采用该方法与传统渐进结构优化...
  • 基于径向基神经网络的机械加工自适应参数研究.pdf
  • 基于参数自适应控制混沌同步,提出了实现在不同参数情况下系统同步的普遍方法。数值模拟计算表明,此方法是可行的。
  • 基于鲁棒H∞滤波器理论和共轭梯度自适应参数估计方法提出了一种对复杂噪声有抑制效果的语音增强算法。应用这种方法自适应地从带噪信号中提取语音参数时不必预先知道噪声源的统计特性,只要求噪声信号能量有限。因为...
  • 基于混沌思想模糊自适应参数策略的粒子群优化算法.pdf
  • 具有转向搜索窗口和自适应参数的非局部均值
  • 该文给出了网络流量均值和阈值能够根据网络环境变化的自适应调整算法。分析了参数的设置对误报警、动态调整报警阈值等的影响。实验结果表明设计的系统是有效和正确的,可以在提高异常流量检测准确性的同时降低运行...
  • 未知时滞的线性SISO系统的自适应参数辨识
  • 首先提出了基于多层动态自适应搜索技术的最小二乘支持向量机参数优化方法,然后采用最小二乘支持向量机对典型非线性控制系统的辨识进行了研究。辨识结果表明,最小二乘支持向量机可以用于非线性控制系统辨识,多层...
  • 优化启发式算法(如粒子群优化器(PSO))的广泛使用对参数自适应提出了巨大挑战。 PSO的一种变体是综合学习粒子群优化器(CLPSO),它使用所有个人的最佳信息来更新其速度。 CLPSO的新颖策略使种群能够从特定世代的...
  • 具有自适应参数估计的概率假设密度滤波器可跟踪多个机动目标
  • 使用基于边缘的相似性度量和自适应参数选择进行非局部图像去噪

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 105,646
精华内容 42,258
关键字:

自适应参数