(19)中华人民共和国国家知识产权局(12)发明专利说明书(10)申请公布号 CN 111181531 A(43)申请公布日 2020.05.19(21)申请号 CN202010075099.7(22)申请日 2020.01.22(71)申请人 苏州大学    地址 215104 江苏省苏州市相城区济学路8号(72)发明人 倪锦根 吉利鹏 (74)专利代理机构 苏州智品专利代理...

(19)中华人民共和国国家知识产权局(12)发明专利说明书(10)申请公布号 CN 105281780 A(43)申请公布日 2016.01.27(21)申请号 CN201510811871.6(22)申请日 2015.11.20(71)申请人 重庆大学    地址 400044 重庆市沙坪坝区沙正街174号(72)发明人 廖勇 周昕 李瑜锋 陈民安 陈玲 张舒敏 (74)专利...

第４１卷第４期２０２３年７月      　贵州师范大学学报（自然科学版）ＪｏｕｒｎａｌｏｆＧｕｉｚｈｏｕＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ）Ｖｏｌ．４１．Ｎｏ．４Ｊｕｌ．２０２３引用格式：李毓静，刘奇龙．自适应超图正则化低秩矩阵分解［Ｊ］．贵州师范大学学报（自然科学版），２０２３，４１（４）：４８ ５７．［ＬＩＹＪ，ＬＩＵＱＬ．Ｌｏｗ ｒ...

python的自适应中值滤波Python的自适应中值滤波是一种非线性滤波技术，可以用于消除图像中的噪声、掩盖图像中的异常点，并最大程度地保留图像中的细节信息。自适应中值滤波的基本思想是：在图像中滑动一个固定大小的窗口，计算窗口内像素值的中位数，并将该值与窗口中心像素进行比较。如果中心像素值超出了一定的阈值范围，则将窗口大小增大，直到符合要求为止。这样就可以动态地调整滤波参数，使其适应不同的图像细节...

自适应中值滤波算法 python自适应中值滤波算法是一种常用的图像处理算法，它能够有效地去除图像中的噪声，提高图像的质量。Python是一种流行的编程语言，它具有简单易学、代码简洁、可读性强等优点，因此在图像处理领域也得到了广泛的应用。本文将介绍自适应中值滤波算法的原理和Python实现方法。一、自适应中值滤波算法原理自适应中值滤波算法是一种基于像素邻域的滤波算法，它的基本思想是根据像素邻域内像素...

正则化权重自适应权重调整算法    在传统的优化算法中，通常需要手动设置权重值来平衡不同特征或目标函数之间的重要性。然而，这种静态权重设置方法可能无法适应不同数据分布和问题特性的变化，导致算法在某些情况下表现不佳。为了解决这一问题，自适应权重调整算法应运而生。    自适应权重调整算法的核心思想是根据数据的特性和问题的复杂度，动态地调整权重值，使得算法能够更...

多通道lms算法摘要：一、多通道LMS算法简介1.背景及意义2.算法原理二、多通道LMS算法在各领域的应用1.通信系统2.信号处理3.机器学习与人工智能三、多通道LMS算法的优缺点分析1.优点2.缺点正则化改进算法四、改进多通道LMS算法的研究与发展1.算法改进策略2.实际应用案例五、多通道LMS算法在我国的研究与应用前景1.产业现状2.发展趋势3.政策支持正文：一、多通道LMS算法简介1.背景及...

改进的自适应粒子优化算法以下是一些常见的改进方法：1. 自适应调整参数：传统的 PSO 算法通常使用固定的参数值，如惯性权重和学习因子。改进的自适应 PSO 算法可以根据搜索过程的进展情况动态地调整这些参数，以更好地适应不同的搜索阶段和问题特征。正则化改进算法2. 种多样性保持：为了避免粒子过早收敛到局部最优解，改进的算法可以引入多样性保持机制。这可以通过引入随机因素、使用不同的初始化策略或...

正则化与稀疏专利名称：一种基于自适应切换分析稀疏与合成稀疏正则化的图像复原方法专利类型：发明专利发明人：陈华华，吴志坚，严军荣申请号：CN201610153994.X申请日：20160317公开号：CN105825473A公开日：20160803专利内容由知识产权出版社提供摘要：本发明提供一种基于自适应切换分析稀疏与合成稀疏正则化的图像复原方法，首先，对高质量的训练样本构成的集合聚类并为每一类样本...

正则化参数的自适应估计自适应波束成形算法LMSRLSVSSLMS分解自适应波束成形（Adaptive Beamforming）是一种用于抑制多径干扰和提高系统性能的技术。它通过调整阵列天线的相位和振幅权重，来实现对特定方向的信号增强和对其他方向的信号抑制。自适应波束成形算法主要有LMS（Least Mean Squares）算法、RLS（Recursive Least Squares）算法和VSS...

如何利用自适应学习率优化神经网络正则化参数的自适应估计神经网络是一种模仿人脑神经系统的计算模型，被广泛应用于图像识别、语音识别、自然语言处理等领域。然而，神经网络的训练过程中存在着一个关键的问题，即学习率的选择。学习率过大会导致训练不稳定，而学习率过小则会使得训练过程过慢。为了解决这一问题，研究人员提出了自适应学习率的优化方法，本文将介绍如何利用自适应学习率优化神经网络。一、学习率的作用和挑战学习...

改进的强相关数据的变量选择方法徐若南;唐烁;王旭辉【摘 要】针对高维强相关数据的变量选择问题,本文提出了改进的变量选择方法.该方法先利用自适应弹性网方法(Aenet)在原始的强相关数据上建立模型,选出对响应变量起重要作用的组变量和独立变量;再通过偏最小二乘方法(PLS)对选出的变量作模型估计;最后,将两种方法得到的估计系数做线性组合,并以此系数来建立回归模型.新模型具有精度高、解释性好的优点,数...

人工智能技术的迁移学习与领域自适应技巧随着科技的快速发展，人工智能（Artificial Intelligence）技术在各个领域得到了广泛的应用。人工智能技术的核心是利用计算机模拟人脑的智能，实现自主学习和决策的能力。然而，在现实生活中，我们面临着需要将人工智能技术应用到新的领域或解决新问题的挑战。在这种情况下，迁移学习（Transfer Learning）和领域自适应（Domain Adapt...

线性自适应滤波算法综述线性自适应滤波算法的应用非常广泛。在通信领域，它可以用于信号去噪、信号增强和信号分离等方面。在图像处理领域，它可以用于去除图像中的噪声，并提高图像的质量。在语音处理领域，它可以用于去除语音信号中的杂音，从而提高语音的识别率。在线性自适应滤波算法中，最常用的方法是最小均方差（Least Mean Square, LMS）算法。LMS算法基于梯度下降的原理，通过不断地调整滤波器的...

岩土工程中的自适应正则化反演技术岩土工程是将地质工程和土力学相结合，探究岩石和土壤的物理力学特性，为各种工程建设提供技术支持的交叉学科。而对于岩土工程的建设，地质勘探和测量技术是不可或缺的一部分。在测量和勘探过程中，人们经常会遇到问题，例如：岩土物质的性质和深度不确定、地下水的位置和流向难以捕捉、探测数据噪声过多等等。为了更加精确和可靠地解决这些问题，人们开始尝试应用自适应正则化反演技术。自适应正...

匹配阈值的预测计算和自适应算法实现作者：杨东勇　陈晋音　松本直文来源：《计算机应用》2008年第05正则化参数的自适应估计期        摘 要：基于否定选择算法，提出一种匹配阈值的预测计算方法，通过通用方程计算最优阈值，实验证明提高了检测率，同时分析了预测计算的适用范围。针对静态固定阈值的方法不能适应网络数据动态变化，利用遗传算法进化检测器同时实现阈值自...

(19)中华人民共和国国家知识产权局(12)发明专利说明书(10)申请公布号 CN 103489207 A(43)申请公布日 2014.01.01(21)申请号 CN201310452181.7(22)申请日 2013.09.29(71)申请人 哈尔滨工程大学    地址 150001 黑龙江省哈尔滨市南岗区南通大街145号哈尔滨工程大学科技处知识产权办公室(72)发明人 卞红...

第五章基本自适应算法自适应算法是一种能够根据问题的性质和特点来调整自身参数以达到更好效果的算法。在机器学习和优化问题的求解中，自适应算法可以提高算法的鲁棒性、收敛性和性能。本章将介绍几种基本的自适应算法。1.自适应学习率学习率是很多优化算法中的一个重要参数。学习率过大会导致算法不稳定，学习率过小会导致算法收敛速度慢。自适应学习率算法是一种能够根据问题的性质自动调整学习率的算法。常见的自适应学习率算...

正则化参数的自适应估计自适应正则化图像复原方法研究一、本文概述随着数字图像处理技术的飞速发展，图像复原作为其中的重要分支，旨在从降质或损坏的图像中恢复出原始的高质量图像，已经成为计算机视觉和图像处理领域的研究热点。在实际应用中，图像往往会受到各种降质因素的影响，如噪声、模糊、运动失真等，这些因素会严重影响图像的视觉效果和后续处理的效果。因此，研究有效的图像复原方法对于提高图像质量和促进相关应用的发...

RLS和LMS自适应算法分析RLS (Recursive Least Squares) 和 LMS (Least Mean Squares) 是两种常见的自适应滤波算法。它们在信号处理、通信系统和自适应控制等领域得到广泛应用。本文将对这两种算法进行分析比较。首先，我们来看看RLS算法。RLS算法使用最小均方误差准则来自适应调整滤波器系数。它利用递归方式计算出均方误差的最小值。RLS算法基于Wien...

自适应参数优化算法在机器视觉中的应用研究引言:机器视觉是一门研究如何让计算机“看”的学科，其应用广泛，包括人脸识别、目标检测、图像分割等。在机器视觉的应用中，参数优化算法扮演着重要的角。本文将探讨自适应参数优化算法在机器视觉中的应用研究，分析其优势和存在的问题。一、自适应参数优化算法的概述自适应参数优化算法是一类能够根据问题的特性自动调整参数的优化算法。与传统的参数优化方法相比，自适应参数优化算...

自适应麻雀算法自适应麻雀算法是一种优化算法，其灵感来源于麻雀的觅食行为。该算法通过模拟麻雀的体行为，如觅食、警戒、攻击等，来实现对问题的优化。具体步骤如下：1. 初始化种：根据问题的规模和特性，初始化一组解，这组解构成一个种。2. 计算适应度值：对每个解进行评估，得到其适应度值。适应度值是解的质量的度量，用于指导算法搜索更好的解。3. 更新解的位置：根据麻雀的觅食行为和警戒行为，更新每个解的...

基于自适应权重的模型参数优化算法摘要：模型参数优化是机器学习领域的重要问题之一，其目标是通过调整模型参数，使得模型在给定的数据集上能够得到最佳的性能。传统的参数优化算法通常使用固定权重来更新模型参数，但这种方法在不同数据集上的性能表现不稳定。为了解决这个问题，本文提出了一种基于自适应权重的模型参数优化算法。该算法通过动态调整权重来适应不同数据集上的特征分布，从而提高了模型在各种数据集上的性能表现。...

二维核密度估计 自适应 r语言    二维核密度估计是一种用于估计多变量数据集的概率分布的非参数方法。在R语言中，可以使用不同的包来进行自适应的二维核密度估计，其中最常用的包括`ks`和`MASS`。    首先，我们来看看如何使用`ks`包进行二维核密度估计。该包提供了`kde2d`函数，可以根据输入的二维数据集来进行核密度估计。这个函数还提供了`h`参数...

origin自适应核密度估计法    自适应核密度估计法（Adaptive Kernel Density Estimation）是一种非参数统计方法，用于估计随机变量的概率密度函数。在传统的核密度估计方法中，通常需要事先指定固定的核函数和带宽来进行密度估计，但是这种方法可能会受到数据分布的不均匀性和多样性的影响，导致估计结果不准确。而自适应核密度估计法则能够根据数据的局部特征动...

自适应矩估计算法自适应矩估计算法，是一种用于概率分布参数估计的方法。它的主要思想是：基于观测样本的矩与理论分布的矩之间的匹配程度，来估计未知参数。该方法通常用于非参数估计，具有较好的适应性和鲁棒性。下面将从定义、原理、优缺点三个方面详细介绍自适应矩估计算法。定义自适应矩估计算法，是一种利用联合矩来估计未知概率分布参数的方法。该算法主要通过构造带有权重的矩来匹配观测样本的矩和理论分布的矩，进而估计未...

自适应均衡实验1、实验内容和目的1）通过对RLS算法的仿真，验证算法的性能，更加深刻的理解算法的理论。2）分别用RLS算法和LSM算法实现图1中的自适应均衡器，比较两种算法的差异，分析比较算法的性能，从而掌握两种算法的应用。图1 自适应均衡框图 2、基本原理分析1）LMS 算法原理LMS算法一般来说包括两个基本过程：滤波过程和自适应过程。滤波过程来计算线性滤波器的输出及输出结果与期望响应的误差。自...

自适应二值化公式自适应二值化是一种图像处理技术，用于将灰度图像转换为二值图像。根据所使用的具体算法，自适应二值化的公式可能会有所不同。以下是两种常见的自适应二值化算法的公式：1. 平均值法（CV_ADAPTIVE_THRESH_MEAN_C）：\(T(x, y) = \text{mean} - C\)其中，\(T(x, y)\) 是像素点 (x, y) 处的阈值，\(\text{mean}\) 是...

在深度学习中，持续学习是一个非常重要的概念。持续学习指的是模型能够不断地从新的数据和情境中学习，以适应不断变化的环境。这对于许多实际应用场景来说是非常关键的，因为现实世界中的数据和环境是不断变化的。正则化和泛化深度学习模型通常使用大量的数据来训练，这些数据通常是在特定的任务和环境中收集的。然而，在实际应用中，数据集可能会随着时间的推移而变化，或者新的任务和环境会出现。在这种情况下，模型需要能够适应...

神经网络中的自适应权重与模型稀疏性方法分析在神经网络的发展过程中，自适应权重和模型稀疏性方法是两个重要的研究方向。自适应权重可以使网络更好地适应不同的输入数据，而模型稀疏性方法可以提高网络的泛化能力和计算效率。本文将对这两个方法进行分析和探讨。一、自适应权重方法自适应权重方法是一种通过调整神经网络中的权重参数来提高网络性能的技术。这种方法的核心思想是根据输入数据的特征和网络的输出来自动调整权重的大...