创新一直是一个令人纠结的话题，研究生毕业设计多数需要算法的创新，而博士生毕业更需要大量的创新才行。这里，我们就团队这几年来的工作经验，谈谈如何进行合理的算法创新。一、创新角度通常，我们使用一个算法，这里举个简单的粒子，PSO粒子群优化算法，我们通过仿真，会得到该算法的收敛速度，仿真精度等一些参数指标。如果我们需要对该算法进行创新，一般就需要从原算法的性能指标角度考虑，比如收敛速度和精度的提高，对于
当训练好一个模型之后预测新的数据，当发现预测情况不是很好的时候，怎么改进？1.得到更多的训练数据。但有的时候获取更多的数据并不是很有帮助2.尝试选用更少的特征3.尝试增加更多的特征4.增加多项式特征，就是已有特征之间的组合：等5.增加正则化参数，减小正则化参数怎么样能选择最适合改进的方法呢？或者说排除上面的一些方法评估该算法的性能（机器学习诊断法），从而能知道影响性能的关键和改进的方面：训练误差最
动态时间规整DTW1 概述动态时间规整是一个计算时间序列之间距离的算法，是为了解决语音识别领域中语速不同的情况下如何计算距离相似度的问题。相对于用经典的欧式距离来计算相似度而言，DTW在数据点个数不对齐的情况下微调时间从而能够计算距离。DTW之所以能够计算数据点个数不同时间序列之间的距离，是因为DTW方法中时间序列的点可以一对多。2 计算过程用动态规划算法计算DTW距离的过程如下所示，计算不同长度
k近邻算法是一种基于实例的算法，即学习过程只是简单的存储已知的训练数据，遇到新的查询实例时，从训练集中取出相似的实例，因此它是一种懒惰(lazy)学习方法。可以为不同的待分类查询实例建立不同的目标函数进行逼近。k近邻算法原理： 令D为训练数据集，当测试集d出现时，将d与D中所有的样本进行比
特殊时期，互联网医疗迎来需求井喷，爆发似乎已不可阻挡，然而互联网医疗行业依然面临痛点：商业模式难以盈利、医生互动度如何提升。当前，互联网医疗拐点与痛点并存。
转载
2020-03-10 14:26:07
346阅读
传统的Canny边缘检测算法是一种有效而又相对简单的算法，可以得到很好的结果（可以参考上一篇Canny边缘检测算法的实现）。但是Canny算法本身也有一些缺陷，可以有改进的地方。1. Canny边缘检测第一步用高斯模糊来去掉噪声，但是同时也会平滑边缘，使得边缘信息减弱，有可能使得在后面的步骤中漏掉一些需要的边缘，特别是弱边缘和孤立的边缘，可能在双阀值和联通计算中被剔除。很自然地可以预见，如果加大高
最近在学习《机器学习实战》 kNN算法是从训练集中找到和新数据最接近的k条记录（欧氏距离），然后根据他们的主要分类来决定新数据的类别。该算法涉及3个主要因素：训练集、距离或相似的衡量、k的大小。 kNN算法可以解决如下问题样本如下：span group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
label
一、Apriori算法性质性质一：候选的k元组集合Ck中，任意k-1个项组成的集合都来自于Lk.性质二：若k维数据项目集X={i1,i2,…,ik}中至少存在一个j∈X，使得|L(k-1)(j)|<k-1,则X不是频繁项集。即若Lk-1中有一个元素C包含一个项目i，使得|L(k-1)(j)|<k-1，则所有Lk-1与C中元素连接生成的候选k维数据项集不可能是频繁项目集。eg.购物篮中的
粒子群优化(PSO, particle swarm optimization) 是由Kennedy和Eberhart在1995年提出的一 种群智能优化方法。优点：好理解容易实现，适合解决极值问题缺点：容易过早收敛，容易陷入局部最优解，（如果初始点选的不好，可能就会被某个粒子带偏了= =/）（Java实现）:1 package pso;
2
3 import java.util.Ra
转载
2023-07-02 17:43:22
135阅读
改进Clock算法——页面置换算法算法描述： 在将一个页面换出时，如果该页已被修改过，便须将该页重新写回到磁盘上；但如果该页未被修改过，则不必将它拷回磁盘。在改进型Clock算法中，除须考虑页面的使用情况外，还须在增加一个因素，即置换代价，这样页面换出时，既要是未使用过的页面，又要是未被修改过的页面。把同时满足这两个条件的页面作为首选淘汰的页面。由访问位A和修改位M可以组合成下面四种类型的页面:
一、 马氏距离我们熟悉的欧氏距离虽然很有用，但也有明显的缺点。它将样品的不同属性（即各指标或各变量）之间的差别等同看待，这一点有时不能满足实际要求。例如，在教育研究中，经常遇到对人的分析和判别，个体的不同属性对于区分个体有着不同的重要性。因此，有时需要采用不同的距离函数。 如果用dij表示第i个样品和第j个样品之间的距离，那么对一切i，j和k，dij应该满足如下四个条件： &
tf框架的范围管理scope技术来优化参数设定，最终准确率为0.984这里主要引入较多参数来改进原有的cnn模型：使用激活函数去线性化使用隐藏层即加深层数以解决复杂问题使用学习率调整更新参数的频度使用滑动平均模型来调整模型结果# 导入必要的库
import tensorflow as tf
import os
from tensorflow.examples.tutorials.mnist im
头文件，声明： 实现文件， 测试文件： Makefile文件： 代码很简单，可以改进的余地比较大。
转载
2019-10-23 15:45:00
47阅读
2评论
# Python 改进滴水算法的探索与实现
滴水算法（Water Dripping Algorithm）是一种基于启发式搜索的优化算法，常用于求解复杂的组合优化问题。然而，标准的滴水算法在面对某些特定类型的问题时，可能会显得效率低下或不够准确。因此，我们可以通过改进该算法来提高其性能和效果。本文将探讨如何使用 Python 实现改进的滴水算法，并且通过实例演示算法的有效性。
## 滴水算法的原
目录摘要：研究意义：遗传算法改进方法：（1）改进选择（2）加入助长操作（3）改进配对方法程序运行结果：本文Matlab代码分享摘要：针对标准遗传算法容易出现早熟收敛现象、全局收敛速度慢等问题,提出了一种改进的遗传算法。该算法使用一个助长算子来对种群中的个体进行一定概率下的助长,其遗传个体具有雄性和雌性两种不同的性别,融合了个体间的亲缘关系,异性个体进行严格的远缘繁殖,从而避免了后代个体性能的消极退
目录一、概念二、算法的优点三、基本流程和公式四、例题+python代码已知背包的装载量为 c=10，现有 n=5 个物品，它们的重量和价值分别是 (2, 3, 5, 1, 4) 和 (2, 5, 8, 3, 6)。试使用模拟退火算法求解该背包问题。python 代码 一、概念模拟退火算法采用类似于物理退火的过程，先在一个高温状态下，然后逐渐退火，在每个温度下徐徐冷却，最终达到物理基态。高温相当于
DSSD DSOD FSSD RSSD # SSD算法缺陷 1）存在重复框的问题；2）对小目标检测不够鲁棒（因为浅层feature map的表征能力不够强）因此，针对以上问题，对传统SSD算法进行了扩展和优化；优化主要从两部分下手，一个是从主干网络，比如将传统的VGG16换成ResNet、DenseNet、MobileNet等；另一个则是从预测网络着手，寻找更好的特征表征方式来提高模型性
KMP算法的改进KMP算法已经在极大程度上提高了子符串的匹配效率，但是仍然有改进的余地。1. 引入的情景下面我们就其中的一种情况进行分析：主串T为"aaaabcde…"子串S为"aaaade"那么容易求得子串的next[]={0,1,2,3,4}下标12345子串aaaadnext01234当使用KMP算法进行匹配时，由于T[5]!=S[5], 因此子串指针回溯，子串回溯后变为T[5]与S[4]的关系，依然不等, 子串继续回
原创
2021-05-20 22:18:01
1118阅读
#include
void main(void){ int a[11], i, j; int t; //用来进行两相变量值的互换 int min; //用来存储每轮比较中的最小值的下标
for (i=1; i<=10; i++) //输出10个数 { printf("请你输入a[%d]:",i); scanf("%d",&a[i]); }
//输出原顺序的数组
转载
2012-06-29 13:13:00
109阅读
2评论
关于kmp算法的分析：在最简单的朴素算法中，是从主串的第一个字符和模式字符地一个字符进行比较的，若相等则继续比较后续的字符，否则从主串的第二个字符开始重复与模式字符的比较。改进一：在第n次的字符比较中，若前k个字符对应相等，但从k+1开始模式字符和主串的字符不相等时候。就不必要从上次比较的下一个字符开始与模式字符比较比较，而是从k+1个字符开始比较。改进二：在改进一当中，虽然模式字符k时候相等，但
推荐
原创
2009-03-31 21:01:13
1946阅读
1评论
