可以用來做時(shí)間序列分析哦，包括模式判別，模型檢驗(yàn)，大家共同學(xué)習(xí)啊
標(biāo)簽： ARMA模型（自回歸滑動(dòng)平均模型）
上傳時(shí)間： 2015-12-22
上傳用戶：haiwen5668
該類方法主要指的是活動(dòng)輪廓模型（active contour model）以及在其基礎(chǔ)上發(fā)展出來的算法，其基本思想是使用連續(xù)曲線來表達(dá)目標(biāo)邊緣，并定義一個(gè)能量泛函使得其自變量包括邊緣曲線，因此分割過程就轉(zhuǎn)變?yōu)榍蠼饽芰糠汉淖钚≈档倪^程，一般可通過求解函數(shù)對(duì)應(yīng)的歐拉(Euler．Lagrange)方程來實(shí)現(xiàn)，能量達(dá)到最小時(shí)的曲線位置就是目標(biāo)的輪廓所在。
標(biāo)簽： 圖像處理
上傳時(shí)間： 2016-03-07
上傳用戶：2009dd
基于四元數(shù)小波變換的隱馬爾可夫樹模型（Q-HMT）,并應(yīng)用于圖像去噪，圖像去噪效果在峰值信噪比以及視覺效果上均優(yōu)于經(jīng)典的去噪方法。
上傳時(shí)間： 2016-07-01
上傳用戶：zcwl
灰色預(yù)測(cè)模型（Gray Forecast Model）是通過 少量的、不完全的信息，建立數(shù)學(xué)模型并做出預(yù) 測(cè)的一種預(yù)測(cè)方法.當(dāng)我們應(yīng)用運(yùn)籌學(xué)的思想方法 解決實(shí)際問題，制定發(fā)展戰(zhàn)略和政策、進(jìn)行重大 問題的決策時(shí)，都必須對(duì)未來進(jìn)行科學(xué)的預(yù)測(cè). 預(yù)測(cè)是根據(jù)客觀事物的過去和現(xiàn)在的發(fā)展規(guī)律， 借助于科學(xué)的方法對(duì)其未來的發(fā)展趨勢(shì)和狀況進(jìn) 行描述和分析，并形成科學(xué)的假設(shè)和判斷.
標(biāo)簽： 灰色預(yù)測(cè)模型
上傳時(shí)間： 2019-07-21
上傳用戶：Tqco702
準(zhǔn)確量化和預(yù)測(cè)陸地生態(tài)系統(tǒng)碳水通量對(duì)于理解陸氣間相互作用，預(yù)測(cè)未來氣候變化和控制溫室效應(yīng)具有重要意義。通量觀測(cè)和模型模擬是目前研究碳水通量的兩種主要方法。通量觀測(cè)精度較高，但觀測(cè)范圍局限、站點(diǎn)分布不均勻，易受環(huán)境影響，難以區(qū)域擴(kuò)展；模型模擬可實(shí)現(xiàn)不同尺度參量估算，但由于理想化假設(shè)、模型參數(shù)和驅(qū)動(dòng)數(shù)據(jù)等限制，導(dǎo)致其模擬結(jié)果往往與真實(shí)值存在較大偏差。模型-數(shù)據(jù)融合方法主要是通過參數(shù)估計(jì)和數(shù)據(jù)同化兩種技術(shù)集成觀測(cè)和模型信息，建立兩者相互制約調(diào)節(jié)的優(yōu)化關(guān)系，以提高模型結(jié)果與真實(shí)值之間的匹配程度?；谠撍悸?，本研究在地面觀測(cè)數(shù)據(jù)、遙感衛(wèi)星資料以及相關(guān)氣候環(huán)境數(shù)據(jù)基礎(chǔ)上，重點(diǎn)突破全球動(dòng)態(tài)植被模型（Lund-Potsdam-Jena Dynamic Globa Vegetation Model.LPJ-DGVM）敏感參數(shù)優(yōu)化方法，獲取適宜中國(guó)的參數(shù)化方案：在此基礎(chǔ)上，引入數(shù)據(jù)同化算法，將遙感衛(wèi)星產(chǎn)品信息與模型相融合，在模擬過程中不斷校正原有模型模擬軌跡，提高模型適用性。將以上改進(jìn)的模型推廣至中國(guó)區(qū)域，實(shí)現(xiàn)對(duì)20002015年中國(guó)地區(qū)總初級(jí)生產(chǎn)力（Gross Primary Productivity GPP）和敬發(fā)（Evapotranspiration，ET的空間格局模擬及分析。主要結(jié)論如下1）將LP」DGwM中所選出的22個(gè)可調(diào)參數(shù)（涉及光合、呼吸、水平衡異速生長(zhǎng)、死亡、建立以及土壤和掉落物分解共七個(gè)作用領(lǐng)域）在各自取值范圍內(nèi)隨機(jī)獲得不同的參數(shù)組合，結(jié)果表明22個(gè)參數(shù)可引起GPP和ET模擬結(jié)果產(chǎn)生較大的不確定性，尤其集中在生長(zhǎng)季。所有站點(diǎn)GPP相對(duì)不確定性（Relative Uncertainty，RU）基本保持在09-1.25之間，不具有明顯的年際變異性：ET相對(duì)不確定性RU月變化趨勢(shì)明顯，且基本處于0.5以下，明顯低于GPP，說明所篩選的22個(gè)參數(shù)對(duì)GP模擬產(chǎn)生的影響更為顯著。
標(biāo)簽： 數(shù)據(jù)融合
上傳時(shí)間： 2022-03-16
上傳用戶：shjgzh
為了提高語音信號(hào)的識(shí)別率，提出了一種改進(jìn)的LPCC參數(shù)提取方法。該方法先對(duì)語音信號(hào)進(jìn)行預(yù)加重、分幀加窗處理，然后進(jìn)行小波分解，在此基礎(chǔ)上提取LPCC參數(shù)，從而構(gòu)成新向量作為每幀信號(hào)的特征參數(shù)。最后采用高斯混合模型（GMM）進(jìn)行說話人語音識(shí)別，實(shí)驗(yàn)表明新特征參數(shù)取得了較好的識(shí)別率。
上傳時(shí)間： 2013-10-10
上傳用戶：asdgfsdfht
可持續(xù)捕撈的概念意味著，如果每年通過自然死亡，捕撈和產(chǎn)卵繁殖補(bǔ)充，使得魚群能夠在每年年初捕撈開始時(shí)保持平衡不變，那么這樣的捕撈策略就可以年復(fù)一年地一直持續(xù)下去，因此可持續(xù)捕撈的魚群應(yīng)該是模型（6）（7）（8）的平衡解，即模型不依賴于時(shí)間的
標(biāo)簽：
上傳時(shí)間： 2013-12-31
上傳用戶：xcy122677
WDM驅(qū)動(dòng)程序設(shè)計(jì) 一．WDM簡(jiǎn)介 微軟不斷推出新的操作系統(tǒng)，現(xiàn)在Windows98和Windows2000已經(jīng)成了主流，原先用來實(shí)現(xiàn)驅(qū)動(dòng)程序的VxD技術(shù)隨著Win95的淡出也慢慢地將退出歷史舞臺(tái)，在Windows98和Windows2000中設(shè)備驅(qū)動(dòng)程序?qū)⒏鶕?jù)Windows驅(qū)動(dòng)程序模型（WDM）來設(shè)計(jì)。WDM通過提供一種靈活的方式來簡(jiǎn)化驅(qū)動(dòng)程序的開發(fā)，在實(shí)現(xiàn)對(duì)新硬件支持的基礎(chǔ)上減少并降低所必須開發(fā)的驅(qū)動(dòng)程序的數(shù)量和復(fù)雜性。
標(biāo)簽： WDM 驅(qū)動(dòng) 程序設(shè)計(jì) 微軟
上傳時(shí)間： 2015-06-29
上傳用戶：253189838
LVQ算法( Learning Vector Quantization，學(xué)習(xí)矢量量化網(wǎng)絡(luò))是一種基于模型（神經(jīng)網(wǎng)絡(luò)）的方法，本實(shí)驗(yàn)要實(shí)現(xiàn)的是對(duì)LVQ改進(jìn)的聚類方法——MLVQ（閆德勤等人提出）。該方法克服了LVQ算法對(duì)初值敏感的問題和廣義學(xué)習(xí)矢量量化(GLVQ)網(wǎng)絡(luò)算法性能不穩(wěn)定的缺點(diǎn)。(附文章)
標(biāo)簽： Quantization Learning Vector LVQ
上傳時(shí)間： 2015-08-31
上傳用戶：youke111
opnet學(xué)習(xí)資料，提供部分網(wǎng)絡(luò)仿真模型。一:介紹OPNET 環(huán)境。二：執(zhí)行M/M/1隊(duì)列模型。三：以太網(wǎng)模型（Aloha，CSMA,CSMA－CD).四：TCP.五：OSPF
標(biāo)簽： opnet
上傳時(shí)間： 2013-12-29
上傳用戶：a673761058
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
