：將K—means算法引入到樸素貝葉斯分類研究中，提出一種基于K—means的樸素貝葉斯分類算法。首先用K— me．a(chǎn)rks算法對原始數(shù)據(jù)集中的完整數(shù)據(jù)子集進行聚類，計算缺失數(shù)據(jù)子集中的每條記錄與 個簇重心之間的相似度，把記 錄賦給距離最近的一個簇，并用該簇相應的屬性均值來填充記錄的缺失值，然后用樸素貝葉斯分類算法對處理后的數(shù)據(jù) 集進行分類。實驗結果表明，與樸素貝葉斯相比，基于K—means思想的樸素貝葉斯算法具有較高的分類準確率。
上傳時間： 2017-08-18
上傳用戶：banyou
遺傳算法的源代碼，可自己進行修改封裝成工具箱
上傳時間： 2013-12-24
上傳用戶：woshiayin
壓縮包的內容包括：1.有關JPEG和DPCM算法的文章；2.實現(xiàn)其算法的壓縮程序3.有關圖像壓縮方面的資料。讀者請注意： <1>這里討論的是灰度圖像的壓縮不涉及彩色圖像。 <2>實現(xiàn)壓縮時，輸入的圖像數(shù)據(jù)采用一種自定義的格式（com 格式），前四個字節(jié)記錄圖像的寬度和高度，之后就是逐 行的圖像數(shù)據(jù)，圖像的開頭和結尾沒有任何標記。這種格式的圖像數(shù)據(jù)是從BMP圖像中得到的。 <3>這里沒有JPEG算法的解壓程序，壓縮后的數(shù)據(jù)存成標準的JPEG文件格式，任何視圖軟件都可以打開。DPCM方法中的解 壓縮程序將數(shù)據(jù)仍然存成com格式，可以將其轉成PGM格式觀看，壓縮包中由com轉為PGM格式的程序。
上傳時間： 2014-01-15
上傳用戶：qq21508895
MD5的全稱是Message-digest Algorithm 5（信息-摘要算法），用于確保信息傳輸完整一致。在90年代初由MIT Laboratory for Computer Science和RSA Data Security Inc,的Ronald L. Rivest開發(fā)出來，經(jīng)MD2、MD3和MD4發(fā)展而來。它的作用是讓大容量信息在用數(shù)字簽名軟件簽署私人密鑰前被"壓縮"成一種保密的格式（就是把一個任意長度的字節(jié)串變換成一定長的大整數(shù)）。
標簽： Message-digest Algorithm MD5 算法
上傳時間： 2013-12-16
上傳用戶：wff
① 設計和實現(xiàn)基于哈夫曼算法的編碼和譯碼功能，系統(tǒng)功能包括：產(chǎn)生哈夫曼編碼，輸入電文進行編碼生成碼文，將碼文譯成電文，對輸入電文和譯文作對比等。
上傳時間： 2017-09-16
上傳用戶：源弋弋
遺傳算法為群體優(yōu)化算法，也就是從多個初始解開始進行優(yōu)化，每個解稱為一個染色體，各染色體之間通過競爭、合作、單獨變異，不斷進化。 優(yōu)化時先要將實際問題轉換到遺傳空間，就是把實際問題的解用染色體表示，稱為編碼，反過程為解碼，因為優(yōu)化后要進行評價，所以要返回問題空間，故要進行解碼。SGA采用二進制編碼，染色體就是二進制位串，每一位可稱為一個基因；解碼時應注意將染色體解碼到問題可行域內。 遺傳算法模擬“適者生存，優(yōu)勝劣汰”的進化機制，染色體適應生存環(huán)境的能力用適應度函數(shù)衡量。對于優(yōu)化問題，適應度函數(shù)由目標函數(shù)變換而來。一般遺傳算法求解最大值問題，如果是最小值問題，則通過取倒數(shù)或者加負號處理。SGA要求適應度函數(shù)>0，對于<0的問題，要通過加一個足夠大的正數(shù)來解決。這樣，適應度函數(shù)值大的染色體生存能力強。 遺傳算法有三個進化算子：選擇（復制）、交叉和變異。 SGA中，選擇采用輪盤賭方法，也就是將染色體分布在一個圓盤上，每個染色體占據(jù)一定的扇形區(qū)域，扇形區(qū)域的面積大小和染色體的適應度大小成正比。如果輪盤中心裝一個可以轉動的指針的話，旋轉指針，指針停下來時會指向某一個區(qū)域，則該區(qū)域對應的染色體被選中。顯然適應度高的染色體由于所占的扇形區(qū)域大，因此被選中的幾率高，可能被選中多次，而適應度低的可能一次也選不中，從而被淘汰。算法實現(xiàn)時采用隨機數(shù)方法，先將每個染色體的適應度除以所有染色體適應度的和，再累加，使他們根據(jù)適應度的大小分布于0-1之間，適應度大的占的區(qū)域大，然后隨機生成一個0-1之間的隨機數(shù)，隨機數(shù)落到哪個區(qū)域，對應的染色體就被選中。重復操作，選出群體規(guī)模規(guī)定數(shù)目的染色體。這個操作就是“優(yōu)勝劣汰，適者生存”，但沒有產(chǎn)生新個體。 交叉模擬有性繁殖，由兩個染色體共同作用產(chǎn)生后代，SGA采用單點交叉。由于SGA為二進制編碼，所以染色體為二進制位串，隨機生成一個小于位串長度的隨機整數(shù)，交換兩個染色體該點后的那部分位串。參與交叉的染色體是輪盤賭選出來的個體，并且還要根據(jù)選擇概率來確定是否進行交叉（生成0-1之間隨機數(shù)，看隨機數(shù)是否小于規(guī)定的交叉概率），否則直接進入變異操作。這個操作是產(chǎn)生新個體的主要方法，不過基因都來自父輩個體。 變異采用位點變異，對于二進制位串，0變?yōu)?，1變?yōu)?就是變異。采用概率確定變異位，對每一位生成一個0-1之間的隨機數(shù)，看是否小于規(guī)定的變異概率，小于的變異，否則保持原狀。這個操作能夠使個體不同于父輩而具有自己獨立的特征基因，主要用于跳出局部極值。 遺傳算法認為生物由低級到高級進化，后代比前一代強，但實際操作中可能有退化現(xiàn)象，所以采用最佳個體保留法，也就是曾經(jīng)出現(xiàn)的最好個體，一定要保證生存下來，使后代至少不差于前一代。大致有兩種類型，一種是把出現(xiàn)的最優(yōu)個體單獨保存，最后輸出，不影響原來的進化過程；一種是將最優(yōu)個體保存入子群，也進行選擇、交叉、變異，這樣能充分利用模式，但也可能導致過早收斂。 由于是基本遺傳算法，所以優(yōu)化能力一般，解決簡單問題尚可，高維、復雜問題就需要進行改進了。 下面為代碼。函數(shù)最大值為3905.9262，此時兩個參數(shù)均為-2.0480，有時會出現(xiàn)局部極值，此時一個參數(shù)為-2.0480，一個為2.0480。算法中變異概率pm=0.05，交叉概率pc=0.8。如果不采用最優(yōu)模式保留，結果會更豐富些，也就是算法最后不一定收斂于極值點，當然局部收斂現(xiàn)象也會有所減少，但最終尋得的解不一定是本次執(zhí)行中曾找到過的最好解。
標簽： 遺傳算法
上傳時間： 2015-06-04
上傳用戶：芃溱溱123
音頻壓縮算法，將16位的音頻數(shù)據(jù)壓縮成4位，大大減輕傳輸負擔
標簽： ADPCM F103 STM 103 32F 32 xx 高容 微控制器 算法
上傳時間： 2018-11-28
上傳用戶：nahaotian
設有n=2k個運動員要進行網(wǎng)球循環(huán)賽。現(xiàn)要設計一個滿足以下要求的比賽日程表：⑴每個選手必須與其他n-1個選手各賽一次；⑵每個選手一天只能賽一次；⑶循環(huán)賽一共進行n-1天。按此要求可將比賽日程表設計－成有n行和n-l列的一個表。在表中第i行和第j列處填入第i個選手在第j天所遇到的選手。用分治法編寫為該循環(huán)賽設計一張比賽日程表的算法并運行實現(xiàn)、對復雜度進行分析。
上傳時間： 2019-06-04
上傳用戶：594551562
王成元老師的現(xiàn)代電機控制，對于學習電機控制的同學來說很有幫助，里面講了很多電機控制算法和模型。
標簽： 電機控制
上傳時間： 2022-03-21
上傳用戶：
前言說明控制的方法遠遠不止PID這一招，在許多場合也未必是最佳的控制算法。對于學習能力較好的師弟也可以再去尋求一種更優(yōu)秀的控制算法。PID的分類多如牛毛，例如：模糊PlD、數(shù)字PID、神經(jīng)元PID等等。另外，本文檔是參考幾十個PID相關文檔資料整合而成。由于個人能力等原因，從策劃、編輯、排版等花了一個多月的時間才完成此次PlD法的整合。為了更有針對性和有效性，本文檔主要講解數(shù)字PID及其變種（改進式PID）：位置式和增量式。以及這兩種PID的C語言編程實現(xiàn)、參數(shù)的調整確定和PID控制的應用。我們?yōu)槭裁匆肞ID岸法呢？原國很商單：其一，PlD是一種比較成熟的控制算法，而且還有許多基于PID的變種算法（簡稱改進式PID）。其二，資杜多，學習難度路低，入門快。其三，多屆師兄實踐過，感覺效果還不錯！但每年資料成指數(shù)增長，從上屆師兄那搭貝了好幾G資料，進PID控制的文檔可以夸張的說跟天上的“星星”一樣，看了之后眼花繚亂，而且有很多重復的。為了讓更多人能快速上手使用PID控制算法，結合個人經(jīng)驗和相關文檔將它濃縮如下：
標簽： pid算法
上傳時間： 2022-07-01
上傳用戶：
