遗传算法参数辨识运算步骤可归纳如下：
① 种群初始化，随机生成N个参数集的位串。
② 采用伪随机二进制序列（PRBS）作为辨识输入信号，采样系统实际输出y(k)。
③ 按适值函数评价，并计算整体的平均性能。
④ 参数辨识是否收敛到指定的精度内或仿真步数是否达到最大，若是，则仿真结束。
⑤ 是否过早出现非成熟收敛，若是,则进行适值调整。
⑥ 按规范适值或适值调整结果复制下一代，并按概率进行交叉和变异操作。
⑦ 查看上一代中最优秀个体是否保留在本代，若不是，则取代本代中任意一个个体，将优秀个体无遗传保留。
⑧转步骤②
2022-05-16 14:34:04
516KB
1
基于蚁群算法的电力系统综合负荷模型及其参数辨识研究，李成，邵正炎，在进行电力系统负荷模型参数辨识时，其所采用的综合负荷模型有必要考虑配电网络的影响。蚁群优化算法是一种基于种群的模拟进化算
2022-05-15 16:42:54
191KB
1
matlab图片频域分析代码通用交叉验证设计
该存储库包含MATLAB脚本和示例地震数据，用于应用以下方面提出的地震消噪：
Mousavi,
SM,
and
CA
Langston
(2017).
Automatic
Noise-Removal/Signal-Removal
Based
on
the
General-Cross-Validation
Thresholding
in
Synchrosqueezed
domains,
and
its
application
on
earthquake
data,
Geophysics.82(4),
V211-V227
doi:
10.1190/geo2016-0433.1
@article{mousavi2017automatic,
title={Automatic
noise-removal/signal-removal
based
on
general
cross-validation
thresholding
in
synchrosqueezed
domain
and
its
application
on
earthquake
dat
2022-05-13 11:19:07
19.19MB
1
使用经典PCA算法验证对离群点的不鲁棒性，使用PCA分别对一批不含离群点的数据点和一批含有离群点的数据点进行分析，效果很好
2022-05-12 13:43:22
719B
1
AREOD
该存储库包含AREOD （用于对象检测的对抗鲁棒性评估）的代码，这是一个Python的库，用于进行对抗性机器学习研究，以正确地对标目标检测中的对抗性鲁棒性。
该存储库仍在开发中，我们使用3种针对对象检测模型的攻击来对逆向鲁棒性进行基准测试。
功能概述：
建立在tensorFlow上，并通过给定的接口支持TensorFlow和Kerasa模型
支持各种威胁模型中的多种攻击
提供现成的预训练基线模型（faster-rcnn-inception-v2-coco，多尺度GTRSB）
为bencmark模型提供方便的工具，并使用printor打印生成的对抗性样本
攻击方法清单
我们使用3种攻击方法生成对抗示例，下面的论文对此进行了介绍
，
，
，。
稍后，我们使用连接的打印机将对抗性示例打印出来，以提供更高的性能基准。
安装
git clone https://github.c
2022-05-05 14:56:50
49KB
1