高斯密度函数估计是一种参数化模型。有单高斯模型(Single Gaussian Model, SGM)和高斯混合模型(Gaussian mixture model,GMM)两类。本文详细介绍了这两种模型的原理,并介绍了实现方法,最后附了源码,以供参考.源码经过详细测试，没有任何错误

svm核函数及参数优化，实现多类分类并进行参数优化

基于遗传算法的PID参数优化

随着社会经济的蓬勃发展，地铁、隧道、桥梁等大型建筑的需求也越来越大.通过对结构变形数据的分析与预测，可以判断结构未来的发展趋势，对安全隐患提前预警和采取应急措施，预防灾害的发生.由于变形监测数据通常具有不稳定性和非线性的特点，使得监测数据预测成为结构监测研究中的一个难题.针对结构变形预测模型存在的问题，本文提出了一种基于正交参数优化的长短时记忆网络（LSTM）结构变形预测模型.该模型通过LSTM网络结构获得时间序列的长期记忆，充分挖掘变形数据的内部时间特征；并通过正交试验对LSTM模型的参数进行优化；最后通过实测数据对模型进行验证，实验结果表明，模型预测值与实际监测值吻合较好.通过与WNN、DBN-SVR和GRU模型相比，平均RMSE、MAE和MAPE分别降低了56.01%、52.94%和52.78%，本文提出的基于正交参数优化的LSTM结构变形预测模型是一种有效的结构沉降方法，为结构安全施工以及运营的安全提供可靠信息，对确保结构安全具有重要意义.

人工势场法是一种简单有效的移动机器人路径规划算法．针对传统人工势场法在路径规划中的一类目标点不可达问题，提出了一种在局部最小点改变斥力角度和设定虚拟最小局部区域的解决方案，同时采用遗传算法对改进算法中斥力改变角度以及虚拟最小局部区域的半径两个参数进行优化．仿真实验说明本文所提算法能在起点和终点之间规划出一条简捷、光滑和安全的路径．

基于蚁群算法的PID参数优化设计基于蚁群算法的PID参数优化设计基于蚁群算法的PID参数优化设计基于蚁群算法的PID参数优化设计基于蚁群算法的PID参数优化设计

SVM的参数优化问题，对比随机参数与优化后的参数对网络性能的影响

行业分类-设备装置-一种航天器小角度姿态机动控制参数优化方法.zip

传统的BP神经网络分类和拟合精度不高，很大原因取决于其初始化参数的随机性，导致网络陷入局部最优解或者无法拟合。本程序运用遗传算法初始化BP神经网络的参数，使网络的非线性拟合和分类精度更高。对于想要进行非线性拟合和分类却无法建立数学模型的小伙伴，通过该方法也是一个较好的办法。

贝叶斯优化 Hyperband 超参数优化 实施 要求 - numpy - scipy - statsmodels - dask - torch (example) 安装 pip3 install bohb-hpo 用法 from bohb import BOHB import bohb . configspace as cs def objective ( step , alpha , beta ): return 1 / ( alpha * step + 0.1 ) + beta def evaluate ( params , n_iterations ): loss = 0.0 for i in range ( int ( n_iterations )): loss += objective ( ** params , step = i )