论文研究-处理多目标决策问题的二项系数加权和法.pdf,  系统工程中的决策问题大多是多目标决策。因此,评价一个系统往往要考察多个目标。例如,当规划资源的开发时,既要考虑需求,又要考虑储量、投资、运输、劳力、技术力量、占用土地等;选择厂址时,既要考虑造价,又要考虑运输、能源消耗、环境污染等;设计一个产品或系统,一则要性

针对存在丢包的传感器网络中每个传感器节点对目标估计确信度不同的问题, 提出一种基于自适应加权融合的分布式滤波算法. 考虑节点在网络中的影响力及其节点属性, 将节点重要度与传感器网络节点观测数据间的支持度线性加权, 获得每个传感器节点对目标的估计确信度, 并将该确信度构成的融合权值引入节点状态估计值的一致性协议中, 更新传感器节点对目标的状态估计值, 提高分布式滤波算法的估计精度和传感器节点估计值的一致性. 仿真结果验证了所提出方法的有效性.

BBV模型的特点分析： (1).度分布，边权分布，点权分布均服从幂律分布，具体地： 度分布： 说明BBV模型可以生成幂指数介于[2,3]之间的无标度网络. 边权分布： 点权分布：

针对电信领域客户流失的问题,提出了改进聚类的客户流失预测模型。根据通信行业中实际客户流失数据的正负样本数量不平衡而且数据量特别大的特点,提出带有不同权重参数的改进聚类算法,并将其用于电信行业的客户流失预测模型中。通过实际电信客户数据集测试,与传统的预测算法比较,证明这种算法适合解决大数据集和不平衡数据,具有更高的精确度,能够取得较好的客户流失预测效果。

针对无线传感器网络中DV-HOP定位算法在精度和误差度方面的不足，在其基础上提出了基于加权重值的最小二乘法的改进算法。通过利用锚节点的影响力大小不同，从而确定最小二乘法的权重值，再运用加权似然估计方法和三边测量定位法，求得未知节点的位置坐标。最后以Matlab软件作为仿真平台，比较改进前后的两个定位算法在锚节点比例不同的条件下，对定位误差、覆盖度和精度的影响，结果显示改进后的定位算法误差提高了5%，并且低于30%，精度提高了4%。

matlab开发-图像对比度增强亮度保留最佳算法修正和加权总和。基于最优伽玛校正和加权和的图像对比度增强亮度保持

以新兴的盲均衡技术为理论基础，一些盲均衡算法相继提出。本文以高阶的QAM信号作为输入信号，针对常模算法、多模算法、加权多模算法存在的缺陷，最终引入一种性能优越的加入动量项的加权多模算法。通过计算机的仿真实验首次对这些算法进行依次比较，所得实验结果表明加入动量项的加权多模盲均衡算法在信道均衡上的性能明显优于前面几种算法，它具有更快的收敛速度和更小的稳态误差，因此具有实用价值。

目的压缩感知理论突破了传统的Shanon-Nyquist采样定理的限制,能够以较少的采样值来进行原信号的恢复。针对压缩感知图像重建问题,提出一种基于优化加权全变差(TV)的复合正则化压缩感知图像重建模型。方法提出的重建模型是以TV正则化模型为基础。首先,为克服传统TV正则化会导致重建图像的边缘和纹理细节部分模糊或丢失的缺点,引入图像的梯度信息估计权重,构建加权TV的重建模型。其次,利用全变差去噪(ROF)模型对权重进行优化估计,从而减少计算权重时受噪声的影响。再次,将非局部结构相似性先验和局部自回归性先验引入提出的加权TV模型,得到优化加权TV的复合正则化重建模型。最后,结合投影法和算子分裂法对优化模型求解。结果针对自然图像的不同特性,使用复合正则化先验进行建模,实验结果表明上述重建问题通过本文方法得到了很好的解决,加权TV正则化先验使得图像的平坦区域和强边重建较好,而非局部结构相似性先验和局部自回归性先验能够保证图像的精细结构部分的重建效果。结论与其他基于TV正则化的重建模型相比,本文模型的重建性能无论是在视觉效果还是在客观评价指标上都有明显的提高。

WEIGHTEDCORRS 返回加权相关系数的对称矩阵 R，该矩阵根据输入的 T×N 矩阵 Y 计算，该矩阵 Y 的行是观察值，列是变量，以及观察值权重的输入 T×1 向量 w。 如果观测值的相关性不同并且需要根据某些理论假设或知识进行加权，则此函数可能是 CORRCOEF 的有效替代方法。 R = WEIGHTEDCORRS(Y, w) 返回一个半正定矩阵 R，即它的所有特征值都是非负的（参见帮助部分的示例 1）。 WEIGHTEDCORRS 是这样的 WEIGHTEDCORRS(Y, w) == WEIGHTEDCORRS(a * Y + b, w) 其中 a 和 b 是两个实数（参见帮助部分的示例 1）。 此外，如果通过任意仿射变换 y = a * x + b 改变 Y 的每一列的单位制，函数提供的结果不会改变，其中 a 和 b 是两个实数，a > 0 (请参阅帮助部分中的示例

将文本或波形文件作为输入并计算以 dBA 为单位的声压级。