近年来，有许多使用服务质量（QoS）参数执行工作流应用程序的调度算法。 在本文中，我们考虑到异构资源的时间和成本约束，改进了调度工作流算法，该算法称为使用子截止时间调度（BDSD）约束的BudgetDeadline。 有了用户所需的截止日期和预算约束，我们使用BDSD算法来找到满足这两个约束的调度。 我们使用规划成功率（PSR）来展示算法的有效性。 在模拟实验中，我们使用随机工作流应用程序和实际工作流应用程序进行实验。 仿真结果表明，与其他算法相比，我们的BDSD算法在任务和处理器上具有较高的PSR和较低的时间复杂度（2）。

针对传统Harris角点检测算法进行改进，提出了一种基于改进Harris的图像拼接算法．首先，通过修改角点响应函数，引进8邻域比较以及圆形非极大值抑制窗口，采用NCC算法对检测出的Harris角点进行粗匹配，采用RANSAC算法剔除误匹配，最后对匹配图像进行图像融合，完成图像拼接．仿真结果表明，该算法提高了图像拼接的准确性、稳定性和鲁棒性，能够达到无缝拼接，具有优良的实用性．

matlab ica 独立成分分析代码独立子空间分析：盲源分离 结构化数据课程项目：学习、预测、依赖、测试 重现我们的实验： 运行以下脚本： Experiment_ecg.py : 能够对心电图数据执行多维 ICA 的脚本（心电图的 3 个通道，我们希望将婴儿的心电图与其妈妈的心电图分开，与 Cardoso 的论文 (1) 中的相同）改编自 Cardoso 的论文多维独立成分分析（1）。 ICA 的可用实现是 JADE 和 FastICA。 Experiments_audio.py ：能够对音频数据执行 ICA、多维 ICA 和 FastISA 的脚本。 通过更改标志，可以执行以下任一操作： ICA（将标志方法设置为ica ）对两首歌曲的混合（使用 JADE 或 FastICA（将标志算法设置为jade或fastICA ）） 混合曲目上的 MICA（将标志方法设置为mica ）在两首歌的混合（使用 JADE 或 FastICA（将标志算法设置为jade或fastICA ）） 混合轨道上的 fastISA（将标志方法设置为 fastISA） Experiments_images.py ：

电压控制型电流源(VCCs)广泛用于医疗器械、工业自动化等众多领域。VCCs 的直流、交流性能和驱动能力在这些应用中至关重要。本文分析了增强型 Howland 电流源(EHCS)电路的局限性，并阐述了如何利用复合放大器拓扑进行改进，以实现高、快速建立的±500 mA电流源。　　增强型Howland电流源　　图1所示为传统的Howland电流源(HCS)电路，而公式1显示了如何计算输出电流。如果R2足够大，输出电流将保持恒定。　　图1.Howland电流源电路　　虽然较大的R2会降低电路速度与，但在反馈路由中插入一个缓冲器，形成一个增强型Howland电流源可以解决这一问题，如图2所示。所有通过

采用相位差校正法进行频谱校正，对幅值进行校正需要依赖于窗函数的谱函数。而实际上很多窗函数都十分复杂，其谱函数的解析表达式难以取得。该文提出基于相位差法取得频率修正量后，可以将原加窗序列乘以一个由频率修正量产生的复数序列，相当于进行一个小的频移，产生一个新的序列。新序列的信号频率正好对准离散频谱上的某一根谱线，不会产生泄漏。因此在幅值校正时不需要依赖窗函数的谱函数，通用性好。仿真研究和应用实例表明，采用该文提出的方法，选择合适的窗函数，即使是密集分布的频谱，也可以达到理想的校正精度。

【LSTM预测】贝叶斯网络改进LSTM预测【含Matlab源码 1158期】.zip

针对传统灰色模型在多原始数据、长时间尺度的负荷预测情景下预测精度差的问题，文中分析了灰色模型（Gray Model，GM）的基本原理，并提出相应的改进措施，其中包括原始数据的加权处理、选取合适的初始条件及自适应优化模型参数。并将改进灰色模型（Improved Grey Model，IGM）应用于电力负荷预测。通过算例分析结果表明，无论在短期负荷预测还是在中长期负荷预测的情景下，所提出基于改进灰色模型的电力负荷预测方法相比于传统灰色模型，均具有更高的预测准确性，能够为电力系统的安全、稳定运行以及合理的规划提供重要支撑。

基于卡尔曼滤波改进的MTCNN网络人脸检测算法.pdf

针对K-means算法易受随机选择的初始聚类中心的影响和划分准确率不高的缺点，给出了一种改进的K-means算法。首先对初始聚类中心的选择过程进行了改进，然后对各样本点间差异最大的维进行加权处理。在Iris数据集上对原始算法和改进后的K-means算法的聚类结果进行对比分析。实验证明：改进后的算法稳定，且聚类的准确率达到了92％。

根据人工神经网络处理大规模非线性动力系统、遗传算法具有较好的寻优能力的特点，将二者有机的结合起来，提出了基于遗传算法改进的洪水预报模型，并将其应用于四川省达州市州河流域的水文预报。实验结果表明，本模型能够减少训练次数，提高预报精度，能更好的对洪水进行预报。