TensorFlow中的深度学习模型 该存储库包含使用实现几种深度学习模型的jupyter笔记本。 每个笔记本均包含有关每种型号的详细说明，希望可以简化所有步骤。 笔记本在Python 3.6，Tensorflow 1.8中运行 楷模：

代码说明： 说明： 提供 基于粒子群算法优化的变分模态分解算法，适应度函数选择的是模糊熵(This paper presents a variational mode decomposition algorithm based on particle swarm optimization, and the selection of fitness function is fuzzy entropy) 文件列表： hk, 0 , 2019-06-10 hk\func_1.m, 889 , 2019-06-10 hk\MFE.m, 1522 , 2019-06-10 hk\PSOVMD算法之仿真改.m, 1954 , 2019-06-10 hk\VMD.m, 4302 , 2019-06-10 hk\ww13.TXT, 9476311 , 2019-06-10

本文介绍了最优化方法和最优控制的基本概念和应用。其中包括欧拉-拉格朗日方程和变分法等数学工具的应用，以及最优控制问题的求解方法和应用实例。本文旨在帮助读者深入了解最优化方法和最优控制的理论和实践应用。

这是基于全变分的图像分解算法。下载解压后直接运行。

为解决水下图像的分割问题，在李纯明模型（Li模型）和Chan-Vese模型（C-V模型）的基础上提出了指定目标的分割方法和多灰度目标的分割方法。对于指定灰度目标的分割方法，在C-V模型基础上加入了小范围的距离约束项，使其具有了局部性，可在多灰度目标中分割出预期目标；对于多灰度目标的分割方法，在李纯明方法的基础上加入了边缘定位函数作为其内部能量项，其对多灰度目标分割结果较好，且抗噪性较好。最后通过实验证明本文2种方法对水下多灰度目标图像的分割是有效的。

将一维输入信号基于频谱分解为 k 个波段分离模式。 在这里，我们提出了一个完全非递归的变分模式分解模型，其中模式是同时提取的。 该模型寻找一组模式及其各自的中心频率，以便这些模式共同再现（1D）输入信号，而每个模式在解调到基带后都变得平滑。 使用乘数方法的交替方向方法可以有效地优化变分模型。 应用：音频工程中的信号分解、气候分析、医学和生物学中的各种通量和神经肌肉信号分析等。 这是经验模式分解（EMD；Huang et al. 1998）或经验小波变换（EWT；Gilles 2013）的变分替代方案。 参见：K. Dragomiretskiy 和 D. Zosso，变分模式分解，IEEE Trans。 信号处理（印刷中）。 http://dx.doi.org/10.1109/TSP.2013.2288675

对于一些展开结构，为达到其设计性能，必须采用特殊的索、膜结构，这些索、膜部件表现出不同的拉压性质。具有拉、压不同性质的材料或结构的力学分析，体现出较强的非线性特征，需要针对这类问题发展有效的求解算法。建立了由拉压刚度不同杆单元组成的桁架结构的动力学参变量变分原理，将拉压刚度不同桁架问题的非线性动力分析转换为线性互补问题求解。结合时间有限元方法构造了求解此问题的保辛数值积分方法，此方法不需要迭代和刚度矩阵更新，避免了迭代求解方法的收敛问题，计算过程稳定、高效。

pytorch实现变分自编码器

采用变分原理与位力定理研究了非线性光通信系统色散补偿方案中,相邻孤子之间的相互作用对孤子传输特性的影响。结果表明:在相位匹配与等幅孤子注入时,在普通单模光纤中这两个孤子先相互吸引,而后又相互排斥,显现周期性碰撞的变化规律,形成束缚孤子态,而在色散补偿光纤中传输的孤子之间不发生碰撞;对相位不匹配与等幅孤子注入,孤子之间发生分离;对相位匹配和不等幅孤子注入,在色散补偿光纤中传输的孤子,如果初始间隔φ0越小,应注入较大的初始幅值差η0,以利于孤子的传输。

利用 Cosserat理论建立了细长杆的三维非线性动力学模型。 借助伪刚体法和变分原理得到了 Cosserat杆的包括各种形变的三维空间运动方程。