借助生物免疫系统的机理和约束控制的概念，本文提出一种求解动态多目标多模态约束优化的免疫优化方法。这种方法主要由环境检测、群体初始化和免疫进化三个模块构成。第一个模块是受到免疫监视的机理的启发而获得，其用于检测环境是否发生变化和确定环境的类型；第二个模块依据检测结果产生初始群体；第三个模块沿着不同方向进化两个子群。实验结果表明该方法能有效发现各环境的全局Pareto面。

双峰和多峰的直方图

目前,对于整体优化问题已经进行了大量理论研究,并提出了许多基于导数的解析方法和其他非解析的数值优化技术。但是,在实际领域中存在着各种高度复杂的优化问题,其目标函数可能表现为非连续或非处处可微、非凸、多峰和带噪声等各种形式,这类复杂优化问题不适合于采用解析方法,同时用传统上的搜索技术求解也会遇到许多困难。针对上述问题,提出利用遗传算法求解多峰函数的优化方法,新方法利用遗传算法的鲁棒性,对多峰函数进行优化,并用Matlab进行仿真,实验结果表明,遗传算法可以快速稳定地搜索到多峰函数的最优解。 更多还原

多相透射电镜 具有深度约束的瞬态电磁数据的多峰分层多维反演 （可用于所有基于地面的TEM测量设计，请参见下面的参数列表） MuLTI-TEM算法是由利兹大学地球与环境学院的Siobhan Killingbeck和Phil Livermore在2019年撰写的。 它基于Thomas Bodin编写的Matlab代码。 MuLTI-TEM是在Matlab 2017a版本中开发的，因此提供的所有Matlab代码都可在此版本或后续的Matlab版本中使用。 该代码可以在基于Linux或Windows的平台上运行。 该github存储库包括： 一维和二维MuLTI-TEM Matlab脚本 在主脚本中调用了两个matlab函数“ thicknesses_and_priors”和“ whichnuclei”， 一维和二维示例数据集，用于测试MuLTI-TEM一维和二维代码， 适用于Linux和

em算法matlab代码多用途TEM 10x10 具有深度约束的时域电磁数据的多峰分层多维反演 （仅可用于具有15 m偏移Rx的10 x 10 m Tx，请参阅所有其他测量选项） MuLTI-TEM算法是在Matlab 2017a版本中开发的，因此，提供的所有Matlab代码都可以在此版本或后续的Matlab版本中使用。 该代码可以在基于Linux或Windows的平台上运行。 该github存储库包括： 一维和二维MuLTI-TEM Matlab脚本以及两个在主脚本中调用的matlab函数“ thicknesses_and_priors”和“ whatnuclei”， 一维和二维示例数据集，用于测试MuLTI-TEM 1D和2D代码， 修改后的Leroi前向建模代码（称为LEROI_TEM.F90），用Fortran 95编写，并且它是以前在MatLTI-TEM脚本中在Matlab中针对基于Linux和Windows的平台调用的对应LEROI_TEM mex文件。 可以从CSIRO / AMIRA P223F项目的以下位置下载原始的Leroi代码：。 mex界面已在CentOS 7和

多模式语音情感识别和歧义解决 总览 从语音中识别情感是一项与情感本身含糊不清的定义有关的艰巨任务。 在这项工作中，我们建立了轻量级的多模式机器学习模型，并将其与较重且难以解释的深度学习对应模型进行了比较。 对于这两种类型的模型，我们都使用来自给定音频信号的手工制作的功能。 我们的实验表明，轻量级模型可以与深度学习基准媲美，甚至在某些情况下甚至可以胜过深度学习基准，从而在IEMOCAP数据集上实现了最先进的性能。 获得的手工特征向量用于训练两种类型的模型： 基于ML：逻辑回归，SVM，随机森林，极限梯度增强和多项朴素贝叶斯。 基于DL：多层感知器，LSTM分类器 该项目是滑铁卢大学CS 698-计算音频课程的一个课程项目。 有关详细说明，请查看。 数据集 数据集用于这项工作中的所有实验。 请参阅该，以获取对应用于数据集的预处理步骤的详细说明。 要求 所有实验均使用以下库进行了测试： xgboost == 0.82 火炬== 1.0.1.post2 scikit学习== 0.20.3 numpy == 1.16.2 jupyter == 1.0.0 熊猫== 0.24.1

mmTransformer的正式实现： 堆叠式变压器的多峰运动预测。 （CVPR 2021）[] [] 代码将于4月发布。 引文 如果您发现我们的工作对您的研究有用，请考虑引用该论文 @article{liu2021multimodal, title={Multimodal Motion Prediction with Stacked Transformers}, author={Liu, Yicheng and Zhang, Jinghuai and Fang, Liangji and Jiang, Qinhong and Zhou, Bolei}, journal={Computer Vision and Pattern Recognition}, year={2021} }

CMU-Multimodal SDK版本1.2.0（mmsdk） CMU-Multimodal SDK提供了一些工具，可以轻松加载知名的多峰数据集并快速构建神经多峰深度模型。 因此，SDK包含两个模块：1）mmdatasdk：使用计算序列下载和处理多峰数据集的模块。 2）mmmodelsdk：利用复杂神经模型以及用于构建新模型的层的工具。 先前论文中的融合模型将在这里发布。 这里的所有数据集都是使用SDK处理的（甚至是使用SDK V0的old_processed_data文件夹）。 您可以通过在数据集上调用以下函数来获取项目中使用的计算序列的引用： >> > mydataset . bib_citations ( open ( 'mydataset.bib' , 'w' )) >> > mycompseq . bib_citations ( open ( 'mycompseq.bib

Ackley、Alpine、Dminima、egg、Griewank、levy、NoncontinousRastrigin、Rastrigin、Rastrigin10、Rastrigin100、Schaffer、SchafferF7、Schwefel、shubert、stybtang、weierstrass 多峰测试函数代码

界面简洁，功能强大，易于上手的一款数值优化仿真计算软件平台。与Lingo、GAMS、matlab等相比毫不逊色。非线性优化使用通用全局优化算法，对初值不依赖。