为提高医学图像分割的效果，针对二维Tsallis熵阈值法图像分割效果受参数q选择的影响，提出一种基于云模型萤火虫算法优化二维Tsallis熵的医学图像分割算法。首先，将云模型引入萤火虫算法，提高萤火虫算法的收敛速度和寻优能力；其次，选择均匀性测度作为医学图像分割的评价指标，运用CMFA算法对二维Tsallis熵阈值法参数q进行自适应寻优。研究结果表明，与FA-Tsallis和Tsallis相比较，CMFA-Tsallis的均匀性测度最高，分割出来的结果边界清晰，从而证明本算法的有效性。

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。

在基于小波变换的图象压缩方案中，嵌入式零树小波 EZW(Embedded Zerotree Wavelets)[1]编码很好地利用小波系数的特性使得输出的码流具有嵌入特性。近年来，在对EZW改进的基础上，提出了许多新的性能更好的算法，如多级树集合分裂算法(SPIHT :Set Partitioning In Hierarchical Trees)[2]，集合分裂嵌入块编码(SPECK：Set Partitioned Embedded bloCK coder)，可逆嵌入小波压缩算法(CREW:Compression with Reversible Embedded Wavelets)[3] 。本文对这些算法进行了原理分析、性能比较，说明了嵌入式小波图象编码的研究方向。

基于元胞自动机模拟和遗传算法改进的动态网络分配模型分析（Matlab完整程序和数据） 元胞自动机模拟，遗传算法改进，动态网络分配模型分析，Matlab完整程序和数据。 元胞自动机，遗传算法是很久之前就提出的模型，受碍于计算设备的局限，经过实践的证明，如今才应用于本领域也是非常有用的工具。 NaSch模型与NSGA—II算法结合，在对交通网络基于完善规则的模拟的情况下，应用恰当的算法可以对交通网进行一定程度的优化。

K均值的时间复杂度为NKTD，其中，N代表样本个数，K代表k值，即聚类中心点个数，T代表循环次数，D代表样本数据的维度。 本算法的改进主要在以下方面： 一， 初始聚类中心点，传统的初始中心点是随机选择，由于K均值算法受初始中心点影响较大，为获得更好的效果，在本方法中，先将数据采用层次聚类的方法预处理，得到的k个中心点作为K均值算法的中心点。 二， 传统的聚类中心点更新是在结束一次循环后，本方法的聚类中心采用实时更新策略，即每次将一个模式归于一个新的聚类中心时，即立刻更新新的所属中心和原属聚类中心的中心值，增强算法的收敛性。 三， 为达到类内方差最小化，类类方差最大化这一原则，考虑到往往设定的K值不一定能很好实现聚类效果，故将以往的固定聚类中心改为一浮动区间。原有K为最小聚类中心个数，另设一聚类中心个数上限maxK。其具体实现如下： 1） 当一待聚类的模式得到其最近中心时，计算该聚类中心类内方差和将此模式归于该中心之后的类内方差，如果两者差别大于某设定阈值，则以该模式数据为基础，得到一新的聚类中心。 2） 当当前聚类中心个数等于设定的最大聚类中心时，合并最相邻的两个聚类。为使得到的聚类效果更为均衡，应该优先合并维度较小的聚类类别。

将传统均值漂移算法进行改进，针对有遮挡，目标快速变化以及目标尺度变化等情况进行改进

用MATLAB编写测试函数的五种PSO改进算法

基于改进SSD算法(SE+特征融合)的苹果叶病虫害识别系统源码(pytorch框架)+改进前源码+病害数据集+项目说明.zip 主要改进点如下： 1、替换backbone为Resnet/MobileNet 2、添加一种更加轻量高效的特征融合方式 feature fusion module 3、添加注意力机制 (Squeeze-and-Excitation Module 和 Convolutional Block Attention Module) 4、添加一种解决正负样本不平衡的损失函数Focal Loss 附有苹果叶病害数据集，可训练模型

改进yolov5(多检测头+注意力机制+repvgg结构)pytorch源码+项目说明.zip 集成yolov5(v6.0), 注意力机制， 和repvgg结构 添加了多头检测代码，使用train_multiple_detection_head.py文件进行训练 添加了检测+关键点代码，使用train_key_point.py文件进行训练

深度学习算法改进(GAM注意力_STN模块_SE模块_ODConv动态卷积_FAN注意力模块实现源码+各改进说明) 1、引入了3D-permutation 与多层感知器的通道注意力和卷积空间注意力子模块 2、入了一个新的可学习模块--空间变换器，它明确地允许在网络中对数据进行空间操作。 3、重新校准通道特征反应来适应性地调整 通过明确地模拟通道之间的相互依存关系，自适应地重新校准通道的特征响应。 4、全维动态卷积（ODConv），一种更通用但更优雅的动态卷积设计 5、完全注意网络(FAN) ，它们通过结合注意通道处理设计来加强这种能力 该源码适合有一定深度学习算法基础的工程师下载学习借鉴！