MATLAB实现GMDH自组织网络模型时间序列预测（完整源码和数据） 数据为单变量时间序列数据，程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及以上。

MATLAB实现GMDH自组织网络模型多输入回归预测（完整源码和数据） 数据为多输入回归数据，输入7个特征，输出1个变量,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及以上。

本文提出了一种适用于车辆自组织网络的新型自适应时分多址（TDMA）时隙分配协议（ATSA）。 ATSA根据在相反方向上行驶的车辆划分不同的时隙组。当一个节点访问网络时，它选择帧长并根据其方向和位置竞争一个插槽以与其他节点通信。基于二叉树算法，将帧长度动态加倍或缩短，并调整两个时隙集的比率以降低传输冲突的可能性。理论分析证明，ATSA协议可以将时间延迟至少比用于车辆自组织网络（VeMAC）的媒体访问控制协议减少20％，并且比自组织网络减少30％。仿真实验表明，ATSA具有良好的可扩展性，与VeMAC相比，冲突将减少约50％，与几种现有协议相比，信道利用率得到显着提高。

MOEA-D-SDSS 基于自组织分解的多目标优化及其在耐撞性设计中的应用，应用软计算。

som matlab代码尔索姆 Python中的轻型自组织图（SOM，又称Kohonen地图） 对于在巴黎UPMC的LOCEAN的研究项目，我需要在Python中使用SOM。 Matlab（）中提供了一个巨大的工具箱，但是我很难找到适合我需求的Python包（一个轻便但灵活的方法，它经过多步培训，经过很好的注释，可以在运行时更改参数批量学习）。 我决定编写所需的代码，并在此处共享，希望它对某人有用。 这是一个示例代码，文件中的注释应足够完整： from lsom import * X = np.concatenate((np.random.rand(100,3) , np.random.rand(100,3)+np.asarray([1,1,1]))) (vap, vepu, pc) = pca(X) koh = SOM((5,5), 3, hexagonal=True, init_fun=init_koh_pca(vap, 200, (5,5)) ) koh.train(pc, niter=30, lrate=.9, iradius=5) koh.quality(pc) draw_k

利用自组织特征映射神经网络进行可视化聚类.pdf

人工智人-家居设计-多智能体交通拥堵自组织控制策略研究.pdf

MIT算法导论公开课之课程笔记 4.竞争性分析、自组织表.rar

TensorFlow自组织图 TensorFlow 1.5和Python 3.6的Kohonen自组织映射1的实现。 提供了一个Tensorflow V2版本，该版本位于tfv2分支中。 （感谢Dragan！）这最初是基于代码，但进行了一些关键的修改： 使用TensorFlow广播语义而不是tf.pack和for循环。 输入数据应该来自Tensor而不是tf.placeholder ，从而可以与更快，更复杂的输入数据管道一起使用。 培训使用批处理算法而不是在线算法，如果您具有GPU RAM，则可以大大提高速度。 另外，因此，我添加了... 多GPU支持（对于具有多个GPU的单机，它没有多节点培训）。 Tensorboard可视化的一些摘要操作 example.py通过在3个群集玩具数据集上训练SOM来包含其用法的简单示例。 产生的u-matrix应该看起来像这样： 请注意，该示

针对自治水下机器人(AUV) 研究中的多机器人多任务分配问题, 提出一种基于自组织映射(SOM) 神经网络
的多AUV多目标分配策略. 将目标点的位置坐标作为SOM神经网络的输入向量进行自组织竞争计算, 输出为对应
的AUV机器人, 从而控制一组AUV在不同的地点完成不同的任务, 使机器人按照优化的路径规则到达指定的目标
位置. 为了表明所提出算法的有效性, 给出了二维、三维作业环境中的仿真实验结果.