yolov8n-seg.pt，yolov8s-seg.pt，yolov8m-seg.pt，yolov8l-seg.pt，yolov8x-seg.pt分割预训练权重文件

包括yolov5l.pt,yolov5m.pt,yolov5s.pt,yolov5x.pt预训练权重文件

蜜蜂CNN模糊进化深度学习算法（人脸识别，智能优化算法，MATLAB源码分享） 在训练阶段之后，可以使用进化算法拟合深度学习权重和偏差。 这里，CNN用于对8个人脸类别进行分类。 在CNN训练之后，创建初始模糊模型以帮助学习过程。 最后，CNN网络权重（来自全连接层）使用蜜蜂算法训练，以自然启发的方式进行拟合（这里是蜜蜂的行为）。 可以将数据与任意数量的样本和类一起使用。 请记住，代码的参数是根据数据进行调整的，如果要替换数据，可能需要更改参数。 图像数据大小为64*64，2维，存储在“CNNDat”文件夹中。 因此，重要的参数如下： “numTrainFiles”=您必须根据每个类中的样本数量来更改它。 例如，如果每个类有120个样本，那么90个就足够好了，因为90个样本用于训练，而其他样本用于测试。 “imageInputLayer”=图像数据的大小，如[64 64 1] “fullyConnectedLayer（完全连接层）”=类的数量，如（8） “MaxEpochs”=越多越好，计算运行时间越长，如405。 “ClusNum”=模糊C均值（FCM）聚类数，如3或4很好

改进动态窗口DWA算法，模糊控制自适应调整评价因子权重，matlab代码，完全自己编写 这段代码是一个基于动态窗口法（Dynamic Window Approach，DWA）的路径规划算法的实现。下面我将对代码进行分析，并解释算法的优势、需要注意的地方以及独特算法所用到的内容。 首先，代码开始时定义了一个地图map0，表示机器人的运动环境。地图中的0表示可通行的区域，1表示障碍物。接着，代码对地图进行了旋转，以保证地图和预期设置的地图一致。然后，获取了地图的高度和宽度。 接下来，代码设置了绘图的参数，并绘制了地图中的障碍物。障碍物的坐标保存在obstacle数组中。然后，代码定义了起始点和目标点，并在图中绘制了起始点和目标点。 接着，代码计算了机器人的初始航向角，使其朝向目标点，以防止陷入局部最优。然后，定义了机器人的状态，包括位置、航向、线速度和角速度。 代码中的dt表示仿真步长，predictT表示前向模拟时间。obs表示障碍物的坐标数组，collisionR表示碰撞半径。 接下来，代码定义了运动学的限制，包括最高速度、角速度、加速度、角加速度以及线速度和角速度的分辨率

YOLOv8预训练权重文件集合(YOLOv8n,YOLOv8s,YOLOv8m,YOLOv8l,YOLOv8x) YOLOv8 pretrained Detect models are shown here. Detect, Segment and Pose models are pretrained on the COCO dataset, while Classify models are pretrained on the ImageNet dataset. Model size (pixels) mAPval 50-95 Speed CPU ONNX (ms) Speed A100 TensorRT (ms) params (M) FLOPs (B) YOLOv8n 640 37.3 80.4 0.99 3.2 8.7 YOLOv8s 640 44.9 128.4 1.20 11.2 28.6 YOLOv8m 640 50.2 234.7 1.83 25.9 78.9 YOLOv8l 640 52.9 375.2 2.39 43.7 165.2 YOLOv8x 640 53

包含两个数据集：mnist160和imagenet100 三个权重参数文件：yolov8n-seg.pt，yolov8n-cls.pt，yolov8n-pose.pt

多目标决策中的权重敏感性分析 多目标决策中的权重敏感性分析

该资源包含：yolov8n.pt，yolov8s.pt，yolov8m.pt，yolov8l.pt，yolov8x.pt目标检测预训练权重文件

AHP层次分析法——一致性检验以及权重计算。层次单排序以及层次总排序一致性检验说明文档。详细，注意细节。文件最后到第二行应该是B3应该是B2。

yolov8权重文件：分类+检测的n、s、m、l、x五个权重文件