乌日达 具有统一联合分布对齐的无监督域自适应 先决条件： Python3 PyTorch == 0.4.1（具有合适的CUDA和CuDNN版本） 火炬视觉== 0.2.0 脾气暴躁的 tqdm 资料集： 您需要在“ ./data”中的每个“ .txt”中修改图像的路径。 训练： 跑步 ： python train.py --config ../config/dann.yml --dataset Office-31 --src_address ../data/amazon.txt --tgt_address ../data/dslr.txt --src_test_address ../data/amazon.txt 引文： 如果您使用此代码进行研究，请考虑引用： 接触 如果您对我们的代码有任何，请随时联系 。

领域自适应深度网络压缩 提供ICCV 2017 ，可在找到海报。 也可以使用。 如何运行tensorflow代码 该示例是在简单的非域转移简单实验上完成的。 我们在MNIST数据集上从头开始训练LeNet网络，然后使用SVD基线或我们提出的DALR方法压缩网络。 示例代码在jupyter笔记本中给出。 cd code/tensorflow jupyter notebook Experiment_LeNet_MNIST.ipynb 如何运行Matlab代码 可以从下载示例网络，然后将其复制到新文件夹“ nets /”。 mkdir nets cd nets wget http://mmasana.foracoffee.org/DALR_ICCV_2017/birds_vgg19_net.mat 然后，可以通过在MatLab终端上调用“ mainScript_compress_DALR.m

自适应粒子群优化是一种优化算法，它是粒子群优化（Particle Swarm Optimization，PSO）的一种变体。与传统的PSO不同，APSO使用自适应策略来调整算法的参数，以提高算法的性能和收敛速度。 APSO的主要思想是根据群体的收敛情况动态调整算法的参数。APSO的核心算法与PSO类似，由粒子的速度和位置更新规则组成。每个粒子通过与局部最优解和全局最优解比较来更新自己的位置和速度。 APSO的另一个关键之处是学习因子的自适应调整。在每个迭代中，APSO会计算每个粒子的适应度值。如果适应度值的方差较小，则学习因子的值会变小，以便更加收敛到最优解。相反，如果适应度值的方差较大，则学习因子的值会变大，以便更好地探索解空间。

为了改善针对一般非线性离散时间系统的控制性能，引入“拟伪偏导数”概念，给出了一般非线性离散时间系统沿迭代轴的非参数动态线性化形式，并综合BP神经网络以及模糊控制各自的优点，提出了基于BP算法无模型自适应迭代学习控制方案。仿真结果表明，该控制器对模型有较强的鲁棒性和跟踪性。

针对某小型实验无人机智能自主飞行的要求,提出了一种无人机纵向姿态的模糊控制方法,设计了模糊自 适应 PID控制器,可有效实现该无人机的纵向姿态控制和纵向航迹跟踪。仿真结果表明,所设计的模糊自适应 PID 控制器较传统的 PID控制器具有更好的控制性能 ,其响应快、超调小、精度高,而且鲁棒性和自适应能力也较强,可 满足自主飞行的要求。

C# winform 开发的带多选的下拉控件 自适应屏幕 C# winform 开发的带多选的下拉控件 可以根据窗体位置自适应显示下拉列表的位置 可以多选 比较方便

REMD是一种改进的经验模式分解，由软筛选停止标准（SSSC）提供支持。 SSSC是一种自适应筛分停止标准，用于自动停止EMD的筛分过程。 它从混合信号中提取出一组单分量信号（称为固有模式函数）。 它可以与Hilbert变换（或其他解调技术）一起用于时频分析。

提出了一种新型的基于Sagnac干涉仪的双向Sagnac分布式光纤传感器,可对传感光纤线路上的扰动进行检测与定位。阐述了该分布式光纤传感系统的组成和工作原理。利用基于最小均方(LMS)算法的自适应时延估计方法直接在时域上对扰动信号进行定位。理论分析和测试结果表明,该分布式光纤传感器能快速、有效地实现扰动信号的检测及定位。算法简单易实现,具有较高的测试灵敏度和定位精度,最大定位误差小于20 m。

§4.4 基于广义旁瓣相消器的部分 自适应设计 最优波束形成：  0 min . 1 H W H W RW S t W a        1 0optW R a    2 1 1 p nEVD H H i i i n i i i i p R v v v v        2 1 2 1 1 p Hi n i i in i R I v v                0 1 p opt i i i W a v             ：指向目标的导向矢量（固定）。 0a  1 p i i i v   1 2( , , , )pspan v v v：

基于对现有图割算法的研究，本文进一步设计了基于自适应分水岭算法并且使用非参数深度平滑模型来建立图割的能量方程的立体匹配方法。提出了新的自适应局部阈值方法，并将其应用于分水岭结合Prim算法的区域融合中。该方法选取相同亮度的像素当作同一个特征矢量形成像素组层，这样两幅或多幅图像的匹配可以在特征区域像素组层来计算，大大减少了数据量。在最小化能量方程时，基于像素组层优化现有的α-扩展算法，降低运行时间。实验结果表明：通过Middlebury测试平台对算法定量评估得出在所有区域误匹配、非遮挡区域以及深度不连续区域的误匹配率都控制在8.5%以内，在Middlebury测试平台135组数据中排名第19位。