传统的小波神经网络以梯度下降法训练网络，而梯度下降法易导致网络出现收敛早熟、陷入局部极小等问题，影响网络训练的精度。文章将萤火虫算法用于训练小波神经网络，在全局内搜寻网络的最优参数。为了提高萤火虫算法参数寻优的能力，在训练过程中自适应调节γ值。同时利用高斯变异来提高萤火虫个体的活性，在保证收敛速度的同时避免算法陷入局部极小。将优化后的小波神经网络用于短期负荷预测，实验证明改进后的预测模型非线性拟合能力较强、预测精度较高。
2024-09-15 20:58:26
172KB
1
CRC校验算法是一种广泛应用于数据通信和存储领域的错误检测技术，它的全称为Cyclic Redundancy Check。该算法基于多项式除法原理，通过计算数据的校验码，确保数据在传输或存储过程中未发生错误。CRC的核心思想是生成一个简短的固定位数的校验码，这个校验码是根据原始数据计算出来的，并附加到数据后面。接收方收到数据后，会重新计算校验码并与接收到的校验码进行比较，如果两者一致，则认为数据传输无误。
CRC的计算涉及几个关键参数，包括：
1. WIDTH：表示CRC值的位宽，如CRC-8表示生成的CRC为8位。
2. POLY：这是十六进制的多项式，通常省略最高位1，如x8 + x2 + x + 1，其二进制为100000111，转换为十六进制为0x07。
3. INIT：CRC的初始值，与WIDTH位宽相同。
4. REFIN：表示在计算前是否对原始数据进行翻转。
5. REFOUT：表示计算完成后是否对CRC值进行翻转。
6. XOROUT：计算结果与该值进行异或操作得到最终的CRC值。
在实际计算CRC时，首先确定这些参数。例如，对于CRC-8/MAXIM参数模型，假设原始数据为0x34，多项式为0x31。如果REFIN为true，那么需要先对原始数据进行翻转，再进行其他步骤。在CRC8的计算过程中，当遇到1时才进行异或，而不是1就简单地移位。
CRC的计算通常包括以下几个步骤：
1. 如果REFIN为true，原始数据先进行位翻转。
2. 原始数据左移至与WIDTH相匹配的位数，高位补零。
3. 将处理后的数据与多项式进行模2除法，取余数。
4. 余数与XOROUT进行异或。
5. 如果REFOUT为true，将结果进行位翻转，得到最终的CRC值。
CRC8是CRC的一种变体，用于8位数据的校验。它的校验原理与CRC基本相同，但可能有不同的多项式、初始化值和其他参数。CRC8在数据传输中有着广泛的应用，因为它计算简单，对传输错误有较高的检测率。
CRC还可以扩展到CRC16和CRC32，分别用于16位和32位数据的校验。这些更复杂的CRC版本可以提供更强的错误检测能力，适用于更大的数据块。在C语言中实现CRC算法，可以通过宏定义或其他编程技巧来实现不同CRC参数模型的通用性和可移植性。
CRC校验算法是一种有效的错误检测机制，它利用多项式除法的原理生成校验码，确保数据在传输和存储过程中的完整性。通过理解CRC的参数模型和计算过程，开发者可以针对特定应用选择合适的CRC类型，并在C语言等编程环境中实现相应的算法。
2024-09-12 11:09:23
1.18MB
1
整理了：
一阶RC低通滤波器数学模型推导及算法实现
一阶RC高通滤波器数学模型推导及算法实现
二阶RC低通滤波器数学模型推导
二阶RC高通滤波器数学模型推导
陷波滤波器数学公式推导及算法实现
标准卡尔曼滤波器数学公式推导及算法实现
文中对基础知识进行了注释，适合对遗忘的知识的拾起，文中算法的实现都使用了C++语言，适合移植到嵌入式平台，代码也进行了比较清晰的注释，适合理解。
文中所有公式都是up主手动敲出来的。
up主能力有限，难免有错误，欢迎网友指出和交流。
陷波滤波器代码部分不完整，完整代码放置百度云盘，自取：
链接：https://pan.baidu.com/s/1r6mTPmbRJyTKgvBMdlNdIw
提取码：rntb
本文主要涵盖了四种滤波器的公式推导及算法实现，分别是：一阶RC低通滤波器、一阶RC高通滤波器、二阶RC低通滤波器、二阶RC高通滤波器，以及陷波滤波器和标准卡尔曼滤波器。这些滤波器广泛应用于信号处理和数据分析领域，尤其是在嵌入式系统中。
1. 一阶RC低通滤波器：
- 数学模型推导：通过拉普拉斯变换将时域转换为频域，得到传递函数。
- 算法推导：采用一阶后向差分进行离散化，通过采样频率和截止频率计算系数。
- 代码实现：提供了一段C++代码实现了一阶RC低通滤波器。
- 算法验证：通过验证代码来确保滤波器功能的正确性。
2. 一阶RC高通滤波器：
- 数学模型推导：与低通滤波器类似，但传递函数有所不同，允许高频信号通过。
- 算法推导和实现：同样使用离散化方法，计算系数并实现滤波算法。
- 算法验证：验证滤波器效果。
3. 二阶RC低通/高通滤波器：
- 数学模型推导：扩展一阶模型，增加一个电容或电阻，得到更复杂的传递函数。
- 算法推导：推导离散化形式，计算新的系数。
- 实现未在文本中详述，可能需要参考作者提供的完整代码。
4. 陷波滤波器：
- 传递函数推导：设计一个特定的滤波器，以衰减特定频率范围内的信号。
- 算法推导：计算系数并实现陷波滤波算法。
- 代码实现：不完整，完整代码需从链接下载。
5. 标准卡尔曼滤波器：
- 前置知识：介绍递归处理、数据融合、相关数学基础和状态空间方程。
- 算法推导：包括卡尔曼增益的计算、先验和后验估计协方差的求解。
- 算法实现：分别展示了适用于一维、二维或多维的卡尔曼滤波器的C++实现。
卡尔曼滤波是一种高级的滤波技术，它结合了动态系统的状态估计和测量数据，通过递归算法处理数据，实现对系统状态的最优估计。滤波器的选择取决于应用场景，低通滤波器用于抑制噪声，陷波滤波器用于去除特定频率干扰，而卡尔曼滤波器则适用于复杂环境下的动态数据处理。
2024-09-12 11:05:55
4.7MB
1
CSDN海神之光上传的代码均可运行，亲测可用，直接替换数据即可，适合小白；
1、代码压缩包内容
主函数：main.m；
调用函数：其他m文件；无需运行
运行结果效果图；
2、代码运行版本
Matlab 2019b；若运行有误，根据提示修改；若不会，私信博主；
3、运行操作步骤
步骤一：将所有文件放到Matlab的当前文件夹中；
步骤二：双击打开main.m文件；
步骤三：点击运行，等程序运行完得到结果；
4、仿真咨询
如需其他服务，可私信博主或扫描博客文章底部QQ名片；
4.1 博客或资源的完整代码提供
4.2 期刊或参考文献复现
4.3 Matlab程序定制
4.4 科研合作
2024-09-12 09:41:47
15KB
1
Matlab研究室上传的视频均有对应的完整代码，皆可运行，亲测可用，适合小白；
1、代码压缩包内容
主函数：main.m；
调用函数：其他m文件；无需运行
运行结果效果图；
2、代码运行版本
Matlab 2019b；若运行有误，根据提示修改；若不会，私信博主；
3、运行操作步骤
步骤一：将所有文件放到Matlab的当前文件夹中；
步骤二：双击打开main.m文件；
步骤三：点击运行，等程序运行完得到结果；
4、仿真咨询
如需其他服务，可私信博主或扫描视频QQ名片；
4.1 博客或资源的完整代码提供
4.2 期刊或参考文献复现
4.3 Matlab程序定制
4.4 科研合作
2024-09-12 09:39:15
2.67MB
1
RSA算法是一种非对称加密算法，由Ron Rivest、Adi Shamir和Leonard Adleman在1977年提出，因此得名RSA。它在信息安全领域有着广泛的应用，如数字签名、数据加密和安全网络通信等。C语言作为底层编程语言，非常适合实现这种复杂的算法。
RSA的核心原理是基于大数因子分解的困难性。算法主要包括三个步骤：密钥生成、加密和解密。
1. **密钥生成**：
- 选择两个大素数p和q，它们的长度通常为几百到几千位。
- 计算n=p*q，n是公开的模数，其大小决定了密钥的强度。
- 计算φ(n)=(p-1)*(q-1)，φ(n)是欧拉函数值，也是私钥的一部分。
- 选择一个整数e，要求1
2024-09-11 17:14:50
1.3MB
1
1、tiny_yolov4文件夹： 目标检测算法源码，包括：网络搭建、训练好的权重、解码文件、预测文件。
为提升算法速度，我摒弃了YOLOv4框架而采用了Tiny_YOLOv4框架，检测精度虽然有所下降，但每帧推理速度从0.17s提升至0.03s。
2、predict.py： 用于验证目标检测的效果，可单独独立出来运行，与目标跟踪无关。
3、kalman.py： 卡尔曼滤波器，基于恒速运动模型，预测下一帧目标物体的位置。
4、tracker.py： 存储每个时刻不同目标物体的状态，管理目标跟踪整个系统运作过程。
5、main.py： 整个项目的运行入口，直接运行main.py，就可以调用Tiny_YOLOv4 + Sort，处理视频流信息，完成目标跟踪、车流量统计。
6、MVI_39211、MVI_39031：DATRAC数据集测试集的两个视频，交通路段车流量画面。demo1、demo2：调用目标跟踪算法，车流量的每帧统计结果。
2024-09-11 14:58:13
935.7MB
1
液晶显示器技术是现代显示技术领域的重要组成部分，特别是对于电视、手机、电脑和其他便携式设备，高质量的图像显示一直是用户追求的目标。液晶显示器（LCD）使用液晶材料来控制光线通过显示器的各个像素，从而产生图像。为了提高LCD的图像质量，帧率控制（FRC）像素抖动算法被广泛采用，它通过算法上的处理，使得LCD能够显示更丰富色彩和更平滑的灰阶过渡。
FRC算法的核心在于利用人眼对快速变化的图像产生的视觉残留现象，通过对驱动IC的位宽进行控制来实现。传统的FRC算法使用较低的位宽驱动IC，比如6比特，来实现接近于8比特显示效果的色彩表现。但是，这样的方法会导致灰阶数的限制，最大只能输出253级灰阶，无法达到完全的8比特色彩表现。与此相对，Hi-FRC算法能够实现256级完整灰阶显示，但由于算法的不同，它会产生灰阶过渡不均匀以及较为严重的FRC噪声。
论文介绍了一种新的FRC像素抖动算法，其目的是在保持256级完整灰阶显示的同时，提升灰阶过渡的均匀性并降低FRC噪声。新的算法在时间抖动上使用了五帧循环的算法周期，而在空间抖动上则使用了5×5像素矩阵作为算法单元。这种方法在相邻的灰阶之间引入了四个中间级灰阶来取代传统FRC算法中的三个。作者通过数学模型和必要的分析验证算法的合理性，并通过FPGA实验验证了算法的实际显示效果。
像素抖动算法是液晶显示技术中重要的组成部分，它涵盖了时间抖动和空间抖动两个方面。时间抖动利用人眼的视觉惰性，通过在不同时间帧上显示不同的像素状态，使用户感知到中间灰阶的存在，而空间抖动则是通过改变相邻像素的显示状态来达到相似的效果。在实际应用中，为了获得更好的显示效果，时间和空间抖动通常会同时被使用。
文章提到的TFT-LCD（薄膜晶体管液晶显示器）是目前主流的显示技术，在中国得到了快速的发展。它作为LCD面板色彩增强技术的一种，FRC像素抖动算法被广泛应用。FRC算法按照显示灰阶的不同，可以分为多种不同的类型，但在这里主要讨论的是普通8比特位宽的TFT-LCD面板应用。
在设计新的FRC算法时，研究者对传统FRC和Hi-FRC算法的优缺点进行了分析，最终决定引入新的算法周期和算法单元。这种算法的创新之处在于，在原本的灰阶中加入了更多的中间级灰阶，从而使得灰阶过渡更为平滑，色彩显示更加接近自然界的渐变效果。
论文作者王明龙、林敏雄来自于奇景光电(苏州)有限公司、奇景光电股份有限公司以及上海交通大学微电子学院。他们在论文中提到，通过对新算法的设计和FPGA实验，不仅证实了新算法在理论上的可行性，而且在实际应用中也展现出了较好的显示性能。通过数学模型和实验的双重验证，这项研究成功地提出了一种新的FRC像素抖动算法，为液晶显示技术的发展提供了新的思路。
总结而言，基于五帧周期的FRC像素抖动算法的研究，不仅提高了液晶显示中灰阶过渡的均匀性和改善了FRC噪声问题，还为未来的显示技术提供了改进的方向。随着显示技术的不断进步，类似这种基于算法优化的研究成果将会对整个行业产生深远的影响。
2024-09-11 11:01:41
638KB
1
《遗传算法与模拟退火融合在TSP与车间作业调度中的应用》
在解决复杂的优化问题时，传统的数学方法往往力有未逮，而计算智能领域的算法如遗传算法（Genetic Algorithm, GA）和模拟退火（Simulated Annealing, SA）则展现出了强大的潜力。本文将探讨如何将这两种算法融合，应用于旅行商问题（Traveling Salesman Problem, TSP）和车间作业调度问题（Job Shop Scheduling Problem, JSSP），并介绍相关代码实现。
一、遗传算法
遗传算法是受生物进化理论启发的一种全局优化算法。它通过模拟种群的自然选择、基因重组和突变等过程，逐步演化出更优的解决方案。在TSP中，每个个体代表一种旅行路径，通过交叉、变异操作更新种群，寻找最短的旅行路线。遗传算法的优势在于其全局搜索能力，能跳出局部最优解，但可能会陷入早熟。
二、模拟退火
模拟退火算法源自固体物理的退火过程，其核心思想是在接受较差解时引入一定的概率，从而避免过早收敛。在解决JSSP时，SA能有效处理约束条件下的优化问题，寻找最小化完成时间的作业调度方案。SA的优势在于其动态调整接受解的策略，有助于找到全局最优。
三、融合算法
遗传算法和模拟退火的融合可以结合两者的优点，提高解决问题的效率和精度。在融合过程中，可以先用遗传算法快速搜索大范围空间，再用模拟退火细化搜索，对遗传算法得到的近似解进行优化。这种混合策略在处理复杂优化问题时，通常能获得更好的结果。
四、TSP与JSSP应用
1. 旅行商问题：TSP是一个经典的组合优化问题，目标是找到访问多个城市的最短路径，且每个城市仅访问一次，最后返回起点。遗传算法和模拟退火的融合可以有效地寻找接近最优的解决方案。
2. 车间作业调度问题：JSSP涉及多个工序和机器，每个作业需按特定顺序在多台机器上完成，目标是最小化总的完成时间。融合算法的应用可以解决复杂的约束条件，找到最佳的作业顺序。
五、代码实现
“算法集合”中的代码实现了上述理论，包含了遗传算法和模拟退火的实现，以及它们的融合版本。通过运行这些代码，可以直观地理解算法的运作机制，并在实际问题中进行应用。
总结，遗传算法和模拟退火作为计算智能的重要工具，具有广泛的应用前景。通过它们的融合，我们可以解决更复杂的优化问题，如TSP和JSSP。理解并掌握这些算法的原理与实现，对于提升问题解决能力具有重要意义。
2024-09-10 17:06:21
790KB
1