本文介绍了在线增强Q学习算法，以为未知离散时间线性系统设计H∞跟踪控制器。 构建了由原始系统和命令生成器组成的扩充系统，并引入了折现性能函数，建立了折现博弈代数Riccati方程（GARE）。 提出了GARE解的存在条件，并为折现因子找到了下界，以保证H∞跟踪控制解的稳定性。 然后推导Q函数Bellman方程，在此基础上开发了强化Q学习算法，以在不了解系统动力学的情况下学习H∞跟踪控制问题的解决方案。 提出了状态数据驱动和输出数据驱动的强化Q学习算法来寻找控制策略。 与基于值函数逼近（VFA）的方法不同，事实证明，在满足持久激励（PE）条件的探测噪声下，Q学习方案不会带来Q函数Bellman方程解的偏差，因此，收敛到名义折扣GARE解决方案。 而且，所提出的输出数据驱动方法比状态数据驱动方法更强大，因为在实际应用中可能无法完全测量整个系统的状态。 以单相电压源UPS逆变器为例，验证了所提出的Q学习算法的有效性。

算法交易学习库 此仓库提供了代码和教程供初学者学习算法交易。 目录 关于此回购 此回购协议是香港大学（HKU）计算机科学系的“最后一年项目（FYP）”的一部分。 如何使用 :warning: 工作正在进行中 所有代码都可以在/code目录中找到，并且可以通过访问该文档。 （请注意， /database目录仅包含示例文件。实际的数据库存储在HKU的计算机科学系服务器中。） 代码概述 1.技术分析 以下指标已在Python中实现： 趋势 移动平均交叉 移动平均收敛散度（MACD） 抛物线停止和反向（抛物线合成Kong径雷达） 势头 商品渠道指数（CCI） 相对强度指数（RSI） 变化率（ROC） 随机振荡器（STC） 真实强度指数（TSI） 资金流量指数（MFI） 威廉姆斯％R 挥发性 布林乐队 平均真实范围（ATR） 标准偏差 体积 蔡金振荡器 平衡量（BOV） 体积变化率 2.基本

ML-algotrade 项目名称：机器学习的算法交易 1.项目建议书 Baruch MTH 9899的小组项目-大数据II：机器学习 1.1项目成员 崔一凡 王成斌， 天， 1.2项目构想 使用不同的机器学习算法来修改传统的技术策略，并通过对研究的循环测试来找到一个好的算法， 机器学习算法 最近的邻居， 随机森林， 支持向量机， 技术策略 布林带 势头 旋转相对图我们Introduction to machine learning为指南来理解算法，并Evidence-based technical analysis来学习技术策略。 1.3数据集和软件：Quantopian Quantopian是我们的主要研究和回测平台，我们在此托管研究环境中研究算法交易思路并借助机器学习算法来探索策展的财务数据。 Quantopian支持灵活的数据访问，自定义绘图以及对回测的事后分

本资源包含常用的机器学习算法,包括KNN,朴素贝叶斯,决策树,逻辑回归,Adaboost,K-means等,及其实现的python代码

遥感影像的变化检测是遥感应用研究的热点之一，在城市变化、环境监测、土地利用以及基础地理数据库更新等领域中有着广泛的应用.变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征和过程，具体工作是对同一地区不同时相的两幅或多幅图像进行分析，检测出其中的变化部分与未变化部分.本文提出了基于堆栈降噪自动编码器网络的变化检测方法，将应用于SAR （Synthetic Aperture Radar，合成孔径雷达）卫星图像变化检测的深度学习算法改进，使之适用于高分光学卫星图像，然后在孪生网络的结构上进行改进，提出了基于分支卷积神经网络的变化检测方法，最后设计算法去除了阴影干扰和噪声等伪变化，并在高分二号卫星中宁夏地区的实际生产数据影像上进行了测试，取得了不错的效果.

机器学习总结一-算法公式的向量化实现vectorization

针对周期平稳随机信号, 提出自适应周期滤波方法. 该文给出自适应周期滤波器的一般结构和实现步骤, 推导出周期最小均方算法和周期最小二乘算法. 完成的仿真算例验证了所提出的自适应周期滤波方法的有效性. 

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg-Marquardt 算法优化神经网络的混合学习算法( GALM算法) .该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.

机器学习算法代码适合刚入门机器学习的人进行学习：adaboost、svm、神经网络等

SML实现图像标注/分类