针对光伏阵列在阴影下具有多个最大功率点，而传统的优化算法不能有效跟踪全局最大功率点的问题，提出了一种基于粒子群优化算法的跟踪算法，在Matlab平台上利用M函数对光伏阵列和跟踪算法进行编程。仿真结果表明：该控制算法不仅具有跟踪速动快、稳态精度高的特点，而且能够跟踪全局最大功率点，比传统的优化算法更有优势。

提出了一种基于HOG-LBP特征融合的人体头肩检测方法，其要点是将人体头肩图像等分为多个部分重叠的块，从每个块内提取HOG和LBP特征并加以融合，以得到更有效的人体头肩的边缘轮廓和纹理特征，融合后的特征送入支持向量机SVM（Support Vector Machine）通过Bootstrapping的方式进行训练，得到最终的判别模型。实验结果表明，该方法的检测效果优于基于单一HOG、LBP特征的方法。

要测试该软件，请参阅包含的简单多层感知器脚本。 实现了以下优化算法：AMSgrad、AdaMax、Adadelta、Adam、Delta-bar Delta、Nadam 和 RMSprop。

主要介绍了Python编程实现线性回归和批量梯度下降法代码实例，具有一定借鉴价值,需要的朋友可以参考下

梯度下降法；用实力分析；

保守值法matlab代码GD方法 梯度下降法 说明：该存储库包含不同版本的梯度下降算法的实现。 版权所有（c）2020 Behrad Soleimani保留所有权利 接触： 日期：2020年4月25日 要求：在Matlab R2019a版本中实现，但应在大多数版本上运行。 内容： main.m：主脚本。 GradDescent.m：带有（回溯）线搜索的梯度下降。 GradDescent_BB.m：使用Barzilai-Borwein更新的梯度下降。 GradDescent_Nesterov.m： Nesterov加速梯度下降。 ProjGradDescent.m：投影梯度下降。 LipschitzEstimation.m： Lipschitz常数估计函数。 LogisticRegression.m： Logistic回归目标函数。 DualSVM.m：对偶软SVM目标函数。 说明：简单易用。 将所有代码下载到目录中并运行main.m，这将生成一个如下所述的示例。 要单独使用功能，请查看功能说明。 例子： 在此示例中，我们考虑带有二进制标签的逻辑回归问题。 为了校准样本，我们通过梯度下降

基于jupyter notebook的python编程—–利用梯度下降算法求解多元线性回归方程，并与最小二乘法求解进行精度对比目录一、梯度下降算法的基本原理1、梯度下降算法的基本原理二、题目、表格数据、以及python环境搭建1、多元线性回归分析求解题目2、准备的多元线性回归方程的变量的表格数据3、搭建python环境三、梯度下降算法求解多元线性回归的方程的python代码实现1、导入基本库、数据，并为变量赋值2、定义系数初始值以及学习率和迭代次数3、定义最小二乘法函数-损失函数（代价函数）4、定义梯度下降算法求解线性回归方程系数python函数5、代用函数，进行系数求解，并打印6、画出回归方

该文件以三阶实对称正定系数矩阵A为例，实现了共轭梯度法（极小化方法）求解Ax=b。可扩展到任意维数。 【注】：资源购买后，如果发现中文注释乱码，请第一时间私信我解决。

Gradient Boosting Decision Tree 1. 构建与使用 1.1 构建 Windows: 使用 Visual Studio 2017 打开解决方案并生成即可。 Linux: 根目录提供了 makefile 文件，使用 make 编译即可，需要 gcc >= 5.4.0 1.2 使用 用法：boost 接受 LibSVM 格式的训练数据输入，如下每行代表一个训练样本： : : : 用于预测的数据输入和训练数据类似： :<featu

phog matlab代码从原始 matlab 代码转换而来的定向梯度的 PHOG 金字塔直方图来自