梯度下降法是机器学习任务中最常用的优化方法，这里是其python实现

应用拉格朗日对偶问题的次梯度技术求解**无容量设施选址问题**

近端梯度算法，包含多种常见的近端梯度算法

MATLAB的梯度法，内点法，外点法，罚函数，惩罚函数，线性梯度法，源程序，按照提示输入，可直接运行

上一篇文章讲述了梯度下降法的数学思想，趁热打铁，这篇博客笔者将使用梯度下降法完成多元线性回归，话不多说，直接开始。 我们假设我们的目标函数是长这样的： import numpy as np import pandas as pd # 读入数据 data = pd.read_csv('D:/Advertising.csv') # 学习率alpha lr = 0.00001 # 参数 theta0 = 0 theta1 = 0 theta2 = 0 theta3 = 0 # 最大迭代次数 epochs = 1000 #假设目标函数 def h_predict(theta0, theta1, t

用于数字图像相关方法中散斑质量评价，评价标准之一是平均灰度梯度，此压缩包中包含了如何形成高斯分布的数字散斑以及用于计算不同子区大小的平均灰度梯度值

长波红外探测器经常被用于机载红外预警系统中, 常受严重的非均匀性噪声干扰。为了校正探测器的非均匀性, 补偿辐射响应非线性, 提出了一种基于梯度场景的非均匀性校正方法。给出了探测器辐射响应非均匀性的观测模型; 以标准黑体和梯度场景作为参考源, 在理论上推导出校正系数表达式; 利用原理样机进行了外场实验, 并探测民航客机目标。实验结果表明：与基于黑体的两点校正方法相比, 利用本文方法进行非均匀性校正后的图像, 局部标准差峰值由8.57降低到2.39; 对于相距50.64 km的空中客车A319型客机, 目标的信杂比由4.87提高到11.22。本文算法可以有效降低图像局部标准差, 适用于机载红外预警系统。

GPU梯度自适应SART图像重建算法.pdf

由于野外的早期烟雾具有稀疏、扩散缓慢、面积小等特点，现有算法存在提取烟雾候选区域不完整或者产生空洞等问题。为此，提出一种基于“背景反馈”的动态背景更新算法。首先提取运动目标，依据烟雾颜色特征，使用K-means算法去除非烟颜色干扰像素，以更早得到烟雾疑似区域；然后提取每一个疑似烟雾区域的面积增长特性、空间能量及LBP直方图和HOG，并分别计算特征的置信度；最后将得到的置信度输入动态得分组合，确定每个疑似烟区是否包含烟雾。实验结果表明，所提算法能够更早地检测出烟雾，有效降低误警率。对于中远距离场景，平均可提早94帧检测到烟雾。

图像的模板运算 包括拉普拉斯锐化 梯度锐化 vc++编程得到的源代码