随着现代电力电子技术的飞速发展,许多设备在使用过程中产生了大量谐波,严重影响了电力系统的工作性能。与此同时,各类精密设备和仪器对供电质量也有很高的要求,所以有必要对谐波进行检测及治理。本文简要介绍了谐波的相关概念、谐波的危害和谐波治理的发展现状。对谐波检测相关理论知识及谐波检测方法做了较为详细的介绍,并对几种检测方法进行了对比分析。在对自适应最小均方算法(LMS)进行研究的基础上,提出了基于LMS的自适应谐波检测算法。针对传统LMS算法受固定步长因子的影响,算法收敛速度与稳态误差之间存在矛盾的关系,进而对变步长LMS算法进行了研究,并将其应用到谐波检测算法中。在此基础上,本文提出了基于新型变步长LMS的自适应谐波检测算法。(1)将双曲余弦函数应用到变步长函数中,并对双曲余弦函数进行改进,利用改进后的双曲余弦函数曲线在接近坐标零点时,会减慢变化速率的特点,使得算法在收敛后期能够减小步长因子,从而降低算法稳态误差；(2)将基于瑞利分布变步长LMS算法与谐波检测技术相结合,由于瑞利分布函数曲线变化更加丰富,能够使得算法的步长在收敛初期不断增大,收敛后期又不断减小,因此进一步降低了算法的稳态误...

提出了一种新的基于核的自适应目标跟踪方法，以提高复杂背景下目标跟踪的鲁棒性和准确性。 尺度不变特征变换（SIFT），颜色和运动特征的三个核函数的线性加权组合用于表示跟踪目标的概率分布。 外观和运动功能相结合，以增强目标区域的位置稳定性和准确性。 跟踪窗口的大小可以根据相应SIFT对的仿射变换参数进行实时调整。 为了更好地提取特征，还根据场景自适应地调整了三个核函数的权重。 实验表明，该算法能够在不同场景下成功跟踪运动目标。 此外，它可以处理目标姿态，比例，方向，视图和照明变化，并且其性能优于经典的Camshift算法，基于SIFT的方法和基于颜色SIFT的方法。

Matlab仿真长度和速率自适应MET QC-LDPC码的构造 该项目包含Matlab平台（工具链），用于构建文章U. Vasiliy，E。Sergey和G. Svistunov的“长度和速率自适应MET QC-LDPC代码通过循环组分解构建”长度和速率自适应MET QC-LDPC代码”，《 2019 IEEE东西方设计与测试研讨会（EWDTS）》，佐治亚州巴统，2019年，第1-5页。 它允许通过长度和速率自适应提升来进行几个步骤的筛分，该自适应提升基于以下条件不受原型约束的未定义约束： 图形属性（周长，EMD）； 代码属性； 模拟下的性能 VN等的可恢复性 它支持多胎面，浮点和定点仿真。 对于低级别的误码率（块误码率），我们建议不要使用仿真，而应使用重要性采样（）。 长度适应性提升（循环分解，多户楼层提升）方法也可以通过任何其他类型进行更改（例如，地面规模的模块化提升）。 筛选的其他参数：基于频谱的最小伪重量和代码权重下的Tanner-Vontobel-Koetter下限（），EMD频谱形状（），擦除恢复能力（）可以用作代码筛选的另一阶段。

前端自适应瀑布流插件

交叉概率和变异概率能够随适应度自动改变。

拉丹 自适应学习率的方差及超越 我们处于早期版本的Beta中。 期待一些冒险和艰难的边缘。 目录 介绍 如果热身是答案，那么问题是什么？ Adam的学习速度预热是在某些情况下（或eps调整）进行稳定训练的必备技巧。 但是基本机制尚不清楚。 在我们的研究中，我们提出一个根本原因是自适应学习率的巨大差异，并提供理论和经验支持证据。 除了解释为什么要使用预热之外，我们还提出RAdam ，这是Adam的理论上合理的变体。 动机 如图1所示，我们假定梯度遵循正态分布（均值：\ mu，方差：1）。 模拟了自适应学习率的方差，并将其绘制在图1中（蓝色曲线）。 我们观察到，在训练的早期阶段，自适应学习率具有很大的差异。 将变压器用于NMT时，通常需要进行预热阶段以避免收敛问题（例如，图2中的Adam-vanilla收敛于500 PPL左右，而Adam-warmup成功收敛于10 PPL以下）。 在进

基于变步长LMS自适应陷波算法的电气信号频率测量基于变步长LMS自适应陷波算法的电气信号频率测量基于变步长LMS自适应陷波算法的电气信号频率测量

经典自适应算法 用LMS算法求最佳权值

具有自适应时间特征分辨率的3D CNN CVPR 2021论文的源代码： 。 即将推出！ 敬请关注！ @inproceedings{sgs2021, Author = {Mohsen Fayyaz, Emad Bahrami, Ali Diba, Mehdi Noroozi, Ehsan Adeli, Luc Van Gool, Juergen Gall}, Title = {{3D CNNs with Adaptive Temporal Feature Resolutions}}, Booktitle = {{The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) }}, Year = {2021} }

2021-域自适应-医学图像分析 综述译文