深度神经网络（DNN）在各种任务中取得了前所未有的成功，但是，这些模型性能直接取决于它们的超参数的设置。在实践中，优化超参数仍是设计深度神经网络的一大障碍。在这项工作中，我们建议使用粒子群优化算法（PSO）来选择和优化模型参数。在MNIST数据集上的实验结果显示：通过PSO优化的CNN模型可以得到不错的分类精度，此外，PSO 还可以提高现有模型结构的性能，PSO是自动化超参数选择和有效利用计算资源的有效技术。 针 对CＮＮ 算法的收敛速度较慢、过 拟合 等问题, 文章提出一种基于PSO和 CNN 模型的图像分类方法，在分析完CNN各超参数对其性能的影响后，引入 PSO 算法进行寻优以增强CNN网络模型的特征提取能力,模型将CNN算法中需要训练的参数作为粒子进行优化，将 更 新 的 参 数 用 于ＣＮＮ 算 法 的 前 向 传播，调整网络连接权矩阵迭代，直到误差收敛，停止算法，以达到最终的模型优化。

COCA模型参数，预训练模型

列控模型参数辩识及其在线学习算法研究.pdf

人工智人-家居设计-层流冷却过程控制模型参数智能优化策略及应用研究.pdf

人工智能-基于BP神经网络的高填石路堤本构模型参数识别及应用研究.pdf

AR 模型参数估计完整代码 附代码详细说明

介绍 本博文中的代码，实现的是加载训练好的模型model_halcon_resenet.h5，并把该模型的参数赋值给两个不同的新的model。 函数式模型 官网上给出的调用一个训练好模型，并输出任意层的feature。 model = Model(inputs=base_model.input, outputs=base_model.get_layer(‘block4_pool’).output) 但是这有一个问题，就是新的model，如果输入inputs和训练好的model的inputs大小不同呢？比如我想建立一个输入是600x600x3的新model，但是训练好的model输入是200

摩擦力 LuGre模型能很好地解释摩擦力的动静力特性,但确定 LuGre参数时却非常困难。利用改进遗传算法辨识 LuGre模型参数时,静力参数辨识与传统方法相同,动力参数辨识时利用伺服系统输出的位移(或加速度)以及输出的控制力直接进行参数辨识。辨识过程中把控制力作为目标逼近值,进而可以辨识出 2个动力参数。从参数辨识结果看,基于改进遗传算法的 LuGre摩擦模型的静动力非线性参数辨识精确很高,参数辨识速度快,鲁棒性能好。

EM算法在混合正态分布模型参数估计中的应用研究.docx

该程序使用ME Davis和RJ Davis在McGraw Hill的《化学React工程原理》（2003年）中给出的数据来确定Michaelis-Menten模型的常数Rmax和Km。该数据表示底物（儿茶酚）浓度与时间的关系。 该数据是使用固定在聚合物凝胶中以催化儿茶酚形成左旋多巴的React的草本植物获得的。