使用Mathematica求解线性规划，显示每一个步骤，方便进行题目验算，本程序实现了blend规则，自动求解线性规划问题，输入单纯形表，输出详细过程
2021-09-15 11:44:11
15KB
1
神经网络的实验步骤详细分析具体-神经网络大作业（一）.doc
本人做的神经网络的实验，步骤详细，分析具体，适合做入门学习用-I do neural network experiments, the steps detailed analysis of specific, suitable for entry to study
截取某些内容，方便参考：
用BP网络识别雷达测速的三类信号
一．数据来源
此信号来自一部测速雷达获得的三种目标的回波信号，三种目标分别是行人W、自行车B和卡车T，信号中包含目标的速度信息。
二．信号的分析与处理
根据所给的三类信号的样本，每一个样本中均包含1024个数据，由于每一个样本的数据量较大，不可能将所有1024个数据全都作为神经元的输入，计算量太大，所以必须首先对信号进行分析，提取最有价值的特征信息。
首先可以看看每一个样本中的数据图，以各类信号中的第一个样本为例，如图1所示。
（1）
（2）
（3）
图1 （1）行人数据图 （2）自行车数据图 （3）卡车数据图
从上图的时域数据基本上观察不出规律，因此我们要对数据进行傅立叶变换，从频域分析数据的特征，如下图2所示。
图2 行人数据频谱图
从上图中看到行人的数据的频谱的幅度很小，原因是因为信号在零点处的值特别大，所以要将在零点处的值去掉，得到如图3所示。
图3 行人数据去掉零点后的频谱图
这时可以观察到信号的一些特征，从图中发现信号的频谱图是基本对称分布的，而且信号的峰值也很大，可以对它首先进行归一化，如下图4所示。
图4 （1）行人数据归一化后的频谱图
（2）取绝对值后的频谱图
同时将自行车和卡车的频谱图来做比较如图5，6所示
图5 （1）自行车数据归一化后的频谱图 （2）取绝对值后的频谱图
图6 （1）卡车数据归一化后的频谱图 （2）取绝对值后的频谱图
从上面三幅图中，可以观察到信号都有明显的峰值，但是出现的位置不同，另外，信号的均值和方差明显不同。但是考虑到雷达所测数据中，会有一些速度反常规的游离数据，所以考虑采用受游离数据影响小的平均绝对值偏差来代替样本方差作为输入特征。同时，以数据的样本中位数来作为输入特征来减少游离数据的影响。根据这些特征进行提取来作为输入。
三．特征提取
1．取信号归一化后的均值作为一个特征量。
2．取信号归一化后的平均绝对值偏差作为一个特征量。
3．取信号归一化后的样本中位数作为一个特征量。
4．由三幅图的比较可以发现，信号的每两点之间的起伏程度也不尽相同，所以可以设定一个特征量，来纪录信号两点间的起伏程度的大小。
5．信号在经过归一化后，可以将信号全部的值加起来，用这个总的值来作为一个特征量。
除了上述的特征，还有很多特征可以提取，但是特征越多，需要的输入神经元越多，依照隐层神经元约为输入神经元的两倍的原则，隐层的神经元也将越多。则网络训练的时间将花费很大。所以，本实验只提取了上述特征中的1，2，3。
四．算法与实现
根据提取的特征的维数，来决定输入神经元的个数。因为提取的三个特征的维数分别为8，1和1，所以输入神经元的个数为10。输出神经元的个数定为3个，考虑到被识别的三种信号分别对应三个输出，虽然用两个神经元就可以表示三种输出状态，但是用三个神经元能更好地分辨，减少出错的概率。至于隐层的神经元个数则按照约为输入神经元个数的两倍的原则，设为20个。当然还可以在调试过程中根据输出的识别率来找到一个一个较为合适的个数。
2021-07-07 19:38:13
209KB
1
新建客户添加自定义字段，放在附加数据屏幕，文档里有每一步的截图和详细说明和会源代码截图，真实项目都是自己做的，就算是小白照着做也能完成。
2021-03-10 19:35:25
1.27MB
1
本文以TwitterStorm官方Wiki为基础，详细描述如何快速搭建一个Storm集群，其中，项目实践中遇到的问题及经验总结，在相应章节以“注意事项”的形式给出。Storm集群中包含两类节点：主控节点（MasterNode）和工作节点（WorkNode）。其分别对应的角色如下：主控节点（MasterNode）上运行一个被称为Nimbus的后台程序，它负责在Storm集群内分发代码，分配任务给工作机器，并且负责监控集群运行状态。Nimbus的作用类似于Hadoop中JobTracker的角色。每个工作节点（WorkNode）上运行一个被称为Supervisor的后台程序。Super
2021-01-30 05:08:40
108KB
1