GA-ANN Use genetic algorithm to optimize the backpropagation neural network. 简介：这是一个利用遗传算法实现BP人工神经网络的matlab代码，可用于实现2层（隐藏层数=1，不计输入层，则共2层）的BP-ANN。 原作者为： 由于云盘易失效，在此备份。

提出了一种基于几何散射模型的综合改进室内参考信道模型，这种模型是由无限数量的散射体均匀分布在三维空间的一个二维水平面上组成的。推导了电磁信号到达角概率分布函数、功率延迟分布、频率相关函数的解析表达式。此外，还通过参考模型提出了一种高效的SOC信道仿真模型。结果表明，SOC信道仿真模型与频率相关函数相关，近似于参考模型，可以很好地应用于评估室内宽带无线通信系统的性能。

天线与点拨天线与电波传播第1章习题详解.pdf

摘要：互联网的传播行为对研究网络拓扑结构和动态行为的关系具有重要作用。选取CAIDA_Ark项目下不同地区4个监测点的有效路径样本数据，统计网络访问时间与访问直

元胞自动机，亦被称为细胞自动机。CA的经典案例是定义一个网格，网格上的每个点代表一个有限数量的状态中的细胞。过渡规则同时应用到每一个细胞。典型的转换规则依赖于细胞和它的（4个或8个）近邻的状态，虽然临近的细胞也同样使用。CA的应用在并行计算研究、物理模拟和生物模拟等领域。在数学建模中，一般是借鉴元胞自动机的概念，应用于具体的适合于机理建模的问题中。这类问题的典型特征是，所研究的问题是一个系统问题，系统是由若干个一个或几个不同类的对象组成，经典的模型不适应。典型的问题如滴滴打车问题、开发小区问题。

Gcam（Grad-Cam） 此仓库的新版本位于 Gcam是一个易于使用的Pytorch库，它可以使模型预测更易于理解。 它允许使用多种方法（例如，反向引导传播，Grad-Cam，Guide Grad-Cam和Grad-Cam ++）生成注意力图。 您需要添加到项目中的只是一行代码： model = gcam . inject ( model , output_dir = "attention_maps" , save_maps = True ) 产品特点 适用于分类和细分数据/模型 处理2D和3D数据 支持引导反向传播，Grad-Cam，引导Grad-Cam和Grad-Cam ++ 给定地面真理面具的注意力图评估 自动图层选择选项 安装 从安装Pytorch 通过pip安装Gcam，方法如下： pip install gcam 文献资料 Gcam已提供完整文档，您可以在以下位置查看文档： 例子 ＃1分类（2D） ＃2细分（2D） ＃3细分（3D） 图片 引导反向传播 Grad-Cam 导引式Grad-Cam Grad-Cam ++ 用法 # Import g

今天小编就为大家分享一篇pytorch中的自定义反向传播,求导实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

pytorch中自定义backward()函数。在图像处理过程中，我们有时候会使用自己定义的算法处理图像，这些算法多是基于numpy或者scipy等包。 那么如何将自定义算法的梯度加入到pytorch的计算图中，能使用Loss.backward()操作自动求导并优化呢。下面的代码展示了这个功能` import torch import numpy as np from PIL import Image from torch.autograd import gradcheck class Bicubic(torch.autograd.Function): def basis_function(

将热轧批量计划问题作为一个约束满足问题处理,建立不确定计划数的VRPSTW约束满足模型.在求解过程中,先用约束满足的一致性技术过滤变量的值域,收缩搜索空间;然后用变量选择和值选择构造轧制计划的解.为变量赋值之后,实施约束传播,保证每块板坯只被访问一次并动态禁止子回路.在已有的解的基础上,应用基于禁忌的k-opt互换改进解的质量.数据实验证明模型和算法是有效的.

刘选谋老师的《无线电波传播》扫描版，经典讲解，由浅入深。