等保二级、等保三级、等保四级权重

Dv．Hop定位算法是无线传感器网络中一种常用的基于非测距的定位技术，该算法使用平均跳距表示实际距离，在 实际应用中造成很大的误差和节点能耗。为此，分析了加权DV—HOP定位算法，并在加权算法基础上，引人多通信半径广播方法细化节点间的跳数，最后提出了一种基于加权DV—HOP的改进型RWDV-Hop定位算法。仿真结果证明，加权DV—

裁判文书网_归入权相关裁判文书.zip

不动产抵押权登记申请审批表.pdf

编程实现给定权值集合下构造相应哈夫曼树的算法，并解决以下问题： 有一电文共使用五种字符a,b,c,d,e,其出现频率依次为4,7,5,2,9。 (1)构造对应的编码哈夫曼树(要求左子树根结点的权小于等于右子树根结点的权)。 (2)给出每个字符的哈夫曼编码。 (3)译出编码系列11000111000101011的相应电文。

为了使数据集的内在分布更好地影响训练模型, 提出一种密度加权孪生支持向量回归机算法. 该算法通过?? 近邻算法计算获得每个数据点基于数据密度分布的密度加权值, 并将密度加权值引入到标准孪生支持向量回归机算法中. 算法能够很好地反映训练数据集的内在分布, 使数据点准确影响训练模型. 通过6 个UCI 数据集上的实验结果分析验证了所提出算法的有效性.

作物生态适宜性变权评价方法.pdf

为科学客观的评价煤矿的安全现状,建立了基于博弈论组合赋权的TOPSIS煤矿安全现状评价模型。首先,运用博弈论将模糊层次分析法(FAHP)和熵权法求出的权重进行优化组合赋权。其次,将组合权重与TOPSIS方法计算出的样本贴近度矩阵相结合,构建煤矿安全现状综合评价模型。最后,运用该模型评价河南义马煤业5个煤矿的安全现状等级;同时将该模型的评价结果与FAHP-TOPSIS模型和熵权-TOPSIS模型的评价结果进行对比。结果表明:该模型的评价结果与煤矿实际安全情况基本一致,且该模型的评价结果更加科学准确。

损失函数（加权Hausdorff距离） 用于对象定位 该存储库包含本文描述的加权Hausdorff损失的PyTorch实现： 抽象的 卷积神经网络（CNN）的最新进展在对图像中的对象进行定位方面取得了显著成果。 在这些网络中，训练过程通常需要提供边界框或最大数量的预期对象。 在本文中，我们解决了在没有带注释的边界框的情况下估计对象位置的任务，边界框通常是手工绘制的，并且标注时很费时间。 我们提出了一种损失函数，可以在任何完全卷积网络（FCN）中使用它来估计对象位置。 此损失函数是两个无序点集之间的平均Hausdorff距离的修改。 所提出的方法不需要“猜测”图像中最大数量的对象，并且没有边界框，区域提议或滑动窗口的概念。 我们使用旨在定位人的头部，学生中心和植物中心的三个数据集来评估我们的方法。 我们报告了这三个数据集的平均精度和召回率94％，在256x256图像中的平均位置误差为6个像素

用于单层前馈神经网络（SLFN）的极限学习机（ELM）是一种强大的机器学习技术，并且以其快速的学习速度和良好的泛化性能而受到关注。 最近，提出了加权ELM来处理具有不平衡类分布的数据。 加权ELM的关键本质是为每个训练样本分配了额外的权重。 尽管提供了一些经验加权方案，但是如何确定更好的样本权重仍然是一个悬而未决的问题。 在本文中，我们提出了一种Boosting加权ELM，它将加权ELM无缝地嵌入到经过修改的AdaBoost框架中，以解决上述问题。 直观地，反映训练样本重要性的AdaBoost框架中的分布权重被输入到加权ELM中作为训练样本权重。 此外，在两个方面对AdaBoost进行了修改，以更有效地实现不平衡学习：（i）初始分布权重设置为不对称，以便AdaBoost以更快的速度收敛； （ii）针对不同类别分别更新分配权重，以避免破坏分配权重的不对称性。 对KEEL存储库中的16个二进制数据集和5个多类数据集的实验结果表明，与加权ELM相比，该方法可以实现更均衡的结果。