针对标准粒子群算法在优化过程中受初始值影响较大且容易陷入局部极值的缺陷，将鱼群算法中聚群行为的基本思想引入粒子群算法中，据此建立了粒子中心的基本概念，并利用粒子的聚群特性调整粒子的飞行方向与目标位置，从而提出了一种新的混合粒子群算法，旨在改进原粒子群算法的全局收敛能力。为了检验混合粒子群算法的优化特性，采用三种典型的标准函数对五种现行智能算法进行了多方面的测试和比较。实验结果表明，新算法具有良好的搜索精度与速度，有效弥补了标准粒子群算法局部收敛和鱼群算法精度不高的双重缺陷，适用于解决复杂函数优化问题。

混合CS(布谷鸟搜索)算法的DE(差分进化)算法(DE (differential evolution) algorithm for hybrid CS (cuckoo search) algorithm) alg_decs.m 混合CS算法的DE算法.pdf

运用LabVIEW和Halcon混合编程把激光三角测量法的3D图像转换成高度图

混合音乐推荐系统——Track Stacking——毕业设计(Demo) 本系统主要通过隐式地收集用户对歌曲的播放，下载以及收藏行为记录，进而使用基于最近邻用户的协同过滤推荐算法为当前激活用户推荐歌曲; 对于有歌词信息的歌曲(英文)，通过基于异构文本网络的词嵌入来计算歌曲之间的相似性，进而根据用户的历史记录为其推荐相似的歌曲。

2021年电子设计竞赛E题——数字-模拟信号混合传输收发机

使用python求解了混合流水车间调度问题，遗传算法

基于simulink环境搭建的超级电容、蓄电池混合储能仿真模型。

高斯混合模型（Gaussian mixture model，簡稱 GMM）是單一高斯機率密度函數的 延伸，由於 GMM 能夠平滑地近似任意形狀的密度分佈，因此近年來常被用在語音 與語者辨識，得到不錯的效果。 8 – 1. 單一高斯機率密度函數的參數估測法 8 – 2. 高斯混合密度函數的參數估測法 8 – 3. 求取 GMM 參數的另一種方法

让计算教学如行云流水——“混合运算”教学反思.doc

高斯混合模型GMM和AdaBoost PART ONE 高斯混合模型（Gaussian mixture model，简称GMM）是单一高斯概率密度函数的延伸，由于GMM能够平滑地近似任意形状的密度分布，因此近年来常被用在语音识别中。 高斯混合模型( GMM )的核心思想是用多个高斯分布的概率密度函数 一、GMM模型的基本概念 二、GMM模型的参数估计 三、GMM模型的识别问题 PART TWO 泛化能力处于机器学习的中心地位，它刻画了从给定训练数据集中学得的学习器处理未知数据的能力。 集成学习是最成功的一种泛型，具有高度泛化能力的学习器。一般机器学习方法都是从训练数据中学得一个学习器，而集成学习要构建一组基学习器，并将它们进行集成。 基学习器是通过决策树、神经网络及其他各种基学习算法从训练数据集习得的。 集成学习器最大的优点是它可以将稍优于随机猜测的弱学习器提升为预测精度很高的强学习器，通常假设基学习器是弱学习器。 一、引进AdaBoost 二、AdaBoost算法 三、AdaBoost举例 四、AdaBoost应用