复现的论文文献地址https://doi.org/10.1016/j.ins.2021.05.020，可自行下载文献阅读

NLP算法岗八股文 密码daimasuixianglu.pdf

基于matlab程序的各种回归、分类算法实现 之前做过的一些项目和学习积累，基于matlab程序的各种回归、分类算法实现 MLR - 多元线性回归 PCA - 主成分分析 PLS - 偏最小二乘 LogisticR - 逻辑斯蒂回归 Ganzhiji - 感知机(perception) PSO - 粒子群优化 KNN - K_近邻 Bayes - 贝叶斯 OSC - 正交信号校正 GDescent - 梯度下降 ANN - 人工神经网络 BOOSTING - 提升算法

这本书是第一部连贯的讲述遗传算法在电磁学上的应用。 这本书的构造是以电磁学的论题为基础的，因此很清楚的可以看到现在研究的几大领域。 第一章讲述的是局部优化方法（local optimization）的一些性质，并且讲清楚了他们的缺点，从而可以看出遗传算法的优点。 第二章简单的讲述了遗传算法的特点，覆盖了遗传算法的大部分区域。两个特点需要注意：第一个是例举MATLAB的程序来讲述遗传算法的过程；第二个是例举电磁设计的过程，包括多目标，从数据库中选取优化参数等方法。 第三章讲了遗传算法应用在天线阵列优化的两个例子。利用这两个例子介绍了遗传算法。 第四章是本书的主体。他具体的介绍了GA用于天线阵列优化上。 第五章讨论了遗传算法用于自适应或者是智能天线。也就是把遗传算法当做自适应算法。 第六章讨论了遗传算法用于线天线。其中包括加载线天线，遗传算法天线，曲线天线和八木天线。 第七章和第八章进一步给出了遗传算法优化的例子，第七章是优化口径天线和微带天线，第八章优化周期结构和电磁带隙结构。 第九章给出了遗传算法，PSO算法的参数选择，并提出了多目标优化的问题。 最后这本书给出了编码的方法。

Python电影推荐系统+爬虫+可视化（协同过滤推荐算法）（包含项目源码+数据库文件+文档）计算机毕业设计 项目结构说明 |-- 项目 |-- db.sqlite3 数据库相关 重要 想看数据，可以用navicat打开 |-- requirements.txt 项目依赖库，可以理解为部分技术栈之类的 |-- 运行说明.txt 如何运行 |-- app 主要代码文件夹 | |-- models.py django的model 不懂百度一下即可 这个有点重要 | |-- views.py 后端主要代码 重点 重点 重点 重点 重点 重点 |-- meteorological | |-- settings.py 配置文件 | |-- urls.py 路由 这个有点重要 |-- static 静态文件夹 js css img这些文件 |-- templates 模板

麻雀算法(SSA)优化极限梯度提升树XGBoost回归预测,SSA-XGBoost回归预测模型,多变量输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

用后向投影算法进行合成孔径成像，实现多个点目标成像

本书共有数值计算中常用的Java方法近200个,内容包括:解线性代数方程组、插值、数值积分、特殊函数、函数逼近、随机数、排序、特征值问题、数据拟合、方程求根和非线性方程组求解、函数的极值和最优化、傅里叶变换谱方法、数据的统计描述、...

融合柯西变异和反向学习改进麻雀算法(SSA)优化BP神经网络回归预测，SSAnew-BP回归预测，多变量输入单输出模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

本文实例为大家分享了SVM手写数字识别功能的具体代码，供大家参考，具体内容如下 1、SVM手写数字识别 识别步骤： （1）样本图像的准备。 （2）图像尺寸标准化：将图像大小都标准化为8*8大小。 （3）读取未知样本图像，提取图像特征，生成图像特征组。 （4）将未知测试样本图像特征组送入SVM进行测试，将测试的结果输出。 识别代码： #!/usr/bin/env python import numpy as np import mlpy import cv2 print 'loading ...' def getnumc(fn): '''返回数字特征''' fnimg = cv2.i