提出了一种新的混合基于种群的算法（PSOGSA），结合了粒子群优化（PSO）和引力搜索算法（GSA）。 主要思想是将 PSO 中的开发能力与 GSA 中的探索能力相结合，以综合两种算法的优势。 一些基准测试函数用于将混合算法与标准 PSO 和 GSA 算法在演化最佳解决方案中进行比较。 论文：A New Hybrid PSOGSA Algorithm for Function Optimization，IEEE International Conference on Computer and Information Application(ICCIA 2010)，中国，2010，pp.374-377，DOI： http ://dx.doi.org/10.1109/ICCIA .2010.6141614 我有很多这方面的相关课程。 您可以通过以下链接注册，享受 95% 的折扣： ***

matlab代码粒子群算法Hybrid-K-means-Pso（MATLAB） K-Means的高级版本，使用粒子群算法对高维数据集进行聚类，可以更快地收敛到最佳解决方案。 “聚类”是一种用于对数据集中的元素进行分区的技术，以便将相似的元素分配给相同的群集，而将具有不同属性的元素分配给不同的群集。 快速，高质量的文档聚类算法在有效地导航，汇总和组织信息方面起着重要作用。 分区聚类算法更适合于对大型数据集进行聚类。 在此项目中，我们将实现带有K-means文档聚类算法的混合粒子群优化（PSO），该算法执行快速文档聚类，并且可以避免陷入各种高维数据集的局部最优解中。 PSO与K-means混合算法结合了PSO算法的全局搜索能力和K-means算法的快速收敛性。 对获得的结果进行分析，并比较该算法在大型数据集上的准确性和性能。 数据集：IRIS，扑克，心脏，避孕方法选择数据集（取自UCI存储库） 如果还需要gui和代码，请复制所有gui文件。 否则，只需复制您所需数据的各个Kmeans.m，KPSO.m和KPSOK.m文件，然后以相同的顺序执行即可。 还包括所有数据文件。 完整的信息，背景和

【】 | 【】如果本文档图片没有显示，请手动切换到Gitee镜像库阅读文档。 :open_book:Recorder用于html5录音 ，支持大部分已实现getUserMedia的移动端、PC端浏览器；主要包括：Chrome、Firefox、Safari、IOS 14.3+、Android WebView、腾讯Android X5内核(QQ、微信)；不支持：UC系内核（典型的支付宝），大部分国产手机厂商自研套壳娱乐浏览器，低版本IOS(11.0-14.2)上除Safari外的其他任何形式的浏览器（含PWA、WebClip、任何App内网页）。 Recorder H5 ： [ ] [ ] [ ] 工具集 ： [ ] [ ] [ ] [ ] RecordApp[即将废弃] ： [ ] [ ] [ ] [ ] 录音默认输出mp3格式，另外可选wav格式；有限支持ogg(beta)、webm(b

基于混合神经模糊智能控制器的光伏发电系统MPPT

Yahei Consolas Hybrid(1.12版) 中文雅黑，英文Consolas 适用于编程与美化等，解决中文乱码问题。

Hybrid Stopwatch Timer v3.1.4 for Android 一款设计独特、方便并可精确计时的 Android 应用

7. AVL TRANSMISSION AND HYBRID ,AVL 变速箱

13. AVL's Future Hybrid X Mode

高斯白噪声matlab代码取证工具-混合G-PRNU提取器 这是基于Muammar的工作而进行的更新的更新的PRNU提取器（Lucas等），包括对本机PRNU提取器的定制 G-PRNU提取器与本机PRNU一起正在实现 定制不同尺寸和插值方法 李的增强技术。 （如果需要增强，请在lucasdigicamident.m中取消注释132-138行） 可用的过滤器： 高斯型 米哈克 西格玛 bm3d -REEPJYOTI DEKA，Eurecom， 先决条件： 图像处理工具箱是必需的。 如果将使用Mihcak图像去噪算法，则需要Matlab Wavelets Toolbox。 如果将使用BM3D去噪算法，则需要BM3D软件包。 可以从以下位置下载： 参考： Lukas，J.，Fridrich，J。和Goljan，M。“从传感器图案噪声中识别数码相机”。 IEEE信息取证与安全事务，2006，1，205-214 哈尼·穆玛（Muammar，Hani）。 使用图像传感器PRNU模式识别源摄像机。 伦敦：通信和信号处理研究小组，2014年。帝国理工学院通信和信号处理研究小组。 网络。 2016年2月

通过混合转换和依赖于峰值时序的反向传播来启用深度峰值神经网络 这是与在发表的论文“使用混合转换和峰值定时依赖的反向传播实现深度尖峰神经网络”相关的代码。 培训方法 培训分以下两个步骤进行： 训练ANN（'ann.py'） 将ANN转换为SNN并执行基于尖峰的反向传播（'snn.py'） 档案文件 'ann.py'：训练一个ANN，可以提供输入参数来提供建筑设计，数据集，训练设置 'snn.py'：从头开始训练SNN或执行ANN-SNN转换（如果有预训练的ANN可用）。 / self_models：包含ANN和SNN的模型文件 'ann_script.py'和'snn_script.py'：这些脚本可用于设计各种实验，它创建可用于运行多个模型的'script.sh' 训练有素的人工神经网络模型 训练有素的SNN模型 问题 有时，“ STDB”的激活在训练过程中会变得不稳定，从而