MY_extrema 在矩阵 "mat" 的每一列中查找极值的位置，并返回与 "mat" 大小相同的 "pos_extr" 矩阵，其中 -1 在最小值位置，1 在最大值位置，0 lsewhere。 搜索从“垫子”的相应推导中的符号悬挂测试中获取结果。 搜索技术适用于 fft 谱作为函数参数。“mat”的谱重复考虑了边缘上的 y 极值测试。 该脚本不处理 NaN。 如果出现平坦极值，则处理平坦上的最后一个位置。

提出一种利用粒子群优化算法进行在线寻优的自适应控制算法, 该方法可抑制极限环的振荡幅值. 应用极
值搜索控制的思想, 在线测量极限环的振荡幅度, 并将其作为优化目标, 利用粒子群优化算法寻找最优控制量, 使得
极限环的振荡幅值最小. 针对粒子群优化和极限环控制的特点, 提出一种加快收敛的算法. 数值实验表明, 提出的算
法不仅与传统基于摄动方法的极值搜索控制性能相当, 而且可对非凸和不光滑目标函数进行在线寻优, 鲁棒性更强.

无约束多维极值问题优化，包括： 模式搜索法、Rosenbrock法、单纯形搜索法、Powell法、最速下降法、共轭梯度法、牛顿法、修正牛顿法、DFP法、BFGS法、信赖域法、显式最速下降法求函数的极值！

利用电子检测方法可得到大量的生丝横截面直径数据, 快速统计这些数据中的极大值与极小值在建立生丝扁平度新的评价方法方面具有重要意义。本文以极值的定义为数学依据, 基于图形化语言LabV IEW 编程实现了一组数据中极大值与极小值的查找。通过对程序执行后的结果进行分析发现, 该程序快捷、方便、准确度高、通用性强, 为后续研究生丝的扁平度提供了支持。

4.1 电子病历实体关系抽取任务 电子病历命名实体关系抽取主要研究从电子病 历中抽取疾病、症状、检查和治疗这几类实体间的 关系. 这些实体关系体现了患者健康状况信息和针 对患者的医疗处置措施, 也体现了医生的专业知识. 如下面的例子: 1) 头 CT 检查显示腔隙性脑梗死 (检查 “头 CT” 证实了疾病 “腔隙性脑梗死”); 2) 患者彩超结果汇报轻度脂肪肝、慢性胆囊炎, 给予饮食指导, 继续治疗方案 (“彩超” 证实了 “轻度 脂肪肝” 和 “慢性胆囊炎”, “饮食指导” 施加于 “轻 度脂肪肝” 和 “慢性胆囊炎”). 电子病历实体关系抽取任务在命名实体识别基 础上展开, 对病历文本中同一个语句中的两个命名 实体赋予预定义的关系类型, 因而该任务转化为分 类问题, 通常采用基于机器学习的方法实现, 评价指 标采用精确度、召回率和 F 值. 目前电子病历实体 关系只限于一个句子范围内两个实体之间的关系. Uzuner 首先对医疗实体关系抽取进行了开创 性的研究, 详细定义了六大类医疗实体关系: 当前疾 病和治疗的关系、可能的疾病和治疗的关系、疾病 (包括当前的和可能的) 和检查的关系、疾病和症状 的关系、当前症状和治疗的关系、可能的症状和治 疗的关系[3]. 如果已经定义了修饰识别任务, 实现了 疾病和症状的修饰识别, 那么在关系抽取时, 可以不 考虑修饰的影响, 直接抽取实体间的关系, 然后借助 实体的修饰, 可以得到文献 [3] 定义的上述各类关 系. 所以, 在 I2B2 2010 评测中, 实体关系的定义没 有考虑修饰的因素. I2B2 2010 首次对电子病历命 名实体关系进行了系统的分类[12], 这些关系包括医 疗问题和医疗问题之间的关系、医疗问题和检查之 间的关系、医疗问题和治疗之间的关系. 这三类关系 以医疗问题为中心, 反映了电子病历面向医疗问题 的信息组织方式. 这三类关系只限于一个句子范围 内两个实体之间的关系. 表 5 详细列出了医疗问题、 检查和治疗这三类实体间的关系. 针对中文电子病历特点, 医疗问题被拆分为疾 病和症状,那么在定义实体关系时,也应作相应调整. 主要体现在两方面: 1) 医疗问题和治疗 (或检查) 的 关系转变为疾病和治疗的关系以及症状与治疗的 关系, 医疗问题和检查的关系也转变为疾病和检查 的关系以及症状和检查的关系; 2) 医疗问题之间的 关系替换为疾病和症状的关系 (疾病导致了症状)、 疾病和疾病的关系 (疾病导致了另一个疾病)、症状 和症状的关系 (症状伴随另一个症状). 自动抽取这几类实体间的关系可以构造患者健 康状况的简明摘要, 医生可以预先快速浏览病人的 信息, 后续再关注特定的细节. 除了可以用作医疗研 表 4 疾病和症状的修饰识别方法总结 Table 4 Summarization of methods for assertion classification 作者 方法 用到的资源 数据 评价 (F 值) Chapman 等[13] (NegEx) 规则 正则表达式规则 出院小结 0.853 Mutalik 等[105] (Negfinder) 规则 正则表达式规则、句法规则 自建语料 0.965 Sohn 等[106] (DepNeg) 规则 依存规则 I2B2 2010 评测数据 0.838 Harkema 等[107] (ConText) 规则 正则表达式规则、触发词 6 种类型的病历文本 0.76∼ 0.93 Uzuner 等[108] SVM / 三个机构的病历 0.35∼ 0.98 Grouin 等[110] SVM NegEx I2B2 2010 评测数据 0.931 Jiang 等[97] SVM MedLEE I2B2 2010 评测数据 0.931 de Bruijn 等[99] SVM cTAKES I2B2 2010 评测数据 0.936 Clark 等[111] CRF、最大熵 语义分类词典、状态规则 I2B2 2010 评测数据 0.934

对于一个多元函数 用牛顿法求其极小值的迭代格式为 其中 为函数 的梯度向量， 为函数 的Hesse（Hessian）矩阵。 上述牛顿法不是全局收敛的。为此可以引入阻尼牛顿法（又称带步长的牛顿法）。 我们知道，求极值的一般迭代格式为 其中 为搜索步长， 为搜索方向（注意所有的迭代格式都是先计算搜索方向，再计算搜索步长，如同瞎子下山一样，先找到哪个方向可行下降，再决定下几步）。 取下降方向 即得阻尼牛顿法，只不过搜索步长 不确定，需要用线性搜索技术确定一个较优的值，比如精确线性搜索或者Goldstein搜索、Wolfe搜索等。特别地，当 一直取为常数1时，就是普通的牛顿法。

对于一个多元函数，用最速下降法（又称梯度下降法）求其极小值的迭代格式为 其中为负梯度方向，即最速下降方向，αkαk为搜索步长。 一般情况下，最优步长αkαk的确定要用到线性搜索技术，比如精确线性搜索，但是更常用的是不精确线性搜索，主要是Goldstein不精确线性搜索和Wolfe法线性搜索。 为了调用的方便，编写一个Python文件，里面存放线性搜索的子函数，命名为linesearch.py，这里先只编写了Goldstein线性搜索的函数，关于Goldstein原则，可以参看最优化课本。 线性搜索的代码如下（使用版本为Python3.3）： ''' 线性搜索子函数 ''' import n

在此仿真中，模拟了一种称为“分数阶极值搜索控制 (FO-ESC)”的新极值搜索方法，并展示了该算法在寻找 PV 面板峰值功率点方面的能力。 根据各种研究人员的说法，与其他 ESC 算法（如整数阶 ESC、P&O 或 IC）相比，经过良好调整的 FO-ESC 具有更高的效率。 此模拟需要 c-compiler（在 matlab 中使用 mex -setup 设置 c-compiler）。 欲了解更多信息，请查看： 1- Hadi Malek, YangQuan Chen，“分数阶 Power Point Tracking” 2- Hadi Malek、Sara Dadras、YangQuan Chen，“分数阶最大功率点跟踪器：稳定性分析和实验”。 3- Hadi Malek, YangQuen Chen, 具有分数阶MPPT的单级三相并网光伏系统

Python猎人猎物优化函数极值寻优程序，Hunter-Prey-Optimization

MATLAB源程序26 粒子群算法的寻优算法-非线性函数极值寻优.zip