蟻群算法及其應(yīng)用的案例
蟻群算法及其應(yīng)用 ￥1
蟻群算法及其應(yīng)用
蟻群算法.（論文集）
蟻群算法.part1.rar
蟻群算法.part1.rar
蟻群算法.part2.rar
蟻群算法.part3.rar
259 基于matlab的知識遷移的蟻群參數(shù)選擇算法 ￥19.89
基于matlab的知識遷移的蟻群參數(shù)選擇算法。通過構(gòu)建圖實現(xiàn)參數(shù)的自主映射。通過設(shè)置二維障礙物，隨機(jī)生成目標(biāo)任務(wù)參數(shù)，通過蟻群算法進(jìn)行路徑尋優(yōu)。輸出路徑尋優(yōu)結(jié)果。可自由設(shè)置路徑起始位置。程序已調(diào)通，可直接運(yùn)行。
基于pytorch的蟻群算法求解TSP(旅行商問題) ￥49.9
基于pytorch的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑，解決組合中的NP問題。程序已調(diào)通，替換自己的數(shù)據(jù)可以直接運(yùn)行。標(biāo)價為程序價格，不包含售后。程序保證可直接運(yùn)行。
199基于matlab的蟻群算法路徑尋優(yōu)的GUI實例程序代碼 ￥15.9
基于matlab的蟻群算法路徑尋優(yōu)的GUI實例程序代碼，通過MATLAB GUI框架編寫，生動形象逼真， 很好的詮釋了蟻群算法的原理。可主動輸入優(yōu)化方法的參數(shù)，包括地圖和測試數(shù)據(jù)，可輸出路徑結(jié)果。程序已調(diào)通，可直接運(yùn)行。
77基于matlab的蟻群優(yōu)化路徑算法，二維路徑和三維路徑優(yōu)化 ￥55.9
基于matlab的蟻群優(yōu)化路徑算法，二維路徑和三維路徑優(yōu)化。輸出可視化最優(yōu)路徑和距離迭代曲線。數(shù)據(jù)可更換自己的，程序已調(diào)通，可直接運(yùn)行。
26基于MATLAB的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑 ￥20.9
基于MATLAB的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑，解決組合中的NP問題。程序已調(diào)通，替換自己的數(shù)據(jù)可以直接運(yùn)行。標(biāo)價為程序價格，不包含售后。程序保證可直接運(yùn)行。
26基于MATLAB的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑 ￥20
基于MATLAB的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑，解決組合中的NP問題。程序已調(diào)通，替換自己的數(shù)據(jù)可以直接運(yùn)行。標(biāo)價為程序價格，不包含售后。程序保證可直接運(yùn)行。
基于Matlab的自適應(yīng)濾波算法及其應(yīng)用
2、相同步長的LMS算法和NLMS算法濾波器權(quán)重更新曲線對比
音頻+單頻噪聲：
單頻+白噪聲：
最后,如有相關(guān)需求,歡迎聯(lián)系.
vx: CAE320
公眾號:320科技工作室
譜方法和高精度算法及其應(yīng)用
Chapter1.part1.rar
Chapter1.part2.rar
codes.rar
智能汽車中人工智能算法應(yīng)用及其安全綜述
本文總結(jié)智能汽車研究中的環(huán)境感知算法、智能決策算法、智能化算法的不確定性以及不確定性帶來的安全問題等4 個方面的研究情況，以期引起相關(guān)研究者的關(guān)注并提供指導(dǎo)。
1 智能感知與決策在智能汽車中的應(yīng)用
智能汽車環(huán)境感知算法作為智能汽車規(guī)劃決策和控制執(zhí)行的基礎(chǔ)環(huán)節(jié)，是智能汽車研究的關(guān)鍵技術(shù)之一，也是智能汽車當(dāng)前研究的熱點問題。本文對智能車中的環(huán)境感知算法進(jìn)行綜述，其次總結(jié)了當(dāng)前決策規(guī)劃層的研究情況。
1.1 基于視覺的感知算法
1) 目標(biāo)檢測算法
目標(biāo)檢測的任務(wù)是找出圖像或視頻中的感興趣物體，同時檢測出它們的位置和大小，是機(jī)器視覺領(lǐng)域的核心問題之一，至今已有將近二十年的研究歷史。作為計算機(jī)視覺的基本問題，目標(biāo)檢測構(gòu)成了許多計算機(jī)視覺任務(wù)的基礎(chǔ)，目前目標(biāo)檢測算法已廣泛應(yīng)用于許多現(xiàn)實世界的應(yīng)用，如智能駕駛、機(jī)器人視覺、視頻監(jiān)控等。從2012 年開始，因大數(shù)據(jù)技術(shù)和硬件計算能力的提升，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)再一次受到研究者的關(guān)注，CNN 提取到的特征和傳統(tǒng)手工特征[17-21]相比，具有更魯棒和更深層的特性，這也引導(dǎo)研究者將CNN 應(yīng)用到目標(biāo)檢測領(lǐng)域中。用深度學(xué)習(xí)解決目標(biāo)檢測算法，可被分為兩組[22]：兩階段法和一階段法。兩階段法采用“由粗到細(xì)”的檢測策略，而一階段法利用神經(jīng)網(wǎng)絡(luò)模型，一步完成檢測任務(wù)。
R-CNN[23]是第一個將深度學(xué)習(xí)用于目標(biāo)檢測的網(wǎng)絡(luò)，其訓(xùn)練過程展示了最初的兩階段法的思路：首先通過一組網(wǎng)絡(luò)提取目標(biāo)的候選框，然后每個候選框內(nèi)的圖像會縮放至相同尺度，并輸入至一個CNN 網(wǎng)絡(luò)中提取特征，最后利用SVM[24]等分類器對每個區(qū)域的特征進(jìn)行學(xué)習(xí)分類，完成檢測識別。
展開 
基于演化算法的多目標(biāo)優(yōu)化方法及其應(yīng)用研究
基于演化算法的多目標(biāo)優(yōu)化方法及其應(yīng)用研究part1
基于演化算法的多目標(biāo)優(yōu)化方法及其應(yīng)用研究.part1.rar
基于演化算法的多目標(biāo)優(yōu)化方法及其應(yīng)用研究.part2.rar
基于演化算法的多目標(biāo)優(yōu)化方法及其應(yīng)用研究.part3.rar
