自适应局部线性嵌入算法

ｒｄｃｉｎａｐｉｄｔｎｒｂｅ，ｈｅｄｐｉｅｌｃｌｉｅｒｅｅｄｎＡＬＥ）ｌｏｔｍｓｎｎｌｅｒｄｍｅｓｎｉｅｕｔｐｌｏｍａｙｐｏｌｍｓｔｅｎｗａａｔｏａｎａｍｂｄｉｇ（Ｌａｇｒｈｉｏ —ｉａｉｎｉａｔｏｅｖｌｉｎｏｌｙ
的数据集记作Ｘ，ｉ１，，，根据它与其他点的欧氏距离：， … ｎ２）
要，如果太小，无法保证邻域之间的整体重叠性，从而很难保证数据的整体几何性质；如果ｋ大，可能会将流形上太相聚较远的点化为邻域，从而使降维结果扭曲图１（）ｄ。为了解决以上问题，提出了自适应邻域优化局部线性嵌入算法
１局部线性嵌入（Ｌ）ＬＥ
ＬＥ算法采用局部线性化方法，构建局部线性超平面，Ｌ通过将高维、非线性数据映射到全局的低维空间中，以保持邻域点集合的结构保证具有平移、旋转不变性。ＬＥ算法把整个数Ｌ据空间分成ｎ局部区域，每个区域的数据可以用其邻域线个性表示，只有邻域参与重构，便可从邻域几何特征获取整个低维流形。算法主要有３个步骤：步骤１：对于高维空间中的每个数据点（由向量墨构成
电脑编程技巧与维护
自适应局部线性嵌ቤተ መጻሕፍቲ ባይዱ算法
田兆东，张育林ｚ
（．阳化工学院，沈阳１０４；２西安交通大学机械工程学院，西安７０４）１沈１２１．１０９
摘
要：局部线性嵌入算法（）因其较低的计算复杂度和高效性适用于很多降维问题，新的自适应局部线性嵌入ｕ
（ＬＥＡＬ）算法对数据进行非线性降维，提取高维数据的本质特征，并保持了数据的全局几何结构特征，对比实验结
果表明了该算法对于非理想数据的降维结果均优于Ｌ正算法。Ｉ
关键词：局部线性嵌入；自适应局部线性嵌入；线性降维非
ＡｎＡｄｐｉｅＬｃｌＬｎａｍｂｄｉｇＡｌｏｉｍ．ａｔｏａｉｅｒＥｅｄｎｇｒｔｖｈ
翟２据小乘原，该据与域据适局工入（Ｅ步最二的理计数点邻数２自ｕ性Ａ）骤：根算口应部 ‘ 、Ｌ垲，线嵌Ｌ口卧日。
之间的权重
小世界网络是从规则网络向随机网络过渡的中间网络，
步骤３：在根据权重计算低维嵌入空间数据，并尽量保持高维空间中的局部线性结构 ∈Ｒ（＝，…，）ｙ｛ｌｉ１２ｎ，＿ｙ，
ＩＡＮ舯ＩＩＡＮＧＹｎｉＩｌｎ（．ｈｎａｇＩｓｔｔｏｈｍｉｌｅｈｏｏｙ，ｈｎａｇ１１２１ＳｅｙｎｔｕｅｆｅｃｃｎｌｇＳｅｙｎ１０４；ｎｉＣａＴ２ＳｈｏｆｃａｉａＥｇｅｒｇＸｎＪｏｏｇＵｉｅｓｙ，ｉａ１０９．ｃｏｌｈｎｃｌｎｉｅｎｉａｉｔｎｎｖｒｉＸ＂７０４）ｏＭｅｎｉａｔｎ
（ＬＥ。ＡＬ）
Ｉ
舒秉 ■“
ｂ＇工 ●－ｎＩ—Ｉ —，
【￡】ｕ — 蛳
ａ
ｃ ■■ 曲摹■Ｈ
大小，寻找ｋ个邻域数据（１，，记作＝｛（ＪＩ， …，２ Ⅳ ｘ
图１ｗｉ —ｏｌ形降维示意图Ｓｓｒｌ流ｓ
ＡｂｔａｔｏａｌｉｅｒＥｅｄｎｌｏｔｍｆＬ）ｆｒｉｏｏｕａｉｎｌｃｍｐｅｉｎｍｃｅｃｆｄｍｅｓｏａｉｓｒｃ：ＬｃｙＬｎａｍｂｄｉｇａｇｒｈｌｉＬＥｏｔｌｗｃｍｐｔｔａｏｌｘｔａｄｅｉｎｙｏｉｎｉｎｌｙｓｏｙｔ
ｒｄｃｉｎｏａａｅｔａｔｇｈｇ — ｉｎｉｎｌｅｓｎｉｌｃａａｔｒｓｉｓｏｈａａａｄｍａｎａｎｔｅｇｏａｅｍｅｒｆｄｔｅｕｔｆｄｔ，ｘｒｃｉｉｈｄｍｅｓｏａｓｅｔｈｒｃｅｔｆｔｅｄｔｎｉｔｉｈｌｂｌｇｏｔｏａａｏｎａｉｃｙｆａｕｅ，ｏａｅｏｅｐｒｎａｅｕｔｓｏｈｔｈｇｒｔｍｅｕｔｓｏｔａｈｅｔｒｓｃｍｐｒｄｔｘｅｍｅｔｌｒｓｌｈｗｔａｅａｏｈｒｓｌｈｗｈｔｅＡＵＬａａｆｒｔｅｎｎｉｅｅｕｔｉｓｔｌｉｓｔＥｄｔｏ — ｄａｒｓｌｏｈｌｓｗｅｅｂｔｒｈｎｔｅＬＥｄｍｅｓｎｌｙｒｄｃｉｎａｇｒｈｒｅｔａｈＬｉｎｉａｉｅｕｔｌｏｉｍ．ｅｔｏｔｏｔＫｅｒｓｌＣｎａｅｄｎｙｗｏｄ：Ｏａｌｅｅｌｉｒｍｂｄｉｇ；ｄｐｉｅｌｃｌｉｅｒｍｅｄｎａａｔａｎａｂｄｉｇ；ｏｌｅｒｉｎｉｎｒｄｃｉｎｖｏｌｅｎｎｉａｍｅｓｕｔｎｄｏｅｏ

合集下载

【计算机科学】_结构学习_期刊发文热词逐年推荐_20140723

科研热词鲁棒性高阶逻辑高阶交叉累量高斯过程隐变量模型马尔可夫链领域本体面向对象设计随机抽样边强度贝叶斯网络调制识剐解释性视觉跟踪自适应维数约简结构风险最小化结构自适应确定结构学习级联模糊神经网络级联mlp 粗糙集算法集成算法切换等距映射算法神经网络知识获取知识点流形学习泛化性能泛函网络模糊推理模板概率主成分分析权值直接确定机器学习术语抽取本体学习技术智能控制循环结构形状无关纹理建议分布局部线性嵌入算法局部fisher判别分析学习算法学习对象粒度学习对象无数据学习对象多元结构复杂结构数据在线学习因子分析叶绿素
推荐指数 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2009年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
2008年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
2010年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

医学图像分析中的特征选择与降维技术

医学图像分析中的特征选择与降维技术医学图像分析是一门涉及医学影像处理和分析的学科，它在医学诊断、疾病监测和治疗等方面具有重要的应用价值。

然而，医学图像数据的维度通常非常高，包含大量的特征信息，这给医学图像分析带来了挑战。

为了提高医学图像分析的效果和准确性，特征选择和降维技术成为了研究的热点。

特征选择是从原始特征中选择出最具有代表性和区分性的特征子集，以减少特征维度和消除冗余信息。

在医学图像分析中，特征选择的目标是找到与疾病相关的特征，以辅助医生进行诊断和治疗。

常用的特征选择方法包括过滤式、包裹式和嵌入式方法。

过滤式方法通过对特征进行评估和排序，选择出具有最大区分能力的特征。

包裹式方法则通过特征子集的搜索和评估，选择出最佳的特征子集。

嵌入式方法将特征选择融入到模型训练过程中，通过优化模型的性能来选择特征。

降维技术是将高维特征空间映射到低维特征空间的方法，以减少特征维度和提高计算效率。

常见的降维技术包括主成分分析（PCA）、线性判别分析（LDA）和局部线性嵌入（LLE）等。

PCA是一种无监督的降维方法，通过保留数据的主要信息来减少特征维度。

LDA是一种有监督的降维方法，通过最大化类间距离和最小化类内距离来选择最佳的投影方向。

LLE是一种非线性的降维方法，通过保持数据的局部邻域结构来实现降维。

特征选择和降维技术在医学图像分析中具有重要的应用价值。

首先，它们可以减少特征维度，降低计算复杂度，提高算法的效率和速度。

其次，它们可以去除冗余和无关的特征，提取出与疾病相关的特征，提高模型的准确性和可解释性。

此外，特征选择和降维技术还可以帮助医生理解疾病的发展和变化规律，为疾病的预测和治疗提供指导和支持。

然而，特征选择和降维技术在医学图像分析中也面临一些挑战和问题。

首先，如何选择合适的特征选择和降维方法是一个关键问题。

不同的方法适用于不同的数据和任务，需要根据具体情况进行选择和调整。

其次，特征选择和降维可能会引入信息丢失和模型偏差，影响分析结果的准确性和可靠性。

【国家自然科学基金】_邻近点算法_基金支持热词逐年推荐_【万方软件创新助手】_20140803

2012年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
科研热词邻近点算法邻域粗糙模型进化算法融合特征子空间脉冲耦合神经网络网格约简精度粒子群算法空间栅格法特征贡献率点包容性检测点云曲面去噪点云曲面混沌样本相似度极小极大问题差分模型属性重要度局部特征多边形坡度图像版权图像检索双边滤波中心点 lyapunov指数 k均值 dem
推荐指数 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2010年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
科研热词重构误差配准运动估计视觉里程计自适应参数移动机器人最近邻传播聚类最小平方中值定理散乱点云支持向量机支持向量回归机拓扑重构彩色滤波阵列局部线性嵌入尺度不变特征变换图像插值双目视觉双映射切片几何特征三维测量数据
科研热词推荐指数最邻近点算法 2 支持向量机 2 增量学习 2 回归 2 协同训练 2 传感器在线补偿 2 飞行时间相机 1 非线性时间序列预测方法 1 邻近点算法 1 遮挡 1 迭代最邻近点 1 输电线路故障 1 行波 1 聚类 1 线性拟合 1 立木 1 相关向量机回归模型 1 点云立体精配准 1 点云立体粗配准 1 点云 1 流线分布 1 流场可视化 1 最短路径 1 最小voronoi邻近点集 1 曲面拟合 1 故障定位 1 改进的样本一致性 1 拓扑结构 1 快速近似邻近点搜索 1 局域预测法 1 小尺度网络流量 1 基于节点模式 1 图像匹配 1 变分不等式 1 双向匹配 1 加速鲁棒特征 1 交替方向法 1 下降方向 1 三维点云重建 1 k近邻 1 delaunay三角化 1

心电信号数字滤波系统分析

心电信号数字滤波系统分析现代医学表明，心电信号（ECG）含有临床诊断心血管疾病的大量信息，ECG的检测与分析在临床诊断中具有重要价值，是了解心脏的功能与状况、辅助诊断心血管疾病、评估各种治疗方法有效性的重要手段[1]。

但由于实际检测工况的非理想，ECG 信号中往往含有工频噪声及电极极化等引起的各种随机噪声 [2]。

噪声的存在降低了诊断的准确性，其中影响最大的是50Hz 工频干扰和基线漂移噪声。

因此，在ECG 信号检测过程中，如何抑制工频干扰和基线漂移是必须解决的问题。

1. 数字滤波系统心电信号是微弱低频人体生理电信号，通常频率在0.05~100Hz，幅值不超过4mv，通过安装在皮肤表面的电极来获取。

由于人体是一个复杂的生命系统，存在50H 工频干扰及基线漂移等其他生理电信号的干扰。

噪声可能会影响到医生的临床诊断，因此，需对心电信号进行滤波，即必须做好前端数据采集的软硬件设计以保证心电数据的可靠和准确。

传统医疗设备分别采用50Hz 带阻滤波器和RC 高通滤波器滤除工频干扰和基线漂移。

但带阻滤波器电路复杂，其特性对元器件的精度敏感，而基线漂移本质上是一种缓慢变化的低频信号，采用RC 滤波器很难将高通滤波器的过渡带做得十分陡峭，基线漂移补偿效果不理想。

因此，模拟方法往往不太容易获得很好的特性。

数字滤波方法有具有许多优点[3]，ECG 数字滤波系统组成如图1 所示，来自各电极的多路心电微弱信号经多路输入缓冲器缓冲放大，经导联选择电路进行选择后，由前置放大电路放大，进行电压放大以适应A/D 转换的幅度要求，然后进行数字滤波并输出心电信号。

数字滤波用于心电信号消噪，不仅能提高仪器设备的性能，而且对于不同的使用环境(例如对于不同国家的 50Hz 或60Hz 供电条件)，只需重新设置软件参数即可，大大降低了医疗设备硬件复杂程度，降低了产品成本、提高了通用性。

图1. 心电信号数据采集与处理框图2．工频干扰滤波对于心电信号中的工频干扰，简单而有效的方法是采用梳状滤波器滤波，这种FIR 滤波器简单、容易实现、滤波效果好，节数为N 的梳状滤波器的系统函数为：其中，是由N 节延时单元组成的梳状滤波器，H1(z)的幅值响应由许多频率间隔相同的通带和阻带组成，它只许一些特定频率范围的信号通过而阻止另一些特定频率信号通过 [4]。

人工智能开发技术中的特征提取和降维方法

人工智能开发技术中的特征提取和降维方法在人工智能发展的过程中，特征提取和降维方法扮演着重要的角色。

特征提取是指从原始数据中寻找有效、可区分的特征以供后续处理和分析使用。

而降维方法则是对高维数据进行处理，将数据从高维空间映射到低维空间中，以提高计算效率和减少存储空间的占用。

本文将介绍几种常见的特征提取和降维方法，并探讨其在人工智能开发中的应用。

一、特征提取方法1. 统计特征提取统计特征提取是一种基于统计学的方法，通过对数据的统计分析来提取有信息量的特征。

常用的统计特征包括均值、方差、标准差等。

在图像处理中，可以通过计算图像的灰度直方图、颜色直方图等统计特征来描述图像的特性。

在语音识别中，可以通过计算声谱图、能量谱等统计特征来提取语音的特征。

2. 滤波器方法滤波器方法是一种通过滤波器对数据进行处理来提取特征的方法。

常用的滤波器有高通滤波器、低通滤波器、带通滤波器等。

在图像处理中，可以通过对图像进行不同的滤波器处理来提取边缘、纹理等特征。

在语音信号处理中，可以使用滤波器来去除噪声、增强语音信号。

3. 主成分分析（PCA）主成分分析是一种常用的线性降维方法，通过线性变换将高维数据映射到低维空间中。

在主成分分析中，通过计算数据协方差矩阵的特征向量，选择其对应的前几个特征向量作为新的特征空间。

主成分分析具有保留数据主要信息的特点，广泛应用于人脸识别、图像压缩等领域。

二、降维方法1. 线性判别分析（LDA）线性判别分析是一种常用的降维方法，与主成分分析类似，都是通过线性变换将高维数据映射到低维空间中。

但与主成分分析不同的是，线性判别分析主要关注的是数据类别间的可分性。

通过最大化类间散度和最小化类内散度，找到最佳投影方向，以保持最大的类别差异性。

线性判别分析常用于模式识别、人脸识别等领域。

2. 流形学习（Manifold Learning）流形学习是一种非线性降维方法，通过保持数据样本的局部关系来进行降维。

流形学习的基本思想是假设数据分布在一个低维流形上，通过学习流形的结构来进行降维。

【国家自然科学基金】_高维映射_基金支持热词逐年推荐_【万方软件创新助手】_20140803

107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 13பைடு நூலகம் 132 133 134 135 136 137
定量分析 1 孤立点 1 多类分类 1 图像特征 1 回归算法 1 可视化 1 发电机组 1 单点图表示 1 半监督 1 初馏塔 1 分岔 1 冲击振动 1 关键帧 1 偏最小二乘法 1 信任力传播 1 仿生模式识别 1 人脸检测 1 人脸图像处理 1 人体运动风格 1 中心流形 1 三角方法 1 u矩阵 1 support vector clustering (svc) 1 som网络 1 mercar核 1 k-均值聚类 1 k-均值 1 isomap 1 hopf-pitchfork分岔 1 ftir 1 fisher脸 1
稀化核函数主元分析神经网络神经元合并知识积累病害识别生长细胞结构生成式拓扑映射的时间扩展特征链特征选择特征空间潜在语义索引滤波混沌测地线距离保持映射测地线距离正交局部保持投影模糊核聚类植物病害检索结果聚类核费舍尔判别分析}滚动轴承核覆盖核粒度支持向量机核粒度核函数核主成分回归核主成分分析核k-均值聚类标签权值调整最小最大概率机无监督聚类方法研究数据分析收敛性快速映射微镜阵列异常状态检测广义高斯函数局部线性嵌入算法局部线性嵌入小波包分解客户需求安全系数大间距分类器多类别分类多目标微粒群优化多目标优化问题多媒体数字签名图表示图像水印图像归一化回声状态网络向量压缩压缩性
2009年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52

局部保持的流形学习算法对比研究

．
ｉｄｌｉｈｅｏｒｉｓｆｓｅａｃａｓｃｌｎｅａ１ｔｐｒｐｅｔｏｒｌｌｓｉａｍａｎｆｌｌａｎｉｇｌｏｉｈｓｅｉｏｄｅｒｎａｇｒｔｍｂａｅｏｌｃｌｅｅ￣ｎ．ｎａｌｓｖｒｌｅｐｕｒｓｒｈｓｄｎｏａｐｒｓｒｇＦｉｌｉｙ，ｅｅａｈｌｆｌｅｅａｃ
ｉｇａｄＡｐｌａｉｎ．０８．４２：－．ｎｎｐｉｔｓ２０４（９）１７ｃｏ
Ａｂｔａｃ：Ｉｒｌｅｅｖｉｇｓｒｔ）ａｐｒｓｒｎｍａｆｈｔｅｎｎｇｌｍ’ｈｍｓｒｓｒｅｏａｇｏｔｃｒｐｅｔｅｂｔｅｏｓｒｅｓａｅｎｉｒｎｓｃｎｉｌｍｉａｇｉｏｔｐｅｅｖｌｃｌｅｍｅｒｐｏｒｉｓｅｗｅｎｂｅｖｄｐｃａｄｎｔｉｉｉｅｅｄｉｇｐａｆｏｍｂｄｎｓ（ｒｍｌ（ｌｔｇｏａｇｏｔ．ｎｆｎｔｅｉｒｎｓｃｌｗ — ｍｅｉｎｌｍａｉｏｄｎｔｈｉｈ—ｄｉｎｓｏａＥｕｅｏ・ｏｌｂｌｅｍｅＤ＂ａｄｉｄｈｎｔｉｉｏｄｉｎｓｏａａｎｆｌｉｈｅｇｍｅｉｎｌ一
Ｃｍ￣ｔｒＥｇｎｅｉｎｐｔｎ计算机工程与应用Ｏ［ｅｎｉｅｒｇａｄＡｔｉｔｏｓＵｎｌｆｉ
２０４２０８，４（９）
１
◎博法对比研究
曾宪华２罗四维，
ＺＥＮＧＸｉｎｕＬＵＯＳｉａ —ｈａ一． —ｗｅｉ

基于WLLE和SVM的植物叶片图像识别方法

Ｊｕｌｙ２０１３
Ｖｏｌ｜３７Ｎｏ．４
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－２１６２．２０１３．０４．０Ｍ的植物叶片图像识别方法
中图分类号：ＴＰ３９１．４１文献标志码：Ａ文章编号：１０００ — ２１６２（２０１３）４－０００６１＂０７
ＲｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｏｆｐｌａｎｔｌｅａｖｅｓｂａｓｅｄｏｎＷＬＬＥａｎｄＳＶＭ
处理后的含有高斯噪声叶片图像进行特征提取，然后采用ＳＶＭ分类机制对叶片图像进行训练和识别，最后在
真实的植物叶片图像数据库中提取植物叶片图像进行分类实验．实验结果表明该方法能提高叶片图像的分
类率．
关键词：流形学习；局部线性嵌入；加权局部线性嵌入；特征提取；支持向量机；植物叶片识别
丁娇，梁栋，阎庆
２３００３９）（安徽大学电子信息工程学院，安徽合肥摘
要：针对局部线性嵌入（ＬＬＥ）算法易受噪声影响，以及最近邻分类器不能有效识别植物叶片图像，提出一
种基于加权局部线性嵌入（ＷＬＬＥ）和支持向量机（ＳＶＭ）的植物叶片图像识别方法．首先利用ＷＬＬＥ算法对预
Ａｂｓｔｒａｃｔ：Ｉｎｇｅｎｅｒａｌ，ｎｏｉｓｅｃｏｕｌｄｉｎｌｆｕｅｎｃｅｔｈｅａｌｇｏｉｒｔｈｍｏｆＬＬＥ，ａｎｄｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｃｌａｓｓｉｆｉｅｒ

降维方法聚类

降维方法聚类
降维方法是指将高维数据转化为低维数据的一种技术，聚类是指将数据按照相似性进行分组的一种方法。

将降维方法和聚类结合起来可以有效地处理高维数据。

常见的降维方法包括主成分分析(PCA)、线性判别分析(LDA)、局部线性嵌入(LLE)等。

这些方法可以将高维数据映射到低维空间，保留数据的主要信息。

在降维的基础上，再使用聚类算法，对数据进行分组。

常见的聚类算法包括K-means、层次聚类、DBSCAN等。

这些算法可以根据数据的相似性将数据分成若干个类别。

在低维空间中进行聚类可以提高聚类的效率，并且可以更好地探索数据之间的关系。

在实际应用中，降维方法和聚类算法可以结合使用，例如在图像识别、文本挖掘、生物信息学等领域中，这种方法可以帮助我们更好地理解和分析数据。

- 1 -。

【计算机科学】_参数算法_期刊发文热词逐年推荐_20140723

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106
53 54 55 56 57 58 59 60 61 62 63 64 65 6676 77 78 79 80 81
导出数据密度实数编码学习率失效节点复合分形更新过程图论图像分块变换域参数区分服务动态多种群初始矩形网格分形布朗运动分割函数优化准循环码低密度奇偶校验码三角形网格三色标记器三i算法 α -三i算法 web服务 em(η )算法 e-service bp神经网络 bloom filter bayesian网络 ad hoc网络
回归否定算子可重入生产系统变精度粗糙集参数计算动态概率进化算子动态概率粒子群优化模型加速比功率优化列差矩阵切换分形函数逼近准循环低密度奇偶校验码内分泌系统关联规则发现关联聚类克隆选择算法信道反馈信道估计伪f-统计任播令牌群令牌桶令牌交织多址三维重构 zernike矩 viterbi算法 snr演进 smt焊点 savitzky-golay平滑滤波器 rbf神经网络 np难 mimo level set模型 lagrange乘数法 k-path问题 famc算法 em-plant仿真 contourlet变换 b样务曲线 bp神经网络 agent联盟 802.11网络

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。