灰色预测模型matlab程序

基于GSM的智能网的实现

二维图像离散余弦变换：数字图像处理常用例程，可执行文件在Release中，具体说明见Readme。-two-dimensional discrete cosine transform image : Digital image processing routines used, in the Release executable file, specify see readme.

operation research

密码，防止未经授权的访问，传递文字，防止未经授权的访问

资源描述非线性的主成因分析法，基于常用的PCA方法中改进的非线性PCA。内有详细程序，包括算法，绘图等。                                                                                                                                                                     

熵权法和理想解法的Matlab通用程序, 程序能够运行出正确的结果，希望对各位有帮助。 

在 python 中的 Hopfield 神经网络

粒子群优化算法 （PSO） c粒子群优化 （PSO） 算法 [1，2] 在 C 可执行"插入"代码作为一个小型图书馆。粒子群优化算法用于涉及全局随机优化的连续函数 （称为目标函数） 的问题。粒子群优化算法也可用于离散优化问题，但在此库的当前版本中未实施这种行为。使用只是在代码中包括 pso.h 和 pso.c。您需要有 GNU 科学图书馆和各自的发展 （即标题） 文件，以在您的应用程序中包含 pso.c。你的 Makefile 中将添加到您的 LDFLAGS 的-lgsland lgslcblas。为了使用 pso_solve()，您需要：最小化目标函数 （见在 pso.h 中定义类型 pso_obj_fun_t），一个具有正确初始化的 pso_results_t 对象 (malloc 会) gbest 缓冲区。这是将存储发现最好的位置，以及最小的误差 （存储在成员错误）。一个具有正确初始化的值 （使用 pso_set_default_settings() 进行快速和肮脏的初始化） 的 pso_settings_t 对象功能邻域拓扑粒子群优化算法用于确定每个 particle 附近吸引子提供了三种不同的策略：全球的拓扑结构 （PSO_NHOOD_GLOBAL），每个粒子由每一另一种粒子群通知环形的拓扑 （PSO_NHOOD_RING） 在那里存在着固定的环型拓扑结构和每个粒子由其邻近的微粒通知

应用背景这是支持向量机（SVM）的C #代码。从互联网上下载我。它的分类和模式识别是非常有用的。我相信如果你正在学习人工智能机还是有很大的帮助。这是一个GUI软件以及包括源代码。关键技术在机器学习， ； ； 支持向量机（SVM，也； ；支持向量网络）是 ；监督学习 ； 模型与相关的学习算法； ；，数据分析和模式识别，用于分类 ； ；和 ；回归分析。给定一组训练样本，每个标记为属于两个类别之一，训练一个SVM算法建立模型，分配新的实例为一类或其他，是一种非概率 ；二元 ；线性分类器。支持向量机模型是一个代表性的例子，空间中的点，将使单独的类的实例被明显的差距，尽可能宽。新的实例映射到相同的空间和预测属于一类基于差距落在哪边。

非常快的字符搜索算法。注：上传时，不知为何当开发语言选为C++BUILDER时，类别不能选择，故我都选为VC&C++，实际都是C++BUILDER -characters very fast search algorithm. Note : uploads, I wonder why, when the C programming language elected BUILDER, the category is not an option, so I have elected to VCC, is the actual C BUILDER