停车诱导系统中车位预测模型的研究 摘 要 研究城市停车诱导系统的停车车位占有率预测问题。首先提出墓于B P神经网络的车位占有预测模型， 同时将自适应 学...

本课题的主要内容是图像预处理,它主要从摄像头中获取人脸图像然后进行处理,以便提高定位和识别的准确率.该模块主要包含光线补偿、图像灰度化、高斯平滑、均衡直方图、图像对比度增强，图像预处理模块在整个系统中起着极其关键的作用，图像处理的好坏直接影响着后面的定位和识别工作,内有源代码和全部论文资料-this issue is the major content of image preprocessing, mainly from the camera to obtain images Face then, in order to improve the recognition and positioning accuracy. The module consists mainly of light compensation, Grayhound, Gaussian smoothing, balanced histogram, image contrast enhancement, image pre- processing module in the system plays a crucial role in image processing will have a direct impact behind the positioning and identification, within Active code and all papers information

程序代码说明 神经网络的实例,内附详细说明-Code description examples of neural network, containing a detailed description of

这是cmu大学的一个研究小组编写的神经网络中反向传播算法的源代码，很有参考价值。-This is a university research group to prepare the neural network back-propagation algorithm source code of great reference value.

使用BP网络进行模式识别,识别0－9的数字-Using the BP network pattern recognition, identifying the number of 0-9

数据挖掘中的关联规则发现算法-Data Mining Association Rules algorithm

:一书的配套源程序，结合数据挖掘和机器学习的知识,以java语言实现了具有代表性的各类数据挖掘方法.例如:classifier中的ZeroR.OneR.NaiveBayes.DecisionTable.IBK.C45,还有聚类,数据预处理等-: lt; Lt; Data Mining-- Practical Machine Learning Technology and java achieve gt; Gt; A matching the source, combining data mining and machine learning, the knowledge, java language to a representative of the various types of data mining. For example : the classifier ZeroR . OneR.NaiveBayes.DecisionTable.IBK.C45, clustering, data pretreatment

Framework for Genetic Algorithm

这个程序主要提高了神经网络，遗传算法，聚类等多种人工智能算法，采样c++编程，，很精简-This process mainly to improve the neural networks, genetic algorithms, clustering and many other artificial intelligence algorithms, sampling c++ Programmed, it is streamlined

简单的遗传算法源代码，挺实用的，大家可以借鉴-Simple genetic algorithm source code, very useful, we can learn from

Autolife模型是一个能够进行“开放式进化”的人工生命系统。每个Agent模型采用可以变化规则表长度的有限自动机模型建模。一方面Agent可以进行自我繁殖，同时模型中的选择机制没有采用显式的适应度函数而是采用能量消耗的简单模型而自发涌现出来，所以可以认为Agent模型是一个类Tierra系统。然而与Tierra、Avida等数字生命模型不同的是，Autolife模型进行了大大的简化，它界面友好，操作直接。虽然没有给每个Agent装配一个虚拟计算机，但是Agent与环境的耦合则可以看成一个图灵机模型，因此Agent可以通过变异而“任意”的编程序。通过Autolife模型，首先人们可以看到一般的生态系统中共存的现象：生物的大爆炸、大灭绝，Agent进化得越来越聪明；其次，用户可以通过变化不同的食物添加规则探索Agent与环境的关系；最后，如果允许Agent通过播种改变环境自动产生食物，那么组织的涌现就是一种不可避免的结果。Agent构成的组织具有自主运动的特性，还可以进行自我修复，可以说Autolife中的组织是一些真正的“活体”。-Autolife model is to conduct an "open-evolution" artificial life system. Each Agent can be used model changes the rules limited the length of the table automatic machine modeling. One Agent can be self-propagation, model selection mechanism not used Explicit the fitness function instead of using the energy consumption of a simple model to emerge spontaneously, so that the agent can be a model category Tierra system. But with Tierra, Avida digital life model is different Autolife model for greatly simplified its