注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 边缘检测后计算圆半径

  2. 先对图像用sigmoid拟合方法边缘提取，然后计算圆其中半径，

  3. 所属分类：其它

    • 发布日期：2012-07-12
    • 文件大小：5120
    • 提供者：milan1638

  1. matlab6.0数学手册

  2. MATLAB 已成为多学科、多种工作平台的功能强大、界面友好、语言自然并且开放性强的大型应用软件，目前的最高版本是6.0 版。本教程以6.0 版为基础，从高等工科院校的数学课程出发，提供了使用MATLAB 的实践性指导。本教程以教学的手段，系统详细地介绍了MATLAB 在高等数学、数值分析、函数作图、线性代数、概率统计和优化理论中的应用，并配备了大量的例题，让读者能很快掌握MATLAB 的运算技巧。 本教程按逻辑编排，自始至终用实例描述，既适用于初学者自学，也适用于高级 MATLAB 用户。可

  3. 所属分类：专业指导

    • 发布日期：2013-12-28
    • 文件大小：6291456
    • 提供者：u013305490

  1. 基于 Sigmoid函数拟合的亚像素边缘检测方法

  2. 亚像素边缘检测技术是采用图像处理软件算法来提高检测精度的有效途径, 文中对矩法、拟合法和插值法等常用的亚像素边缘检测算法的原理、优点和不足进行了分析 ,提出了Sigmoid函数拟合的亚像素边缘定位算法.该算法采用 Sigmoid函数拟合边缘模型,利用图像边缘灰度信息对模型进行非线性最小二乘拟合 , 求得边缘的亚像素位置 .理论分析和实验结果表明 , 基于 Sigmoid函数拟合的亚像素边缘定位算法的定位精度为 0.045像素 ,但检测的速度比灰度矩提高了一个数量级 ,比空间矩 、Zernike

  3. 所属分类：其它

    • 发布日期：2016-12-16
    • 文件大小：257024
    • 提供者：x454045816

  1. Applied Deep Learning

  2. 使用深度学习中的高级主题，例如优化算法，超参数调整，丢失和错误分析，以及解决训练深度神经网络时遇到的典型问题的策略。您将首先研究激活函数，主要是使用单个神经元（ReLu，Sigmoid和Swish），了解如何使用TensorFlow执行线性和逻辑回归，并选择正确的成本函数。 下一节将讨论具有多个层和神经元的更复杂的神经网络架构，并探讨权重随机初始化的问题。整章专门介绍神经网络误差分析的完整概述，给出了解决来自不同分布的方差，偏差，过度拟合和数据集的问题的示例。 Applied Deep Lear

  3. 所属分类：深度学习

    • 发布日期：2018-12-26
    • 文件大小：11534336
    • 提供者：weixin_39397839

  1. TensorFlow实现AlexNet.py

  2. AlexNet模型是Hinton的学生Alex Krizhevsky在2012年提出来的。AlexNet包含了几个比较新的技术点，也首次在CNN中成功应用了ReLU、Dropout和LRN等Trick。 AlexNet主要使用的新技术点如下： （1）成功使用ReLU作为CNN的激活函数，并验证其效果在较深的网络超过了sigmoid，解决了sigmoid在网络较深时的梯度弥散问题。 （2）训练时使用dropout随机忽略一部分神经元，以避免过拟合，主要是最后几个全连接层使用了dropout。 （3

  3. 所属分类：深度学习

    • 发布日期：2020-04-03
    • 文件大小：6144
    • 提供者：weixin_46656964

  1. 《综合数据AI方法预测2019-nCoV传播结束》.zip

  2. 最近来自中山大学的学者Tianyu Zeng、Yunong Zhang等学者在ArXiv上发布了他们的一个预测成果，采用一系列数学方法于sigmoid函数、高斯函数和泊松分布和AI神经网络模型来拟合预测，揭示春节前爆发的新型冠毒疫情有可能在2月18日达到拐点和在2020年4月前结束。

  3. 所属分类：机器学习

    • 发布日期：2020-02-14
    • 文件大小：3145728
    • 提供者：syp_net

  1. nvdla 入门翻译文档.pdf

  2. 翻译的NVDLA 加速引擎的文档，学习交流，一块进步！PU cPU Microcontroller DRAM AVULA NVD_A DODI SFAMI Small NVDLA system Large"NVDLA system 小NDLA模型 小型 NVDLA模型在以前不可行的领域开辟了深度学习技术。此模型非常适合对成本因素 比较敏感的物联网(IoT)类设备、A丨以及面向自动化的系统领域。这些系统具有明确的应 用方向,其成本、面积和功率是主要注意事项。通过N√DLA可配置实现资源节约(在成本

  3. 所属分类：硬件开发

    • 发布日期：2019-08-31
    • 文件大小：510976
    • 提供者：weixin_42119147

  1. 机器学习算法基础学习总结

  2. 机器学习算法基础学习总结2.基本算法 2.1 Logistic回归 优点:计算代价不高,易于理解和实现。 缺点:容易欠拟合,分类精度可能不高 适用数据类型:数值型和标称型数据。 类别:分类算法。 试用场景:解决二分类问题。 简述: Logistic回归算法基于 Sigmoid函数,或者说 Sigmoid就是逻辑回归函数。 Sigmoid函数定义如下:1/(1-exp(-z))。函数值域范围(0,1)。可以用来做分 类器。 Sigmoid函数的函数曲线如下: 逻辑凹归模型分解如下:(1)首先将不同

  3. 所属分类：机器学习

    • 发布日期：2019-07-02
    • 文件大小：312320
    • 提供者：abacaba

  1. 基于SVM和sigmoid函数的字符识别自适应学习算法

  2. 在SVM算法和sigmoid函数的基础上，提出了一种字符识别自适应学习算法，该算法通过自适应修正sigmoid函数的参数，使sigmoid函数能够较好地拟合自适应数据输出距离的类别后验概率分布，从而提高对自适应数据的识别率。

  3. 所属分类：其它

    • 发布日期：2020-07-31
    • 文件大小：69632
    • 提供者：weixin_38741540

  1. Logistic回归.wps

  2. Logistic回归的目的是寻找一个非线性函数Sigmoid的最佳拟合参数，求解过程可以由最优化算法来完成。在最优化算法中，最常用的就是 梯度上升算法，而 梯度上升算法 又可以简化为 随机梯度上升算法。 随机梯度上升算法与梯度上升算法的效果相当，但占用更少的计算资源。此外，随机梯度上升是一个在线算法，它可以在新数据到来时就完成参数更新，而不需要重新读取整个数据集来进行批处理运算。 机器学习的一个重要问题就是如何处理缺失数据。这个问题没有标准答案，取决于实际应用中的需求。现有一些解决方案，每种方案

  3. 所属分类：机器学习

    • 发布日期：2020-08-16
    • 文件大小：845824
    • 提供者：qq_43165081

  1. 基于卷积神经网络的智能冰箱果蔬图像识别的研究

  2. 智能冰箱物体识别主要涉及对水果和蔬菜的识别，冰箱中果蔬数量繁多，光照不均，环境复杂，对此提出了一种用于处理该类识别问题的卷积神经网络。网络采用ReLU作为激活函数，它比传统的Sigmoid函数具有更强的稀疏能力和更大的梯度值，能够极大地加速网络收敛。隐含层中引入随机Dropout，使得某些节点不工作，减少节点间的“共同适应”，降低网络对某一局部特征的过拟合，可减少网络计算复杂度并有效提升识别率。网络采用带动量项的基于梯度下降的反向传播算法，避免网络陷入局部极小值，提高识别率。最后通过用Super

  3. 所属分类：其它

    • 发布日期：2020-10-16
    • 文件大小：553984
    • 提供者：weixin_38500090

  1. Sigmoid函数的分段非线性拟合法及其FPGA实现

  2. 使用分段非线性逼近算法计算超越函数，以神经网络中应用最为广泛的Sigmoid函数为例，结合函数自身对称的性质及其导数不均匀的特点提出合理的分段方法，给出分段方式同逼近多项式阶数对逼近结果精度的影响。完成算法在FPGA上的硬件实现，给出一种使用三阶多项式处理Sigmoid函数的拟合结果及流水线架构，处理精度达到10-5数量级，最大频率达到127.327 MHz，满足了高速、高精度的处理要求。

  3. 所属分类：其它

    • 发布日期：2020-10-16
    • 文件大小：230400
    • 提供者：weixin_38746166

  1. keras处理欠拟合和过拟合的实例讲解

  2. baseline import tensorflow.keras.layers as layers baseline_model = keras.Sequential( [ layers.Dense(16, activation='relu', input_shape=(NUM_WORDS,)), layers.Dense(16, activation='relu'), layers.Dense(1, activation='sigmoid') ] ) baseline_model.co

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：45056
    • 提供者：weixin_38609765

  1. Python利用逻辑回归分类实现模板

  2. Logistic Regression Classifier逻辑回归主要思想就是用最大似然概率方法构建出方程，为最大化方程，利用牛顿梯度上升求解方程参数。 优点：计算代价不高，易于理解和实现。 缺点：容易欠拟合，分类精度可能不高。 使用数据类型：数值型和标称型数据。 好了，下面开始正文。 算法的思路我就不说了，我就提供一个万能模板，适用于任何纬度数据集。 虽然代码类似于梯度下降，但他是个分类算法 定义sigmoid函数 def sigmoid(x): return 1/(1+np

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：43008
    • 提供者：weixin_38653155

  1. Python机器学习logistic回归代码解析

  2. 本文主要研究的是Python机器学习logistic回归的相关内容，同时介绍了一些机器学习中的概念，具体如下。 Logistic回归的主要目的：寻找一个非线性函数sigmod最佳的拟合参数 拟合、插值和逼近是数值分析的三大工具 回归：对一直公式的位置参数进行估计 拟合：把平面上的一些系列点，用一条光滑曲线连接起来 logistic主要思想：根据现有数据对分类边界线建立回归公式、以此进行分类 sigmoid函数：在神经网络中它是所谓的激励函数。当输入大于0时，输出趋向于1，输入小于0时，

  3. 所属分类：其它

    • 发布日期：2020-12-26
    • 文件大小：156672
    • 提供者：weixin_38552292

  1. 关于激活函数

  2. 1.为什么要使用激活函数 因为线性函数能拟合的模型太少，多层线性神经网络的叠加仍为线性，加上非线性可以改善拟合效果。 2.激活函数的要求 非线性，可微（反向传播）。 3.常用的激活函数 Sigmoid 能够把输入的连续实值变换为0和1之间的输出。 缺点：当输入值特别大或特别小时函数的梯度会很小（函数的斜率接近0），这样会降低梯度下降算法的效率，当神经网络层数过多时容易导致梯度消失。 tanh 能够把输入的连续实值变换为-1和1之间的输出。 tanh几乎在所有情况下的表现都比sigmoid好，因

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：79872
    • 提供者：weixin_38690095

  1. ReLU激活函数杂谈

  2. 在实现多层感知机代码实现中使用了ReLU激活函数： ReLU(x)=max(x,0)ReLU(x)=max(x,0)ReLU(x)=max(x,0) 形状大概是这样的 这里根据几个问题来进行回答解释 为什么要使用激活函数呢？ 简单来说激活函数的作用就是将仿射函数进行非线性化，可以拟合出更多的情况。更详细的解答可以参考知乎激活函数的解释 ReLU函数的梯度问题 首先谈一下sigimoid函数的梯度，通常不选用它是因为sigmoid函数可能有梯度消失的情况，原因可以看它的梯度函数图 可以看到蓝色

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：60416
    • 提供者：weixin_38733333

  1. 跟着Leo机器学习实战：Logistic回归

  2. 跟着Leo机器学习实战：Logistic回归 github https://github.com/LeoLeos/MachineLearningLeo/tree/master/logRegres Logistic回归 优点：计算代价不高，易于理解和实现 缺点：容易缺拟合，分类精度不高 适合数据类型：数值型和标称型数据 sigmoid函数以及目标 Logistic回归梯度上升优化算法训练参数 from numpy import * ''' 创建数据数组，和label数组 ''' def load

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：244736
    • 提供者：weixin_38700430

  1. FSpH：拟合频谱散列，可进行有效的相似度搜索

  2. 频谱哈希（SpH）是一种有效且简单的二进制哈希方法，它假定从多维均匀分布中采样数据。 但是，该假设在实践中过于严格。 在本文中，我们提出了一种改进的方法，即拟合频谱哈希（FSpH），以放宽此分布假设。 我们的工作基于这样一个事实，即任何分布的一维数据都可以映射为均匀分布，而无需更改数据项之间的局部邻居关系。 我们发现，在每个PCA方向上的此映射都具有某些规则的模式，并且可以通过S曲线函数（Sigmoid函数）很好地拟合。 使用更多参数时，傅立叶函数也非常适合数据。 因此，利用Sigmoid函数和

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：2097152
    • 提供者：weixin_38636983

  1. 基于ARMA建模与Sigmoid拟合的光纤周界安防入侵事件识别

  2. 在实际的光纤周界安防系统中,既要求判断入侵事件类别,又要求对各类事件发生的可能性做出全面评估。对此提出一种基于自回归滑动平均(ARMA)建模与Sigmoid概率拟合的入侵事件识别方法。在判断入侵事件类别方面,将光纤振动信号的ARMA建模系数与信号自身过零率相结合,构造特征向量,并将其馈入支持向量机(SVM),实现对攀爬、敲击、晃动、剪切、脚踢和撞击6种常见的入侵动作的识别;在评估各类事件的发生可能性方面,引入Sigmoid模型,对训练模式的SVM的各输出值作参数拟合,进而将测试样本的SVM值代入

  3. 所属分类：其它

    • 发布日期：2021-02-21
    • 文件大小：6291456
    • 提供者：weixin_38581992
« 12 »