權(quán)值

j表示神經(jīng)網(wǎng)絡(luò)的權(quán)值，為憶阻器電阻值的倒數(shù)。 對(duì)憶阻器陣列的第i行施加一個(gè)電壓矢量Vi，流經(jīng)第i行第j列憶阻器的電流為gij·Vi，第j列的輸出電流，即為輸入向量與權(quán)值矩陣第j列的乘積結(jié)果。盡管憶阻器具有很好的應(yīng)用前景，但是由于IR-Drop 問(wèn)題，會(huì)導(dǎo)致憶阻器陣列計(jì)算精度下降。IR-Drop 會(huì)造成輸入端電壓與實(shí)際到達(dá)憶阻器的計(jì)算電壓之間存在偏差，導(dǎo)致憶阻器的實(shí)際輸出偏移理想輸出，憶阻器陣列計(jì)算精度降低。 在本文中，將輸入端電壓稱為理想計(jì)算電壓，實(shí)際到達(dá)

指標(biāo)；激勵(lì)函數(shù)；權(quán)值１ 引言現(xiàn)階段，建筑產(chǎn)業(yè)轉(zhuǎn)型升級(jí)所帶來(lái)的更高要求，使得地產(chǎn)行業(yè)由原本的暴發(fā)式增長(zhǎng)逐漸轉(zhuǎn)變?yōu)槠骄彴l(fā)展［１］。 這一時(shí)期也是整頓行業(yè)的最佳階段。 考慮到建筑行業(yè)的實(shí)際需求，合理的成本管控成為保障項(xiàng)目順利推進(jìn)的重要基礎(chǔ)［２］。 在保障建筑質(zhì)量的同時(shí)，追求更低的成本、更大的利潤(rùn)空間也成為各大地產(chǎn)企業(yè)的主流發(fā)展方向［３］。 這就涉及工程造價(jià)控制的問(wèn)題。 在傳統(tǒng)模式下，主要根據(jù)施工圖預(yù)算和竣工結(jié)算對(duì)工程成本進(jìn)行管控，但是由于施工階段存在工程變更、工

訓(xùn)練神經(jīng)網(wǎng)絡(luò)得到權(quán)值矩陣，然后通過(guò)施加電壓改變憶阻器的阻值將權(quán)值矩陣映射為憶阻器電導(dǎo)矩陣。但由于IR-Drop 的存在，在運(yùn)算的過(guò)程中，實(shí)際施加在憶阻器上的電壓和預(yù)期的電壓不同，計(jì)算結(jié)果和理想中預(yù)期的結(jié)果存在偏差，造成計(jì)算精度低的情況出現(xiàn)。在憶阻器陣列中距輸入端越遠(yuǎn)的憶阻器受到IR-Drop 的影響越大，因?yàn)殡S著導(dǎo)線長(zhǎng)度增加、導(dǎo)線電阻也會(huì)變大，而距施加電壓的輸入端越近的憶阻器受到的影響越小，所以憶阻器陣列規(guī)模越大，受到的IR-Drop 影響就越大。隨著神經(jīng)

現(xiàn)有的方法根據(jù)對(duì)權(quán)值數(shù)據(jù)的操作可分為兩大類,即微調(diào)法與重訓(xùn)練法。微調(diào)法是從MAC 的計(jì)算流程入手,通過(guò)權(quán)值的低秩分解等手段配合對(duì)權(quán)值的重訓(xùn)練,以更少的乘加操作數(shù)完成原本的MAC 計(jì)算并得到近似的結(jié)果,例如奇異值分解（singular-value decomposition,SVD）、正則多元分解（canonical polyadic,CP）和雙聚類近似等[3]。重訓(xùn)練法是從模型的參數(shù)本身入手,通過(guò)稀疏、量化等手段,使權(quán)值在模型重訓(xùn)練過(guò)程中收斂到更多的零值和

掩碼隔離舊任務(wù)的權(quán)值。而HAT[10]則使用基于節(jié)點(diǎn)的硬注意力機(jī)制來(lái)隔離重要節(jié)點(diǎn)。基于正則化的方法通過(guò)在損失函數(shù)上引入額外的正則項(xiàng)來(lái)對(duì)權(quán)值的調(diào)整進(jìn)行約束。這方面最早的工作為Kirkpatricka等提出的彈性權(quán)值固定——EWC(elastic weight consolidation)[11]，它通過(guò)Fisher信息來(lái)評(píng)估網(wǎng)絡(luò)權(quán)值對(duì)歷史任務(wù)的重要性，然后根據(jù)權(quán)值的重要性對(duì)權(quán)值施加相應(yīng)的固定力度，使重要性較高的權(quán)值進(jìn)行更小幅度的調(diào)整來(lái)保存舊樣本的特征。之后的

能量主要通過(guò)天線權(quán)值參數(shù)的幅度值和相位值進(jìn)行控制， 通過(guò)改變n（各陣列輸入功率能量）和Φ（初始相位），可控制廣播波束的賦形、波束寬度、最大輻射指向及增益，從而實(shí)現(xiàn)小區(qū)廣播波束的輻射優(yōu)化[3].但由于現(xiàn)有網(wǎng)絡(luò)優(yōu)化人員水平參差不齊，部分人員缺乏LTE 智能天線理論知識(shí)和產(chǎn)品使用的相關(guān)培訓(xùn)，而智能天線產(chǎn)品眾多，功能較復(fù)雜，導(dǎo)致智能天線在運(yùn)用上存在錯(cuò)誤使用的情況.文章通過(guò)LTE 單小區(qū)下的4 組智能天線權(quán)值實(shí)驗(yàn)和智能天線廣播波束角的天線方向圖仿真探討相應(yīng)的應(yīng)用場(chǎng)景

行賦權(quán)，使得初始權(quán)值之和為負(fù)數(shù).研究圖內(nèi)部的結(jié)構(gòu)性質(zhì)并且給定權(quán)轉(zhuǎn)移規(guī)則，進(jìn)行點(diǎn)點(diǎn)之間，面面之間及點(diǎn)面之間的權(quán)值轉(zhuǎn)移，最終得到新的權(quán)值之和為非負(fù)數(shù).由于權(quán)轉(zhuǎn)移過(guò)程是在圖內(nèi)部進(jìn)行的，所以總權(quán)值應(yīng)當(dāng)不會(huì)變化，這就導(dǎo)出了矛盾.在下面的證明中，對(duì)于圖G的一個(gè)染色f，任意e∈E(G)，用F(e)表示在染色過(guò)程中邊e不能使用的顏色集合.2 定理1的證明引理1圖G不存在1度點(diǎn).證明：假設(shè)圖G存在1度點(diǎn)u，v是它唯一的鄰點(diǎn).令G′=G-u，由G的極小性，存在G′的用6種顏色

由殘差和梯度計(jì)算權(quán)值；文獻(xiàn)[11]提出了加權(quán)自適應(yīng)正交MP算法，以殘差信號(hào)模的倒數(shù)作為權(quán)值，但加權(quán)處理反而會(huì)降低高信噪比(Signal Noise Ratio，SNR)情況下的信道估計(jì)精度；為此，文獻(xiàn)[12]提出了分段處理方案，限制算法應(yīng)用SNR范圍。以上加權(quán)算法有如下缺點(diǎn)：所用權(quán)值不是最優(yōu)值；權(quán)值計(jì)算方法不完善；依據(jù)SNR劃分實(shí)施區(qū)域的實(shí)際操作困難。文獻(xiàn)[13]利用雙貪婪追蹤算法獲取信號(hào)特征，加權(quán)后可提高信道估計(jì)精度。利用信道在角度域上的不均勻性[14]

體系的構(gòu)建、指標(biāo)權(quán)值的計(jì)算和評(píng)估模型的選擇緊密相關(guān)。傳統(tǒng)的指標(biāo)權(quán)值計(jì)算方法主要由主觀賦權(quán)法和客觀賦權(quán)法［1］，主觀賦法有層次分析法、德?tīng)柗品?、環(huán)比系數(shù)法等等，客觀賦權(quán)法有熵權(quán)法、離差最大化法等等。這兩類方法各有其優(yōu)缺點(diǎn)，主觀賦權(quán)法側(cè)重于專家的經(jīng)驗(yàn)，雖然具有一定的主觀隨意性，但也可以有效地避免出現(xiàn)指標(biāo)權(quán)重與實(shí)際使用過(guò)程中指標(biāo)的重要程度相違背的情況；客觀賦權(quán)法具有嚴(yán)密的數(shù)學(xué)理論基礎(chǔ)，但往往會(huì)忽略武器裝備使用者的主觀意向，可能會(huì)出現(xiàn)權(quán)值最大的指標(biāo)不是使用者所最關(guān)

;質(zhì)量評(píng)價(jià)指標(biāo);權(quán)值;評(píng)價(jià)模型電子信息專業(yè)的本科和研究生教育旨在培養(yǎng)能在電子信息工程及相關(guān)領(lǐng)域從事研究、設(shè)計(jì)、開(kāi)發(fā)、制造、運(yùn)營(yíng)、維護(hù)和管理等應(yīng)用型、復(fù)合型高層次工程技術(shù)和工程管理人才。長(zhǎng)期以來(lái)，實(shí)習(xí)實(shí)踐雖然是電子信息專業(yè)本科和碩士研究生培養(yǎng)的必要環(huán)節(jié)，電子信息專業(yè)本科生和全日制專業(yè)碩士在培養(yǎng)期間一般都要求有一定時(shí)間的實(shí)習(xí)實(shí)踐期，但往往是企業(yè)和高校各自為戰(zhàn)，高校只提出了實(shí)習(xí)實(shí)踐的要求，卻不了解其過(guò)程和內(nèi)容;企業(yè)負(fù)責(zé)實(shí)習(xí)實(shí)踐的具體實(shí)施，通常立足于企業(yè)自身發(fā)展的

和邊往往都會(huì)包含權(quán)值，例如通信網(wǎng)絡(luò)中站點(diǎn)間的通訊交流就是通過(guò)帶寬約束，保證多媒體流端到端的服務(wù)質(zhì)量。因此，在回答可達(dá)性查詢時(shí)考慮權(quán)值約束更貼合實(shí)際，有較高的研究?jī)r(jià)值?，F(xiàn)有的基于權(quán)值約束的可達(dá)性查詢相關(guān)是Edge_Index[12]，它的主要思想是通過(guò)邊上的權(quán)值構(gòu)建索引樹(shù)，預(yù)先存儲(chǔ)先序遍歷索引樹(shù)得到的序列，盡管該算法的查詢效率很高，但是構(gòu)建的索引占用的空間內(nèi)存過(guò)大，無(wú)法在內(nèi)存有限的環(huán)境下處理頂點(diǎn)規(guī)模大的數(shù)據(jù)圖。針對(duì)以上問(wèn)題，本文提出一種基于權(quán)值約束的 2-h

MM 小區(qū)的天線權(quán)值配置組合非常多，不同的應(yīng)用場(chǎng)景也需要不同的權(quán)值配置。傳統(tǒng)相對(duì)靜態(tài)的天線配置方式已經(jīng)無(wú)法滿足5G網(wǎng)絡(luò)優(yōu)化的需求，更加難以保證最佳的覆蓋性能和業(yè)務(wù)吸收效果，而且預(yù)設(shè)天線權(quán)值無(wú)法應(yīng)對(duì)多樣化、動(dòng)態(tài)變化的覆蓋場(chǎng)景。目前從5G MR 獲取經(jīng)緯度技術(shù)還不成熟，本文首先基于NSA 技術(shù)的特點(diǎn)，解決了從5G MR 快速獲取高精度經(jīng)緯度問(wèn)題。然后研究了基于MR 的MM 權(quán)值智能尋優(yōu)技術(shù)方案，該技術(shù)方案既可滿足NSA 網(wǎng)絡(luò)中各小區(qū)的覆蓋和性能要求，又可以推廣

多從6-點(diǎn)拿走的權(quán)值為1，稱之為最壞3-面6-點(diǎn)情形。“Thinking”and“Action”of Preschool Preparation fromthe Perspective of Lifelong Education…………………………………………………………………………………………Dan Fei,Chang Xingru（43）Research on Present Situation and Problemsof Higher Vocati

。3 自適應(yīng)分層權(quán)值的地方本科院?？蒲锌?jī)效考核模型3.1 基本過(guò)程記被考核的某所地方本科院校所有二級(jí)學(xué)院矢 量 集S 有R 個(gè) 矢 量，即S=[s1，s2，sr，…，sR]T(r=1，2，…，R)，sr表示第r 個(gè)學(xué)院一級(jí)指標(biāo)矢量，它包含了6 個(gè)一級(jí)指標(biāo)，即sr=[Ir1，Ir2，Irk，…，Ir6](k=1，2，…，6)，Irk表示第r 個(gè)學(xué)院的第k 個(gè)一級(jí)指標(biāo)。則整個(gè)學(xué)校科研評(píng)分矢量矩陣：對(duì)于式（1）中的每個(gè)元素Irk，均由表1 中對(duì)應(yīng)的二級(jí)指標(biāo)計(jì)算得

較矩陣分析得到的權(quán)值矩陣作為準(zhǔn)則層到方案層的第二層矩陣。聯(lián)立決策矩陣與權(quán)值矩陣，得到方案層各元素相對(duì)于目標(biāo)層的權(quán)值，由權(quán)值估算出學(xué)生選擇各單科的概率，進(jìn)而估算出學(xué)生選擇各選科組合的概率。關(guān)鍵詞：層次分析;多屬性決策模型;權(quán)值;科目1 引言2014年9月4日[1]，國(guó)務(wù)院發(fā)布《國(guó)務(wù)院關(guān)于深化考試招生制度改革的實(shí)施意見(jiàn)》，意見(jiàn)提出新高考改革的主要任務(wù)和措施，要求改進(jìn)招生計(jì)劃分配方式、改革考試形式和內(nèi)容以及招生錄取機(jī)制等，此舉措標(biāo)志著新高考改革方案的正式發(fā)布。對(duì)

在中點(diǎn)電壓波動(dòng)、權(quán)值整定困難等問(wèn)題，提出一種計(jì)及中點(diǎn)電壓平衡的PMSM三電平無(wú)權(quán)值模型預(yù)測(cè)磁鏈控制（MPFC）方法。首先，將MPTC中對(duì)電機(jī)轉(zhuǎn)矩和定子磁鏈幅值的控制轉(zhuǎn)化為對(duì)定子磁鏈?zhǔn)噶康目刂?，從而?gòu)建了僅包含定子磁鏈dq分量的價(jià)值函數(shù)，消除了傳統(tǒng)MPTC價(jià)值函數(shù)中的權(quán)重系數(shù)。在此基礎(chǔ)上，根據(jù)正負(fù)冗余小矢量對(duì)中點(diǎn)電位作用效果相反的特性，通過(guò)有效篩選冗余小矢量，在不引入額外權(quán)值系數(shù)的前提下有效解決了三電平逆變器中點(diǎn)電壓波動(dòng)的問(wèn)題。為進(jìn)一步提高電機(jī)穩(wěn)態(tài)性能，通過(guò)

線水平波瓣寬度等權(quán)值配置更為靈活、覆蓋場(chǎng)景更為多樣，5G 覆蓋場(chǎng)景多樣帶來(lái)優(yōu)化調(diào)整難度增加。本文闡述的Massive MIMO 天線權(quán)值自優(yōu)化技術(shù)，可自適應(yīng)靈活調(diào)整天線權(quán)值配置，達(dá)到快速智能網(wǎng)規(guī)網(wǎng)優(yōu)效果，大大提升工作效能、縮減人力成本投入，可達(dá)到多種場(chǎng)景下最優(yōu)覆蓋效果。2 技術(shù)現(xiàn)狀及優(yōu)化瓶頸Massive MIMO 技術(shù)將天線陣列從一維擴(kuò)展到二維，能夠同時(shí)控制天線方向圖在水平方向和垂直方向的形狀，稱為3D 波束賦形（3D Beamforming），3D 波

算文獻(xiàn)采購(gòu)的指標(biāo)權(quán)值，與同行們共同商榷。與圖書(shū)館的其他業(yè)務(wù)工作相比，圖書(shū)館界對(duì)于文獻(xiàn)采購(gòu)評(píng)標(biāo)指標(biāo)權(quán)重的研究還較薄弱，在圖書(shū)招標(biāo)的體系研究方面的成果還較少，共有12篇，主要分布在2007—2018年之間。以綜述形式出現(xiàn)的文獻(xiàn)，如石劍蘭等[1]對(duì)我國(guó)圖書(shū)招標(biāo)評(píng)標(biāo)體系構(gòu)建和研究的現(xiàn)狀做了全面的剖析，明確指出圖書(shū)采購(gòu)的主要內(nèi)容停留在具體某個(gè)圖書(shū)館某次的招標(biāo)項(xiàng)目的具體數(shù)據(jù)研究，或者圖書(shū)的某塊特殊資源的招標(biāo)工作。 通過(guò)單一賦權(quán)法構(gòu)建文獻(xiàn)采購(gòu)的評(píng)標(biāo)體系的文獻(xiàn)，如李明珍等

3)給各個(gè)指標(biāo)賦權(quán)值；4)計(jì)算通風(fēng)系統(tǒng)評(píng)價(jià)綜合值。其中礦井通風(fēng)系統(tǒng)指標(biāo)權(quán)值的確定，對(duì)礦井通風(fēng)系統(tǒng)方案的評(píng)價(jià)結(jié)果具有重要的影響。礦井通風(fēng)系統(tǒng)評(píng)價(jià)指標(biāo)權(quán)值確定方法有一定的發(fā)展過(guò)程。1993年田水承等[2]采用模糊群體決策法確定評(píng)判指標(biāo)權(quán)值，該方法依據(jù)個(gè)體的優(yōu)先次序得到群體的優(yōu)先次序，從而作出決策。1997年高以謀等[3]在專家評(píng)議法基礎(chǔ)上，采用相對(duì)重要性序列矩陣法，通過(guò)比較分析確定指標(biāo)的權(quán)值，不涉及過(guò)多的數(shù)學(xué)原理。1997年郁鐘銘等[4]采用1～9及其倒數(shù)標(biāo)度

確定了各個(gè)指標(biāo)的權(quán)值，實(shí)現(xiàn)對(duì)大型游樂(lè)設(shè)施的安全評(píng)估。莊春吉等[8]從人-機(jī)-環(huán)境-管理等4個(gè)角度出發(fā)，建立了大型游樂(lè)設(shè)施三級(jí)評(píng)估指標(biāo)體系，并采用層次分析法來(lái)確定指標(biāo)的權(quán)值。大型游樂(lè)設(shè)施的安全評(píng)估，不僅需要有科學(xué)全面的安全評(píng)估指標(biāo)體系，而且需要合理地確定各個(gè)指標(biāo)的權(quán)值。安全評(píng)估指標(biāo)體系是對(duì)安全影響因素的系統(tǒng)系描述，基于對(duì)設(shè)備和管理等方面的經(jīng)驗(yàn)，可以比較準(zhǔn)確地把握絕大部分的評(píng)價(jià)指標(biāo)。權(quán)值的定義方法通常有定性的專家評(píng)判法、定量的主成分分析法、定性定量相結(jié)合的層次

綜合考慮，當(dāng)前等權(quán)值算法是比較理想的，其生成測(cè)試向量STV 最大數(shù)為C（P，q），其中q=P/2。當(dāng)測(cè)試N 個(gè)網(wǎng)絡(luò)時(shí)，P 需滿足C（P，q）≥N，很明顯，當(dāng)網(wǎng)絡(luò)很多時(shí)，P 遠(yuǎn)小于N。另外等權(quán)值算法是一個(gè)抗誤判的算法，能做到零誤判，且一定程度下降低混淆率。因此在等權(quán)值算法的基礎(chǔ)上進(jìn)行算法優(yōu)化，具有一定實(shí)用意義。文獻(xiàn)［5］提出了一種緊湊性指標(biāo)最小的抗誤判算法，該算法即是基于等權(quán)值算法，通過(guò)遞歸得到的。該算法能消除W-O 短路故障的誤判，不能消除W-A 故障的誤

。關(guān)鍵詞：數(shù)制;權(quán)值;余數(shù)在日常生活中常常用到十進(jìn)制數(shù)來(lái)表述數(shù)量。即逢10進(jìn)1。除此之外，還存在其他數(shù)字進(jìn)位制如八進(jìn)制、十六進(jìn)制等。在計(jì)算機(jī)中，由于電子元器件的特性，通常表達(dá)為“導(dǎo)通”與“不通”兩種穩(wěn)定的狀態(tài)。因此，二進(jìn)制的表示最為簡(jiǎn)單而且可靠。同時(shí)，二進(jìn)制的運(yùn)算規(guī)則也最為簡(jiǎn)單。十進(jìn)制具有10個(gè)記數(shù)符號(hào)，即數(shù)字0、1、2、3、4、5、6、7、8、9;而二進(jìn)制只有兩個(gè)記數(shù)符號(hào)，即數(shù)字0、1。二進(jìn)制逢2進(jìn)1，比如5就是2+2+1，二進(jìn)制就用101表示。一個(gè)數(shù)從

線陣元的激勵(lì)（即權(quán)值，包含幅值及相位）實(shí)現(xiàn)天線波束賦形。天線波束賦形又可進(jìn)一步劃分為業(yè)務(wù)波束賦形（自適應(yīng)波束賦形）和廣播波束賦形。LTE網(wǎng)絡(luò)中，小區(qū)參考信號(hào)（CRS）采用廣播波束賦形，小區(qū)參考信號(hào)用于小區(qū)選擇、重選、切換等下行信號(hào)質(zhì)量評(píng)估，其覆蓋性能決定著小區(qū)的有效輻射范圍。LTE系統(tǒng)中，廣播波束賦形采用預(yù)制權(quán)值方式，通過(guò)對(duì)智能天線陣列施加特定的幅度和相位激勵(lì)，形成扇區(qū)廣播波束覆蓋的輻射方向圖。優(yōu)化廣播波束權(quán)值設(shè)置，可控制廣播波束的輻射方向圖，降低小區(qū)間干

在[2]，即輸入權(quán)值和閾值的隨機(jī)初始化導(dǎo)致了模型性能的不穩(wěn)定性.文獻(xiàn)[3]將受限玻爾茲曼機(jī)與ELM將結(jié)合，在對(duì)數(shù)據(jù)降維的同時(shí)，得到了ELM的輸入權(quán)值和閾值.文獻(xiàn)[4，5]分析了初始化不同的參數(shù)對(duì)ELM性能的影響：文獻(xiàn)[4]針對(duì)輸入權(quán)值的不同分布進(jìn)行了研究，文獻(xiàn)[5]針對(duì)輸入權(quán)值和閾值的方差進(jìn)行了研究.當(dāng)訓(xùn)練樣本參與到輸入權(quán)值的初始化過(guò)程時(shí)，ELM分類精度得到了明顯的提高[6，7]，但它們都只是簡(jiǎn)單地組合訓(xùn)練樣本，并沒(méi)有充分提取和表達(dá)訓(xùn)練樣本集的特征.文獻(xiàn)[

數(shù)據(jù)輸出層節(jié)點(diǎn)的權(quán)值，完成RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，實(shí)現(xiàn)Android惡意行為的準(zhǔn)確識(shí)別。實(shí)驗(yàn)結(jié)果說(shuō)明所提方法可以提高對(duì)Android惡意行為識(shí)別的正確率和效率。關(guān)鍵詞： RBF神經(jīng)網(wǎng)絡(luò)； Android惡意行為； 識(shí)別； 特征集； 局部逼近； 權(quán)值中圖分類號(hào)： TN915.08?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）15?0083?04Android malicious behavior recognition ba

求導(dǎo)法則, 獲取權(quán)值更新變化大小的依據(jù), 使權(quán)值可以按照一定的大小進(jìn)行更新, 達(dá)到減小誤差、得到理想輸出的一種算法. 常用于預(yù)測(cè)、回歸問(wèn)題的判別, 是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)之一[1].但傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò), 比如: 學(xué)習(xí)率為固定值, 學(xué)習(xí)率設(shè)置偏大, 容易導(dǎo)致學(xué)習(xí)震蕩甚至發(fā)散, 而無(wú)法收斂;學(xué)習(xí)率設(shè)置偏小, 容易導(dǎo)致學(xué)習(xí)速率慢, 收斂過(guò)于緩慢;對(duì)于這種由于學(xué)習(xí)率人為設(shè)定不合理的問(wèn)題, 不能較好地建立輸入輸出的非線性映射關(guān)系, 而導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)難以推廣應(yīng)

首先通過(guò)惡意代碼權(quán)值計(jì)算公式，對(duì)某些程序進(jìn)行權(quán)值計(jì)算，從而判斷該程序是惡意程序還是善意程序。如果是惡意程序，則將該惡意代碼權(quán)值的大小與已知病毒權(quán)值進(jìn)行匹配，然后再使用MMTD算法對(duì)匹配的結(jié)果進(jìn)行衡量：是好還是不好。在權(quán)值匹配結(jié)果好的基礎(chǔ)上，最后使用相似性算法對(duì)未知病毒進(jìn)行屬性上的判斷。關(guān)鍵詞：MMTD；相似性；權(quán)值；病毒中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）07-0017-03Abstract： today's v

了用分層法求最小權(quán)值規(guī)劃解的方法，該方法是基于狀態(tài)分層設(shè)計(jì)的一種方法，相對(duì)于文獻(xiàn)［1］提出的反向搜索，通過(guò)實(shí)時(shí)更新所需搜索層數(shù)的上界和下界，從而避免了大量無(wú)用搜索和冗余計(jì)算，一定程度上提高了求解效率。在實(shí)際生活中，由于受外部環(huán)境的干擾，不同狀態(tài)之間轉(zhuǎn)移和到達(dá)結(jié)果都是隨機(jī)的、不確定的，而且不同狀態(tài)在執(zhí)行不同的動(dòng)作時(shí)所要耗費(fèi)的代價(jià)也是不同的。針對(duì)這一問(wèn)題，本文對(duì)不確定規(guī)劃問(wèn)題中的動(dòng)作賦權(quán)值，用概率來(lái)表示狀態(tài)轉(zhuǎn)移的不確定性。在求強(qiáng)規(guī)劃解過(guò)程時(shí)，文獻(xiàn)［13］提出了

我們可以優(yōu)化天線權(quán)值，靈活改變不同場(chǎng)景下天線波束賦形，增強(qiáng)主瓣覆蓋強(qiáng)度，達(dá)到提升覆蓋的目的。但通過(guò)對(duì)LTE現(xiàn)網(wǎng)天線權(quán)值參數(shù)設(shè)置情況研究分析，目前權(quán)值參數(shù)設(shè)置主要存在四個(gè)問(wèn)題：（1）權(quán)值參數(shù)設(shè)置不一，現(xiàn)網(wǎng)權(quán)值參數(shù)繁雜且質(zhì)量參差不齊，增大日常管理和優(yōu)化難度。（2）現(xiàn)網(wǎng)部分小區(qū)權(quán)值設(shè)置使用主設(shè)備廠家開(kāi)網(wǎng)時(shí)候的默認(rèn)權(quán)值，與小區(qū)實(shí)際場(chǎng)景不匹配，嚴(yán)重影響小區(qū)有效覆蓋，導(dǎo)致業(yè)務(wù)量下降及網(wǎng)絡(luò)質(zhì)差。（3）部分小區(qū)參數(shù)設(shè)置不當(dāng)，水平增益左（或右）偏嚴(yán)重、天線軸向（正對(duì)）方向凹

推力優(yōu)化分配中的權(quán)值矩陣考慮，提出一種權(quán)值矩陣修正的策略，在不設(shè)置推力禁區(qū)的條件下，依然可以使推進(jìn)器避免落在推進(jìn)器干擾區(qū)域內(nèi)。動(dòng)力定位 推力分配 干擾區(qū)域 權(quán)值矩陣0 引言在配備推進(jìn)器較多的電力推進(jìn)系統(tǒng)平臺(tái)或者動(dòng)力定位船舶上(圖1），隨著推進(jìn)器數(shù)目的增多，禁區(qū)角的區(qū)域也會(huì)相應(yīng)的發(fā)生變化[1,2]。一個(gè)推進(jìn)器上可能出現(xiàn)兩個(gè)甚至更多的干擾區(qū)。如果上游推進(jìn)器都處于工作狀態(tài)時(shí)，則需考慮相應(yīng)的水動(dòng)力干擾問(wèn)題，此時(shí)如果直接設(shè)定推力禁區(qū)角，禁止推進(jìn)器進(jìn)入干擾區(qū)[3,4]

評(píng)價(jià)體系中指標(biāo)的權(quán)值問(wèn)題.首先對(duì)相關(guān)專家進(jìn)行訪談，然后用群組賦權(quán)方法對(duì)專家訪談后評(píng)價(jià)指標(biāo)體系的評(píng)分表進(jìn)行計(jì)算，得出各個(gè)指標(biāo)的權(quán)重，為應(yīng)用型本科建立合適評(píng)價(jià)體系提供參考.【關(guān)鍵詞】應(yīng)用型本科；教師評(píng)價(jià)；群組賦權(quán)；權(quán)值一、引 言評(píng)價(jià)體系的設(shè)立主要體現(xiàn)在評(píng)價(jià)確定指標(biāo)和權(quán)值.我們?cè)谏弦黄撐摹稇?yīng)用型本科高校教師評(píng)價(jià)體系指標(biāo)研究》已經(jīng)系統(tǒng)性地研究了應(yīng)用型本科高校教師評(píng)價(jià)體系的全部評(píng)價(jià)指標(biāo)，本文進(jìn)一步研究確定該評(píng)價(jià)體系中各指標(biāo)權(quán)值的方法.二、應(yīng)用型大學(xué)教師評(píng)價(jià)體系權(quán)值

法保護(hù)社交網(wǎng)絡(luò)的權(quán)值，分別適用于動(dòng)態(tài)和靜態(tài)社交網(wǎng)絡(luò)。高斯隨機(jī)擾動(dòng)可以簡(jiǎn)單有效地保護(hù)動(dòng)態(tài)社交網(wǎng)絡(luò)的權(quán)值隱私，貪心擾動(dòng)算法將社交網(wǎng)絡(luò)的邊分類，可以在保護(hù)靜態(tài)社交網(wǎng)絡(luò)權(quán)值隱私的同時(shí)保證社交網(wǎng)絡(luò)的最小生成樹(shù)不變，提高社交網(wǎng)絡(luò)數(shù)據(jù)的可用性。實(shí)驗(yàn)結(jié)果表明兩種算法均能有效保護(hù)社交網(wǎng)絡(luò)的權(quán)值安全，并且保持較高的數(shù)據(jù)可用性。社交網(wǎng)絡(luò)；隱私保護(hù)；擾動(dòng)；權(quán)值快速發(fā)展的社交網(wǎng)絡(luò)存儲(chǔ)了用戶的大量個(gè)人信息，這些海量信息蘊(yùn)含了豐富的價(jià)值，對(duì)社交網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘能得到寶貴的知識(shí)，但是

群算法的神經(jīng)網(wǎng)絡(luò)權(quán)值優(yōu)化方法鄧文杰(四川大學(xué) 計(jì)算機(jī)學(xué)院，四川 成都 610065)神經(jīng)網(wǎng)絡(luò)作為機(jī)器智能分支中一種優(yōu)秀的分類算法，在圖像分類、人臉識(shí)別等領(lǐng)域中都有非常廣泛的應(yīng)用。但由于其參數(shù)過(guò)多，所以容易陷入局部最優(yōu)解。針對(duì)BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的問(wèn)題，提出了一種粒子群算法和聚類算法結(jié)合的優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值的方法。該方法通過(guò)把神經(jīng)網(wǎng)絡(luò)的權(quán)值作為粒子群算法的初始粒子并利用粒子群算法的隨機(jī)性全局搜索神經(jīng)網(wǎng)絡(luò)的待選初始權(quán)值，然后利用C均值算法找出包含權(quán)值較多的

中，ELM的輸入權(quán)值和隱藏層節(jié)點(diǎn)閾值映射為GA的染色體向量，GA的適應(yīng)度函數(shù)對(duì)應(yīng)ELM的訓(xùn)練誤差；通過(guò)GA的遺傳操作訓(xùn)練ELM，選出使ELM網(wǎng)絡(luò)誤差最小的輸入權(quán)值和閾值，從而改善ELM的泛化性能。通過(guò)與ELM、I-ELM、OS-ELM、B-ELM4種方法的仿真結(jié)果對(duì)比，表明遺傳算法有效地改善了ELM網(wǎng)絡(luò)的預(yù)測(cè)精度和泛化能力。關(guān)鍵詞：遺傳算法；極限學(xué)習(xí)機(jī)；權(quán)值；閾值DOI：10.11907/rjdk.171419中圖分類號(hào)：TP312 文獻(xiàn)標(biāo)識(shí)碼：A 文章編

重要性賦予它一個(gè)權(quán)值，從而改進(jìn)了原算法中的距離計(jì)算，使得相似的數(shù)據(jù)對(duì)象能快速的聚集到一起，提高了算法的運(yùn)行效率。關(guān)鍵詞： 聚類算法； 蟻群算法； 離差； 權(quán)值中圖分類號(hào)：TP301.6 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2017）09-01-04Abstract： Clustering algorithm inspired by the foraging process called ant colony clustering algorith

0062)?基于權(quán)值的Dijkstra停車路徑規(guī)劃算法的優(yōu)化與實(shí)現(xiàn)袁琳1,王淵1,孫建蕓1，王新生1,2 (1.湖北大學(xué)資源環(huán)境學(xué)院，湖北 武漢 430062；2.農(nóng)業(yè)部遙感應(yīng)用中心武漢分中心，湖北 武漢 430062)基于用戶自由選擇車位，以停車時(shí)間最短為準(zhǔn)則，結(jié)合權(quán)值的計(jì)算方法及停車場(chǎng)的內(nèi)部結(jié)構(gòu)特點(diǎn)，對(duì)Dijkstra算法進(jìn)行改進(jìn)，設(shè)計(jì)并實(shí)現(xiàn)符合實(shí)際的最優(yōu)停車路徑規(guī)劃算法，并對(duì)武漢某公園的大型停車場(chǎng)進(jìn)行應(yīng)用驗(yàn)證.結(jié)果表明，相對(duì)于傳統(tǒng)算法，改進(jìn)后的Dij

更新后所有目標(biāo)的權(quán)值構(gòu)造權(quán)值矩陣，通過(guò)權(quán)值矩陣中目標(biāo)權(quán)值的分布來(lái)檢測(cè)當(dāng)前目標(biāo)權(quán)值是否存在更新錯(cuò)誤?；谛碌哪繕?biāo)權(quán)值再分配策略，對(duì)權(quán)值矩陣中每個(gè)目標(biāo)可能不正確的權(quán)值進(jìn)行調(diào)整，使得每個(gè)目標(biāo)能夠獲得合理的權(quán)值。仿真實(shí)驗(yàn)表明，該算法能夠準(zhǔn)確地估計(jì)緊鄰目標(biāo)數(shù)目以及狀態(tài)。多目標(biāo)跟蹤，高斯混合，概率假設(shè)密度，權(quán)值更新0 引言隨機(jī)有限集（random finite sets，RFS）理論［1］是一種新興的研究多目標(biāo)跟蹤問(wèn)題的有效理論工具，它以貝葉斯框架為基礎(chǔ)，從目標(biāo)集合分

；協(xié)同過(guò)濾算法；權(quán)值；關(guān)鍵點(diǎn)；中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）03-0250-031 概述隨著信息時(shí)代的不斷發(fā)展，網(wǎng)絡(luò)給人們的生活帶來(lái)了翻天覆地的變化，人們可以足不出戶就能夠在網(wǎng)絡(luò)上購(gòu)買(mǎi)到自己想要的任何商品。網(wǎng)絡(luò)的便利，使得人們的購(gòu)物方式得到了改變，同時(shí)也滋生了很多購(gòu)物平臺(tái)的產(chǎn)生。無(wú)論大型還是小型的電子商務(wù)平臺(tái)，都會(huì)存在著一些弊端，信息過(guò)載問(wèn)題，就是商品的種類太過(guò)于豐富多樣性，以至于用戶不能很快地查找到自己喜

障聚類數(shù)；并使用權(quán)值區(qū)別不同樣本點(diǎn)對(duì)故障劃分的影響程度。將該算法應(yīng)用于電力變壓器油中溶解氣體分析（DGA）數(shù)據(jù)分析，實(shí)現(xiàn)了變壓器的故障診斷。經(jīng)過(guò)大量實(shí)例分析，并將結(jié)果與其他算法進(jìn)行對(duì)比，表明該算法具有較高的診斷精度。關(guān)鍵詞：動(dòng)態(tài)聚類；權(quán)值；遺傳算法；變壓器；故障診斷KEY W0RDS：dYnamic c1ustering；weights；genetic a1gorithm；transformer；fau1t diagnosis傳統(tǒng)診斷方法（IEC三比值法、

要：本文提出加權(quán)值多態(tài)蟻群算法。在信息素初始化時(shí)加入權(quán)值，加大各條路徑之間的信息素差異，利于螞蟻快速進(jìn)行路徑選擇；在概率選擇過(guò)程中加入權(quán)值，提高螞蟻搜索效率；采用了蟻周模型對(duì)信息素進(jìn)行全局更新，并且設(shè)置了信息素最大值，避免算法陷入局部最優(yōu)解。最后采用均勻分布的方法確定參數(shù)值，通過(guò)仿真實(shí)驗(yàn)結(jié)果表明，該方法在TSP問(wèn)題中具有良好的穩(wěn)定性和高效性。關(guān)鍵詞：蟻群算法；權(quán)值；均勻分布；信息素中圖分類號(hào)：TP301.6 文獻(xiàn)標(biāo)識(shí)碼：AAbstract：This pa

視角聚類；劃分；權(quán)值；集成策略；UCI數(shù)據(jù)集1　引言眾所周知，聚類的目的是將對(duì)象或數(shù)據(jù)樣本劃分為組或類，而在相同組或類的對(duì)象或數(shù)據(jù)樣本相對(duì)具有相似性，不同組或類的對(duì)象或數(shù)據(jù)樣本則相對(duì)具有不相似性。聚類作為一種無(wú)監(jiān)督學(xué)習(xí)技術(shù)，是數(shù)據(jù)挖掘、模式識(shí)別等領(lǐng)域的重要研究?jī)?nèi)容之一，在識(shí)別數(shù)據(jù)的內(nèi)在結(jié)構(gòu)方面具有極其重要的作用。然而，由于現(xiàn)代技術(shù)的發(fā)展，數(shù)據(jù)復(fù)雜性隨之不斷提高，使得聚類算法的研究面臨更大的挑戰(zhàn)。當(dāng)前，人們對(duì)經(jīng)典的聚類分析方法的研究不斷深入，其中經(jīng)典的極大熵

評(píng)價(jià)；層次分析；權(quán)值對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)控制方法的研究多以定量分析為主，即以現(xiàn)有的財(cái)務(wù)指標(biāo)數(shù)據(jù)為基礎(chǔ)，通過(guò)設(shè)計(jì)并觀察一些敏感性指標(biāo)的變化，通過(guò)建立數(shù)學(xué)模型來(lái)預(yù)測(cè)企業(yè)財(cái)務(wù)危機(jī)發(fā)生的可能性，如一元判別模式、多元線性回歸模型和多元邏輯回歸等。然而，財(cái)務(wù)危機(jī)的發(fā)生往往是一個(gè)逐漸積累的過(guò)程，僅以定量分析不能反映這個(gè)過(guò)程，企業(yè)在持續(xù)經(jīng)營(yíng)過(guò)程中需要對(duì)風(fēng)險(xiǎn)控制進(jìn)行動(dòng)態(tài)跟蹤研判，及時(shí)管控以防止風(fēng)險(xiǎn)積聚，這是風(fēng)險(xiǎn)管控的基本要求；因而探討可行的風(fēng)險(xiǎn)跟蹤評(píng)價(jià)方法對(duì)防范財(cái)務(wù)危機(jī)發(fā)生具有積

，提出了一種基于權(quán)值的任務(wù)調(diào)度分配算法。該算法結(jié)合節(jié)點(diǎn)當(dāng)前的負(fù)載狀態(tài)、節(jié)點(diǎn)物理性能和任務(wù)優(yōu)先級(jí)等作為依據(jù)，通過(guò)權(quán)值排序當(dāng)前的作業(yè)隊(duì)列并將空閑資源優(yōu)先分配給權(quán)值高的任務(wù)，從而實(shí)現(xiàn)運(yùn)行過(guò)程中作業(yè)任務(wù)的自適應(yīng)動(dòng)態(tài)調(diào)度。實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法相比原來(lái)的FIFO算法有30%的性能提升。關(guān)鍵詞：云計(jì)算；任務(wù)調(diào)度；權(quán)值DOI: 10.13954/j.cnki.hdu.2015.01.005基于權(quán)值的Hadoop調(diào)度算法改進(jìn)與實(shí)現(xiàn)朱健軍，張彤，吳哲夫(浙江工業(yè)大學(xué)信息學(xué)院

了目標(biāo)層的總排序權(quán)值計(jì)算。計(jì)算結(jié)果表明，在造成近彈的眾多原因中，飛行不穩(wěn)定是最可能造成近彈的，其次是初速低，最后是迫彈本身以外的問(wèn)題。關(guān)鍵詞：迫擊炮彈；近彈；層次分析法；權(quán)值收稿日期：2015-04-20作者簡(jiǎn)介：劉超(1988—)，男，碩士，主要從事武器系統(tǒng)動(dòng)力學(xué)與仿真研究。doi:10.11809/scbgxb2015.09.009中圖分類號(hào)：TJ410.1文章編號(hào)：1006-0707(2015)09-0034-05本文引用格式：劉超，田曉麗,黃德雨，

計(jì)算中間層要素的權(quán)值。第一，建筑場(chǎng)地園林景觀設(shè)計(jì)方案評(píng)價(jià)屬性的權(quán)值：景觀性（KJG），0.494 3；科學(xué)性（KKX），0.435 7；經(jīng)濟(jì)性（KJJ），0.070 1；第二，建筑場(chǎng)地園林景觀設(shè)計(jì)方案評(píng)價(jià)因素的權(quán)值：意境創(chuàng)造（U1），0.236 9；布局合理（U2），0.128 7；植物造景（U3），0.128 7；符合規(guī)范（U4），0.070 1；功能完善（U5），0.236 9；生態(tài)節(jié)約（U6），0.128 7；經(jīng)濟(jì)效益（U7），0.070 1。同時(shí)提

對(duì)多條路徑信息的權(quán)值進(jìn)行比較，只轉(zhuǎn)發(fā)權(quán)值最小的路徑信息，即最短路徑信息。同時(shí)，該算法還能獲得多條次優(yōu)的最短路徑，以作為備用路徑，當(dāng)在最短路徑的某一段道路上發(fā)現(xiàn)了擁堵情況時(shí)，可以快速切換到另外一條次優(yōu)的最短路徑，且具有良好的健壯性和高效性。關(guān)鍵詞：洪泛；最短路徑；智能交通系統(tǒng)；權(quán)值中圖分類號(hào)：TP301 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2015）07-00-030 引 言交通系統(tǒng)在城市的發(fā)展中具有舉足輕重的作用。隨著我國(guó)城市化進(jìn)程的加快和居民生

0）一種新的多重權(quán)值復(fù)雜網(wǎng)絡(luò)模型的建立與同步控制張 莉1，安新磊2（1.蘭州工業(yè)學(xué)院基礎(chǔ)學(xué)科部，甘肅蘭州730050；2.蘭州交通大學(xué)數(shù)理學(xué)院，甘肅蘭州730070）考慮復(fù)雜網(wǎng)絡(luò)邊上多個(gè)權(quán)值的情況，建立了一種新的具有多重權(quán)值的復(fù)雜網(wǎng)絡(luò)模型.同時(shí)根據(jù)網(wǎng)絡(luò)拆分的思想，將含有多重權(quán)值的復(fù)雜網(wǎng)絡(luò)拆分為若干個(gè)單權(quán)值的子網(wǎng)絡(luò).根據(jù)Lyapunov穩(wěn)定性理論，研究了多重權(quán)復(fù)雜網(wǎng)絡(luò)的全局同步.通過(guò)Matlab數(shù)值仿真，驗(yàn)證了該結(jié)論的有效性.多重權(quán)值；復(fù)雜網(wǎng)絡(luò)拆分；子網(wǎng)絡(luò)；

自適應(yīng)濾波器; 權(quán)值; 心電信號(hào)在心電圖(EGC)信號(hào)的采集中,常?；烊敫鞣N頻率的噪聲信號(hào),如工頻干擾、肌電噪聲等,容易造成對(duì)心電信號(hào)特征的誤判.傳統(tǒng)的心電信號(hào)檢測(cè)主要有閾值法,模板法和語(yǔ)句描述法,這三種方法在實(shí)際應(yīng)用時(shí)都存在不完善的地方,如波形失真,識(shí)別存在誤差等.當(dāng)前有些學(xué)者把小波變換應(yīng)用到心電信號(hào)的檢測(cè)中,例如基于離散平穩(wěn)小波[1-3]、小波閾值處理[4]等去噪方法,已經(jīng)有了較成熟的研究.但當(dāng)信號(hào)與噪聲有頻譜重疊時(shí),上述方法均難以實(shí)現(xiàn)最佳去噪.自適應(yīng)

碼； 自適應(yīng)； 權(quán)值中圖分類號(hào)： TP 393文獻(xiàn)標(biāo)志碼： Adoi： 10.3969/j.issn.10055630.2014.04.009引言圖像增強(qiáng)是數(shù)字圖像處理的基本內(nèi)容之一，針對(duì)給定圖像的應(yīng)用場(chǎng)合，將原來(lái)模糊的圖像變得清晰或強(qiáng)調(diào)某些感興趣的特征，擴(kuò)大圖像中不同物體特征之間的差別，抑制不感興趣的特征，使處理后的圖像對(duì)某些特定的應(yīng)用比原來(lái)的圖像更加有效[1]。目前在圖像增強(qiáng)過(guò)程中采用的方法有：多尺度分析學(xué)算法可以增強(qiáng)圖像中的輪廓和方向性紋理信息，但是

詞】層次分析法；權(quán)值；量化1.概括1.1研究背景根據(jù)市場(chǎng)調(diào)研分析，家用汽車購(gòu)買(mǎi)過(guò)程中主要考慮以下因素：價(jià)格、油耗、動(dòng)力性、安全性、人性化設(shè)置和舒適感。各因素在不同的購(gòu)買(mǎi)人群中所占的比例不同，本文將通過(guò)層次分析法，量化消費(fèi)者的經(jīng)驗(yàn)，為購(gòu)車者做出決策提供依據(jù)。1.2層次分析法層次分析法（簡(jiǎn)稱AHP）是將與決策相關(guān)的元素分解成目標(biāo)、準(zhǔn)則、方案等層次，在此基礎(chǔ)之上進(jìn)行定性和定量分析的決策方法，這種方法可以更好的對(duì)無(wú)結(jié)構(gòu)特性的系統(tǒng)評(píng)價(jià)以及多目標(biāo)、多準(zhǔn)則、多時(shí)期等的系

但NLM所使用的權(quán)值函數(shù)是近似高斯函數(shù)，使得其降噪效果并不能達(dá)到最好。本文基于保護(hù)圖像邊緣的目的，提出采用LOG（高斯－拉普拉斯）算子代替高斯函數(shù)來(lái)改善去噪效果。NLM算法的另一個(gè)不足之處是計(jì)算量較大，原因是在計(jì)算某個(gè)窗口中心點(diǎn)權(quán)值時(shí)，須計(jì)算其窗口到周圍多個(gè)窗口的歐氏距離，該計(jì)算復(fù)雜度正比于窗口內(nèi)像素的平方。同時(shí)當(dāng)窗口移動(dòng)時(shí)，存在大量?jī)上袼攸c(diǎn)歐氏距離的重復(fù)計(jì)算。本文在考慮歐氏距離對(duì)稱性[7,8]的同時(shí)，充分考慮重復(fù)計(jì)算，使得任意兩點(diǎn)之間的距離只進(jìn)行一次計(jì)算

分析。LMS算法權(quán)值更新從模擬實(shí)現(xiàn)的角度需要理想積分器，而實(shí)際器件無(wú)法實(shí)現(xiàn)真正的積分，通常用低通近似積分，帶來(lái)的問(wèn)題就是權(quán)值不會(huì)收斂到最優(yōu)。本文針對(duì)研究對(duì)象的特點(diǎn)，從低通控制的角度研究系統(tǒng)的時(shí)域特性，并和通常低通控制忽略高頻項(xiàng)的分析方法進(jìn)行比較，得出一些有益結(jié)論。為了和理想的積分控制下系統(tǒng)的特性比較，首先對(duì)積分控制進(jìn)行分析。2 系統(tǒng)模型自適應(yīng)干擾對(duì)消系統(tǒng)如圖1所示，圖中XI（t）為干擾信號(hào)，Xε（t）為誤差信號(hào)，相互正交的參考信號(hào)為Xs1（t）和Xs2（t

出基于統(tǒng)計(jì)特征的權(quán)值計(jì)算方法。分別利用圖像的一維灰度特征與一維灰度統(tǒng)計(jì)特征加權(quán)和二維灰度特征與二維灰度統(tǒng)計(jì)特征加權(quán),將兩種特征加權(quán)的模糊聚類方法應(yīng)用于灰度圖像二值化,并將該方法的處理結(jié)果與其他二值化方法處理結(jié)果進(jìn)行詳細(xì)的比較。實(shí)驗(yàn)結(jié)果表明,該方法能夠有效地實(shí)現(xiàn)圖像的二值化。關(guān)鍵詞:統(tǒng)計(jì)特征;模糊C-均值聚類;圖像二值化;權(quán)值中圖分類號(hào):TP391.4文獻(xiàn)標(biāo)識(shí)碼:B文章編號(hào):1004-373X(2009)12-099-04Fuzzy Clustering M

漏檢時(shí)，其PHD權(quán)值會(huì)按照一定的比例轉(zhuǎn)移到其它目標(biāo)上，這一現(xiàn)象在零虛警概率的情況下顯得尤為明顯[7]。針對(duì)這一問(wèn)題，文獻(xiàn)[7]提出了一種局部化的CPHD算法，該算法將視場(chǎng)按照不同目標(biāo)劃分成多個(gè)獨(dú)立的區(qū)域，在每個(gè)區(qū)域中分別采用CPHD算法進(jìn)行濾波。該方法需要對(duì)劃分后各個(gè)區(qū)域的雜波密度進(jìn)行調(diào)整，這一過(guò)程會(huì)增加勢(shì)估計(jì)的不確定性，而且當(dāng)目標(biāo)發(fā)生交叉時(shí)，由于無(wú)法將目標(biāo)劃分到不同的獨(dú)立區(qū)域，該方法失效。針對(duì)以上問(wèn)題，本文提出一種改進(jìn)的CPHD多目標(biāo)跟蹤算法，該算法在高