人臉檢測算法及新的快速算法人臉識別設(shè)備憑借著便捷的應(yīng)用，以及更加新潮的技術(shù)，俘獲了不少人的好感。于是，它的應(yīng)用也在日益的變得更加的廣泛。由中國電子學(xué)會主辦的全國圖形圖像技術(shù)應(yīng)用大會，行業(yè)專家將介紹
2013-09-26 15:13:24
目前優(yōu)化了一款高速人臉檢測算法，在 ARM設(shè)備的A73單核CPU(圖像大小:860*540最小人臉大?。?0*60)速度可以高達(dá)10-15ms每幀，真正的實(shí)時(shí)人臉檢測算法，算法準(zhǔn)確率在 FDDB數(shù)據(jù)
2021-12-15 07:01:06
，較好的改善了遮擋目標(biāo)的漏檢問題。在目標(biāo)檢
測算法訓(xùn)練的過程中，我們把
預(yù)測框和真實(shí)框（Groundtruth）進(jìn)行匹配，當(dāng)一個(gè)
預(yù)測框和 Ground-truth 匹配后，則該框?yàn)檎龢颖荆环粗?，未成功匹?/div>
2023-03-06 13:55:27
為降低幀內(nèi)預(yù)測的運(yùn)算復(fù)雜度,根據(jù)不同的模式在宏塊中出現(xiàn)概率的大小不同,在幀內(nèi)4×4的亮度預(yù)測模式中,選取出現(xiàn)概率最大的5種預(yù)測模式,作為優(yōu)先選擇的預(yù)測模式。基于像素塊的紋理特性,選擇不具有
2010-05-06 09:01:59
什么是同步檢測算法？如何去實(shí)現(xiàn)相位模糊估計(jì)的幀同步檢測算法？
2021-05-06 07:23:16
如何通過FEDOT將AutoML用于時(shí)間序列數(shù)據(jù)？如何通過時(shí)間序列預(yù)測的現(xiàn)實(shí)世界任務(wù)了解FEDOT的核心正在發(fā)生什么？
2021-10-26 07:37:57
鑒于智能電表的興起以及太陽能電池板等發(fā)電技術(shù)的廣泛采用，有大量的用電數(shù)據(jù)可供選擇。該數(shù)據(jù)代表了多變量時(shí)間序列的功率相關(guān)變量，這些變量又可用于建模甚至預(yù)測未來的電力消耗。與其他機(jī)器學(xué)習(xí)算法不同，長期
2021-07-05 06:43:44
心電波形的監(jiān)測算法
2016-11-07 09:45:36
如何開發(fā)和評估家庭電力數(shù)據(jù)集的預(yù)測模型？LSTM在多步時(shí)間序列預(yù)測方面具有哪些優(yōu)勢？怎樣去搭建一套用于多步時(shí)間序列預(yù)測的LSTM架構(gòu)？
2021-07-22 06:19:11
求Matlab圖像自編邊緣檢測算法,多謝了
2013-12-03 20:58:39
，為了預(yù)測下一個(gè)小時(shí)的值，我們使用表格格式重新排列了以前可用的每小時(shí)觀測值。這樣時(shí)間序列預(yù)測的特征選擇就與標(biāo)準(zhǔn)的表格監(jiān)督任務(wù)一樣。這樣特征選擇的算法就可以簡單地對滯后的目標(biāo)特征進(jìn)行操作。下面是一個(gè)
2022-09-07 14:46:38
目.實(shí)驗(yàn)結(jié)果表明,該算法與經(jīng)典菱形搜索算法相比,搜索時(shí)間平均減少7.6m s,信噪比平均提高1.2dB【關(guān)鍵詞】：視頻壓縮;;遺傳算法;;對象分割;;多分辨率預(yù)測【DOI】：CNKI:SUN
2010-04-24 09:53:49
1、如何建立一個(gè)模型來進(jìn)行多元時(shí)間序列預(yù)測呢？ 下圖顯示了關(guān)于不同類型葡萄酒銷量的月度多元時(shí)間序列。每種葡萄酒類型都是時(shí)間序列中的一個(gè)變量。 假設(shè)要預(yù)測其中一個(gè)變量。比如，sparkling
2022-11-30 15:33:53
怎么設(shè)計(jì)幀內(nèi)預(yù)測算法各個(gè)模塊的代碼呢，用vhdl語言
2019-04-10 00:42:37
請問h.264幀內(nèi)預(yù)測算法的各個(gè)子模塊的代碼，怎么去設(shè)計(jì)呢，
2019-03-03 19:33:37
h.264的幀內(nèi)預(yù)測算法的ding層設(shè)計(jì)怎么去設(shè)計(jì)
2019-03-03 19:40:17
我用的是兩相交錯(cuò)并聯(lián)的DC/DC電路結(jié)構(gòu)，用F2812做處理器，開關(guān)頻率80K，控制算法用的是電壓單閉環(huán)+模型預(yù)測算法。設(shè)定輸出電壓的參考值，反饋實(shí)際輸出電壓，比較經(jīng)過PI以后得到電流參考值，然后
2018-07-23 14:52:26
有沒有誰會小波神經(jīng)網(wǎng)絡(luò)預(yù)測算法的設(shè)計(jì)啊，需要在MATLAB里面實(shí)現(xiàn)的，這是其中一部分，但是在MATLAB里面實(shí)現(xiàn)不了，有誰會完整的程序設(shè)計(jì)嗎？著急啊，幫幫忙吧%%網(wǎng)絡(luò)初始化Load
2016-04-15 13:24:19
針對傳統(tǒng)的時(shí)間序列分析方法預(yù)測科學(xué)數(shù)據(jù)效果較差的特點(diǎn)，提出了一種結(jié)合自組織神經(jīng)網(wǎng)絡(luò)和灰色理論的時(shí)間序列預(yù)測方法。該方法利用度量時(shí)間序列相似性距離函數(shù)，將時(shí)間
2008-12-31 23:56:57
10 根據(jù)股票市場是非線性動力系統(tǒng)的假設(shè)，利用混沌理論對混沌時(shí)間序列的分析方法，提出了股票價(jià)格預(yù)測方法。同時(shí)利用重構(gòu)相空間的嵌入維數(shù)和延遲時(shí)間分別確定經(jīng)向基函數(shù)模
2009-02-18 14:07:5540 時(shí)間序列包含的數(shù)據(jù)量大、維數(shù)高、數(shù)據(jù)更新快，很難直接在原始時(shí)間序列上進(jìn)行數(shù)據(jù)挖掘。該文提出一種基于序列重要點(diǎn)(SIP)的時(shí)間序列分割算法——PLR_SIP，用SIP組成的直線段近
2009-04-09 09:05:3326 針對復(fù)雜環(huán)境下運(yùn)動目標(biāo)檢測提出一種基于像素分類的運(yùn)動目標(biāo)檢測算法。該算法通過亮度歸一化對圖像序列進(jìn)行預(yù)處理，用以降低光照變化造成的誤檢，根據(jù)場景中不同像素點(diǎn)的
2009-04-10 08:51:014 提出一種新的基于符號化表示的時(shí)間序列頻繁子序列的挖掘算法。利用基于PAA的分段線性表示法進(jìn)行降維，通過在高斯分布下設(shè)置斷點(diǎn)，實(shí)現(xiàn)時(shí)間序列符號化表示，利用投影數(shù)據(jù)庫
2009-04-22 09:46:0210 提出一種新的基于符號化表示的時(shí)間序列頻繁子序列的挖掘算法。利用基于PAA的分段線性表示法進(jìn)行降維，通過在高斯分布下設(shè)置斷點(diǎn)，實(shí)現(xiàn)時(shí)間序列符號化表示，利用投影數(shù)據(jù)庫
2009-04-22 09:46:2124 在金融市場、信息網(wǎng)絡(luò)以及電子商務(wù)等領(lǐng)域中積累了大量時(shí)間序列數(shù)據(jù)，對這些數(shù)據(jù)進(jìn)行深層次的分析，是數(shù)據(jù)挖掘研究中的重要方向之一。Microsoft 時(shí)序算法是一個(gè)新的預(yù)測算法，
2009-07-09 10:01:5921 改進(jìn)GP分形理論的最近鄰序列預(yù)測算方法:針對現(xiàn)有的時(shí)間序列分析和預(yù)測算法中主觀性太強(qiáng)的缺點(diǎn)，借助分形理論對時(shí)間序列作有效的分析。
2010-01-03 17:00:1812 如何提取和選擇時(shí)間序列的特征是時(shí)間序列分類領(lǐng)域兩個(gè)重要的問題。該文提出MNOE(Mining Non-Overlap Episode)算法計(jì)算時(shí)間序列中的非重疊頻繁模式，并將其作為時(shí)間序列特征。基于這些
2010-02-08 15:41:247 采用卡爾曼濾波和小波的網(wǎng)絡(luò)流量預(yù)測算法研究
流量預(yù)測是流量工程，擁塞控制和網(wǎng)絡(luò)管理的核心問題。該文針對網(wǎng)絡(luò)流量的特點(diǎn)，將卡爾曼濾波和小波分析混
2010-02-27 09:11:5617 該文提出FPM(Frequent Pattern Mining)算法充分考慮頻繁模式在時(shí)間序列中出現(xiàn)次數(shù)和分布?；谶@些不同分布的頻繁模式擴(kuò)展MAMC(Mixed memory Aggregation Markov Chain)模型提出FMAMC(Frequentpattern based
2010-03-06 11:16:5816 本文提出了一種基于相位差測量的故障檢測算法。該算法利用發(fā)送脈沖與反射脈沖對應(yīng)的相位差計(jì)算故障距離,采用貝葉斯頻譜估計(jì)算法對故障數(shù)據(jù)進(jìn)行處理分析,充分利用采集到的數(shù)
2010-08-05 17:07:5311 泥石流山體滑坡監(jiān)控AI視覺識別檢測算法基于AI視覺識別技術(shù)，泥石流山體滑坡監(jiān)控AI視覺識別檢測算法通過監(jiān)控?cái)z像頭采集到的圖像和視頻流，利用先進(jìn)的視覺識別算法分析和判斷監(jiān)控畫面中是否出現(xiàn)泥石流和山體
2024-08-30 19:11:02
裸土覆蓋檢測算法是一種先進(jìn)的圖像識別技術(shù)，裸土覆蓋檢測算法通過安裝在現(xiàn)場的監(jiān)控?cái)z像頭自動捕捉視頻或圖像，進(jìn)而識別出裸露土壤區(qū)域。該算法的核心在于利用CNN的強(qiáng)大特征提取能力，對圖像中的裸露土壤進(jìn)行
2024-11-01 21:24:34
算法大全_時(shí)間序列模型，有需要的下來看看
2016-01-14 17:59:560 三操作數(shù)的前導(dǎo)1預(yù)測算法糾錯(cuò)編碼模塊的設(shè)計(jì)與實(shí)現(xiàn)_王京京
2017-01-03 18:00:370 多尺度混沌時(shí)間序列在載流故障預(yù)測中的應(yīng)用_孟垚
2017-01-08 11:51:410 針對目前風(fēng)電場風(fēng)速預(yù)測精度較低的問題，提出一種基于多尺度小波分解和時(shí)間序列法的混合風(fēng)速預(yù)測模型，通過小波分解將風(fēng)速非平穩(wěn)時(shí)間序列分解為不同尺度坐標(biāo)上的平穩(wěn)時(shí)間序列，然后把分解后的各層序列重構(gòu)回原尺度
2017-10-21 09:40:093 失效。為此，本文研究2100支股票中具有相似歷史價(jià)格變化的股票，并基于時(shí)間序列窗口滑動獲得用于預(yù)測模型的訓(xùn)練的數(shù)據(jù)和預(yù)測數(shù)據(jù)，使用決策樹CART（Classification and Regres-sion Trees）對預(yù)測結(jié)果數(shù)據(jù)做出判別。并與經(jīng)典的時(shí)間序列
2017-11-28 14:25:330 現(xiàn)有的基于隨機(jī)游走鏈路預(yù)測指標(biāo)在無權(quán)網(wǎng)絡(luò)上的轉(zhuǎn)移過程存在較強(qiáng)隨機(jī)性，沒有考慮在網(wǎng)絡(luò)結(jié)構(gòu)上不同鄰居節(jié)點(diǎn)間的相似性對轉(zhuǎn)移概率的作用。針對此問題，提出一種基于網(wǎng)絡(luò)表示學(xué)習(xí)與隨機(jī)游走的鏈路預(yù)測算法。首先
2017-11-29 10:24:180 針對基于u-shapelets的時(shí)間序列聚類中u-shapelets集合質(zhì)量較低的問題，提出一種基于最佳u-shapelets的時(shí)間序列聚類算法DivUshapCluster。首先，探討不同子序列
2017-11-29 15:26:124 在供水管網(wǎng)中部署傳感器網(wǎng)絡(luò)實(shí)時(shí)獲取多個(gè)水質(zhì)參數(shù)時(shí)間序列數(shù)據(jù)，當(dāng)供水管網(wǎng)發(fā)生污染時(shí)，高效準(zhǔn)確地檢測水質(zhì)異常是一個(gè)重要問題。提出多變量水質(zhì)參數(shù)時(shí)間異常事件檢測算法（ M-TAEDA），利用BP模型分析
2017-12-07 16:17:030 基于分布式平臺上的時(shí)間序列局部相似性檢測算法。將CrossMatch算法實(shí)現(xiàn)在了分布式框架上，解決了計(jì)算資源不足的問題。首先需要對序列進(jìn)行切分，分別放置在不同的節(jié)點(diǎn)上；其次，各節(jié)點(diǎn)分別處理各自序列的相似部分；最后，通過對結(jié)果進(jìn)行匯總
2017-12-08 17:16:440 針對模擬電路故障預(yù)測存在的非線性時(shí)間序列預(yù)測問題和傳統(tǒng)支持向量回歸（ SVR）多步預(yù)測時(shí)出現(xiàn)的誤差累積問題，提出了一種基于相空間重構(gòu)的自適應(yīng)殘差修正SVR預(yù)測算法。首先，分析了SVR多步預(yù)測方法
2017-12-11 15:57:191 時(shí)間序列同構(gòu)關(guān)系，經(jīng)過數(shù)學(xué)推導(dǎo)給出了時(shí)間序列同構(gòu)關(guān)系判定的法則，并基于此提出了同構(gòu)關(guān)系時(shí)間序列片段發(fā)現(xiàn)的算法。該算法首先對原始時(shí)間序列進(jìn)行預(yù)處理，然后分段擬合后對各時(shí)間序列分段進(jìn)行同構(gòu)關(guān)系判定。針對現(xiàn)實(shí)背景
2017-12-12 15:52:530 預(yù)測算法（TR_C M_PR算法）。首先，順序截取預(yù)測點(diǎn)前不同長度的子軌跡，計(jì)算采用灰色GM（1，1）模型擬合各子軌跡的相對誤差及相應(yīng)的預(yù)測值；其次，對各子軌跡的相對擬合誤差進(jìn)行歸一化處理，根據(jù)處理后的結(jié)果設(shè)置各子軌跡預(yù)測值權(quán)重；最后，將各
2017-12-19 15:30:151 針對如何分配一個(gè)未來一段時(shí)間內(nèi)滿足QoS要求的云服務(wù)和感知可能將要發(fā)生的QoS違規(guī)的問題，提出一種基于時(shí)間序列預(yù)測方法的云服務(wù)QoS預(yù)測方法。該預(yù)測方法利用改進(jìn)的貝葉斯常均值（IBCM）模型，能夠
2017-12-20 17:12:580 針對低階Markov模型預(yù)測精度較差，以及多階Markov模型預(yù)測稀疏率高的問題，提出一種基于Markov模型與軌跡相似度（ MMTS）的移動對象位置預(yù)測算法。該方法借鑒了Markov模型思想對移動
2017-12-25 15:00:090 本文在目標(biāo)軌跡預(yù)測中采用了數(shù)據(jù)挖掘的方法，提出了一個(gè)具體的基于移動模式匹配的目標(biāo)軌跡預(yù)測算法。該方法通過不斷挖掘歷史移動軌跡來構(gòu)造前綴共享樹的方法挖掘出頻繁移動模式，之后通過模式匹配預(yù)測出目標(biāo)的移動軌跡。仿真結(jié)果表明該算法的時(shí)間消耗和空間消耗較小，同時(shí)具有很高的預(yù)測準(zhǔn)確性。
2017-12-27 17:01:161 當(dāng)網(wǎng)絡(luò)異常事件發(fā)生時(shí)，傳感器節(jié)點(diǎn)間的時(shí)空相關(guān)性往往非常明顯。而現(xiàn)有方法通常將時(shí)間和空間數(shù)據(jù)性質(zhì)分開考慮，提出一種分散的基于概率圖模型的時(shí)空異常事件檢測算法。該算法首先利用連通支配集算法（CDS）選擇
2017-12-28 15:54:290 針對移動對象軌跡預(yù)測所面臨的數(shù)據(jù)稀疏問題，即有效的歷史軌跡空間不能覆蓋所有可能的查詢軌跡，提出了一種基于迭代網(wǎng)格劃分和熵估計(jì)的稀疏軌跡預(yù)測算法（r IPDS-ICPEE）。首先，對軌跡區(qū)域進(jìn)行迭代
2017-12-29 11:26:561 本文針對現(xiàn)有的ML（Maximum Likelihood）檢測算法復(fù)雜度高，而傳統(tǒng)檢測算法性能不是很優(yōu)的問題，提出了一種新的檢測算法。新的檢測算法結(jié)合ZF-OSIC和ML檢測算法，根據(jù)ZF-OSIC
2017-12-29 14:52:210 非雙曲型非線性系統(tǒng)同宿切面點(diǎn)和同宿橫截點(diǎn)的存在，使得在機(jī)器精度內(nèi)實(shí)現(xiàn)其時(shí)間序列軌跡重影變得十分困難。本文從原理上分析了同宿切面點(diǎn)對軌跡重影算法的影響，并給出可降低甚或避免同宿切面點(diǎn)對算法性能
2018-01-05 16:48:110 針對單一數(shù)據(jù)源預(yù)測蛋白質(zhì)功能效果不佳以及蛋白質(zhì)相互作用網(wǎng)絡(luò)信息不完全等問題，提出一種多數(shù)據(jù)源融合和基于雙重索引矩陣的隨機(jī)游走的蛋白質(zhì)功能預(yù)測（ MSI-RWDIM）算法。該算法使用了蛋白質(zhì)序列、基因
2018-01-09 16:42:471 為了更好的對具有多尺度特性的時(shí)間序列進(jìn)行預(yù)測，運(yùn)用小波分析方法與回聲狀態(tài)網(wǎng)絡(luò)模型相結(jié)合來創(chuàng)建小波回聲狀態(tài)網(wǎng)絡(luò)預(yù)測模型。利用小波方法對原始時(shí)間序列進(jìn)行處理，獲得不同層上的細(xì)節(jié)部分序列和概貌部分序列
2018-01-13 11:40:020 時(shí)間序列數(shù)據(jù)蘊(yùn)含趨勢信息，可以根據(jù)數(shù)據(jù)的趨勢信息提取趨勢轉(zhuǎn)折點(diǎn)，達(dá)到壓縮數(shù)據(jù)、減少噪聲影響的目的。通過分析時(shí)間序列數(shù)據(jù)的趨勢信息，提出自適應(yīng)數(shù)據(jù)趨勢轉(zhuǎn)折點(diǎn)提取算法。該算法不依賴任何先驗(yàn)知識，根據(jù)數(shù)據(jù)
2018-01-17 10:53:5411 針對現(xiàn)有直覺模糊時(shí)間序列模型中直覺模糊關(guān)系組和確定性轉(zhuǎn)換規(guī)則過度依賴訓(xùn)練數(shù)據(jù)規(guī)模的問題，提出一種基于動態(tài)時(shí)間彎曲（DTW，dynamic time warping）距離的長期直覺模糊時(shí)間序列預(yù)測模型
2018-02-08 16:14:020 針對現(xiàn)有長持續(xù)時(shí)間數(shù)據(jù)流檢測算法的實(shí)時(shí)性差、檢測精度與估計(jì)精度低的問題，提出長持續(xù)時(shí)間數(shù)據(jù)流的并行檢測算法。基于共享數(shù)據(jù)結(jié)構(gòu)的長持續(xù)時(shí)間數(shù)據(jù)流的并行檢測算法中不同線程訪問共享數(shù)據(jù)結(jié)構(gòu)，線程之問的同步
2018-03-06 15:54:270 傳統(tǒng)負(fù)荷預(yù)測算法在歷史負(fù)荷序列無不良數(shù)據(jù)的條件下已能對短期負(fù)荷做出較為理想的預(yù)測。由于實(shí)際負(fù)荷數(shù)據(jù)在監(jiān)測、集抄、存儲過程中難免會產(chǎn)生錯(cuò)誤或有所誤差，此時(shí)仍依靠傳統(tǒng)預(yù)測算法進(jìn)行負(fù)荷預(yù)測，可能在某些時(shí)問
2018-03-28 14:34:190 傳統(tǒng)時(shí)間序列相似度量算法在時(shí)間序列發(fā)生平移、時(shí)間軸伸縮等情況下，需要時(shí)間對齊等人工干預(yù)，并且時(shí)間復(fù)雜度較高，不利于后續(xù)數(shù)據(jù)挖掘處理。為此，基于系數(shù)矩陣弧微分提出時(shí)間序列相似度量算法。引入回歸分析中
2018-03-29 09:45:190 針對現(xiàn)有的基于模式的序列分類算法對于生物序列存在分類精度不理想、模型訓(xùn)練時(shí)間長的問題，提出密度感知模式，并設(shè)計(jì)了基于密度感知模式的生物序列分類算法-BSC。首先，在生物序列中挖掘具有密度感知的頻繁
2018-03-29 13:54:140 Apollo 障礙物行為預(yù)測系統(tǒng)采用 MLP 多層感知機(jī)制，通過深度神經(jīng)網(wǎng)絡(luò)與規(guī)劃算法，達(dá)到精準(zhǔn)預(yù)測路徑的目的。
2018-12-18 09:54:44
9790 ， 交通流的規(guī)律性越來越不明顯， 傳統(tǒng)的預(yù)測方法難以湊效。本文針對城市交通流的分布特點(diǎn)，研究-種基于模糊神經(jīng)網(wǎng)絡(luò)的城市交通流預(yù)測算法，考慮預(yù)測的快速性和實(shí)時(shí)性。以城市交通流為原型，首先分析了城市各路段交通流分布的特
2018-12-21 11:47:554 預(yù)測是一件復(fù)雜的事情，在這方面做得好的企業(yè)會在同行業(yè)中出類拔萃。時(shí)間序列預(yù)測的需求不僅存在于各類業(yè)務(wù)場景當(dāng)中，而且通常需要對未來幾年甚至幾分鐘之后的時(shí)間序列進(jìn)行預(yù)測。如果你正要著手進(jìn)行時(shí)間序列預(yù)測
2021-02-14 11:34:003074 
每個(gè)時(shí)間片的最大分?jǐn)?shù)，并利用預(yù)測算法使得工人在完成該任務(wù)后盡可能處于任務(wù)密集區(qū)域，避免岀現(xiàn)工人沒有合適任務(wù)可執(zhí)行的情況發(fā)生，實(shí)現(xiàn)模型的最優(yōu)在線任務(wù)分配。在滴滴快車數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，與BASIC、LLEP和CDP策略相
2021-03-22 11:47:3126 海面艦船的軌跡預(yù)測對預(yù)測精度和實(shí)時(shí)性具有較高要求，而艦船軌跡數(shù)據(jù)特征的高復(fù)雜度特性，導(dǎo)致傳統(tǒng)預(yù)測算法精度低、耗時(shí)長，難以達(dá)到良好的預(yù)測效果。為此，提出一種基于變分自編碼器的海面艦船軌跡預(yù)測算法。將
2021-03-30 09:53:425 鏈路預(yù)測是復(fù)雜網(wǎng)絡(luò)的重要研究方向，當(dāng)前的鏈路預(yù)測算法因可利用的網(wǎng)絡(luò)信息有限，導(dǎo)致預(yù)測算法的精確度受限為了提高預(yù)測算法的性能，采用改進(jìn)的 Adaboost算法進(jìn)行鏈路預(yù)測。首先根據(jù)復(fù)雜網(wǎng)絡(luò)樣本建立
2021-04-08 11:21:2815 文中提出一種基于量子粒子群優(yōu)化策略的車聯(lián)網(wǎng)交通流量預(yù)測算法。根據(jù)交通流量數(shù)據(jù)特征建立對應(yīng)模型，將遺傳模擬退火算法應(yīng)用到量子粒子群算法中得到優(yōu)化的初始聚類中心，并將優(yōu)化后的算法應(yīng)用于徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測
2021-04-25 15:04:229 的相似度映射模型，從而在歷史水文時(shí)間序列中匹配出與預(yù)見期水文趨勢最相似的序列，從而達(dá)到水文趨勢預(yù)測的目的。為了證明所提方法的高效性和可行性，以太湖水文時(shí)間序列數(shù)據(jù)為對象進(jìn)行了驗(yàn)證。分析結(jié)果表明，基于機(jī)器學(xué)習(xí)的多元水文
2021-04-26 15:39:306 多元網(wǎng)絡(luò)通常是指節(jié)點(diǎn)之間存在多種維度鏈接關(guān)系的圖結(jié)構(gòu)。多元網(wǎng)絡(luò)鏈接預(yù)測算法在構(gòu)建相似度指標(biāo)時(shí)，多數(shù)僅考慮單一維度網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)屬性，未挖掘不同維度子網(wǎng)絡(luò)之間存在的關(guān)聯(lián)，影響鏈接預(yù)測的效果。針對該
2021-04-29 10:53:251 整體框架 目標(biāo)檢測算法主要包括：【兩階段】目標(biāo)檢測算法、【多階段】目標(biāo)檢測算法、【單階段】目標(biāo)檢測算法 什么是兩階段目標(biāo)檢測算法，與單階段目標(biāo)檢測有什么區(qū)別？ 兩階段目標(biāo)檢測算法因需要進(jìn)行兩階
2021-04-30 10:22:0411402 
基于圖的隨機(jī)游走算法在預(yù)測論文影響力時(shí)，僅利用學(xué)術(shù)網(wǎng)絡(luò)的全局結(jié)構(gòu)信息而未考慮局部結(jié)構(gòu)信息，對預(yù)測準(zhǔn)確率造成影響。針對該問題，提出一種基于異構(gòu)學(xué)術(shù)網(wǎng)絡(luò)表示學(xué)習(xí)和多變量隨機(jī)游走的論文影響力預(yù)測算法。通過
2021-05-24 14:42:301 的動態(tài)網(wǎng)絡(luò)節(jié)點(diǎn)表示的鏈路預(yù)測算法，即每一時(shí)刻的節(jié)點(diǎn)表示向量由歷史的表示向量計(jì)算得到，以反映節(jié)點(diǎn)在向量空間中的變化規(guī)律，同時(shí)結(jié)合節(jié)點(diǎn)間的高階鄰近特性，生成具有魯棒性的節(jié)點(diǎn)向量來維護(hù)網(wǎng)絡(luò)結(jié)構(gòu)。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)
2021-06-02 14:23:0118 復(fù)雜網(wǎng)絡(luò)下的局部路徑鏈路預(yù)測算法
2021-06-09 15:33:0323 基于RNN的GIS故障預(yù)測算法及系統(tǒng)設(shè)計(jì)
2021-07-01 15:38:3730 ，如何才能為大家提供更好的服務(wù)。 如果可以根據(jù)儀表的過去表現(xiàn)，根據(jù)供求規(guī)律來預(yù)測它的未來價(jià)值，那會怎樣呢？ 準(zhǔn)確預(yù)測什么時(shí)間采取相應(yīng)策略來實(shí)現(xiàn)目標(biāo)，這是一個(gè)不小的挑戰(zhàn)，但對于這個(gè)挑戰(zhàn)，其實(shí)是可以通過時(shí)間序列預(yù)測來解
2021-11-18 15:58:362277 個(gè)時(shí)空依賴環(huán)境下的預(yù)測問題,頗具挑戰(zhàn)性.提出一種基于深度神經(jīng)網(wǎng)絡(luò)的公交到站時(shí)間預(yù)測算法STPM,算法采用時(shí)空組件、屬性組件和融合組件預(yù)測公交車輛從起點(diǎn)站到終點(diǎn)站的總時(shí)長.其中,利用時(shí)空組件學(xué)習(xí)事物
2022-02-28 10:59:521332 今天給大家?guī)硪黄獙?shí)戰(zhàn)案例，本案例旨在運(yùn)用之前學(xué)習(xí)的時(shí)間序列分析和預(yù)測基礎(chǔ)理論知識，用一個(gè)基于交通數(shù)據(jù)的實(shí)際案例數(shù)據(jù)演示這些方法是如何被應(yīng)用的。
2022-03-16 14:05:003421 01 時(shí)間序列分析的定義 1.1 概念 首先，時(shí)間序列定義為在一定時(shí)間間隔內(nèi)按時(shí)間順序測量的某個(gè)數(shù)量。時(shí)間序列分析是指將歷史數(shù)據(jù)分解為四部分來看——趨勢、周期、時(shí)期和不穩(wěn)定因素，然后綜合這些因素
2022-03-16 16:17:376881 , GBRT）等簡單機(jī)器學(xué)習(xí)模型，而且增強(qiáng)了這樣一種預(yù)期，即機(jī)器學(xué)習(xí)領(lǐng)域的時(shí)間序列預(yù)測模型需要以深度學(xué)習(xí)工作為基礎(chǔ)，才能得到 SOTA 結(jié)果。
2022-03-24 13:59:242374 目前，日志異常檢測算法采用基于時(shí)間序列的方法檢測異常，具體為：日志結(jié)構(gòu)化 -> 日志模式識別 -> 時(shí)間序列轉(zhuǎn)換 -> 異常檢測。異常檢測算法根據(jù)日志指標(biāo)時(shí)序數(shù)據(jù)的周期性檢測出歷史
2022-12-09 10:47:052521 在處理時(shí)間序列預(yù)測問任務(wù)時(shí)，損失函數(shù)的選擇非常重要，因?yàn)樗鼤?qū)動算法的學(xué)習(xí)過程。以往的工作提出了不同的損失函數(shù)，以解決數(shù)據(jù)存在偏差、需要長期預(yù)測、存在多重共線性特征等問題。
2023-02-14 09:19:533707 時(shí)間序列預(yù)測是數(shù)據(jù)分析中的一個(gè)重要領(lǐng)域，它涉及到基于歷史數(shù)據(jù)預(yù)測未來值。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)因其在處理序列數(shù)據(jù)方面的優(yōu)勢而受到廣泛關(guān)注。 LSTM神經(jīng)網(wǎng)絡(luò)簡介
2024-11-13 09:54:502800 時(shí)間序列預(yù)測在金融、氣象、銷售預(yù)測等領(lǐng)域有著廣泛的應(yīng)用。傳統(tǒng)的時(shí)間序列分析方法，如ARIMA和指數(shù)平滑，雖然在某些情況下表現(xiàn)良好，但在處理非線性和復(fù)雜模式時(shí)可能不夠靈活。遞歸神經(jīng)網(wǎng)絡(luò)（RNN）提供了
2024-11-15 09:45:251423 使用BP（Backpropagation）神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)間序列預(yù)測是一種常見且有效的方法。以下是一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)間序列預(yù)測的詳細(xì)步驟和考慮因素： 一、數(shù)據(jù)準(zhǔn)備 收集數(shù)據(jù) ： 收集用于訓(xùn)練
2025-02-12 16:44:431377 
電子發(fā)燒友App
工商網(wǎng)監(jiān)
評論