论文研究GM(11)模型初始条件和初始点的优化.pdf

针对GM（1，1）模型预测误差偏大的问题，对GM（1，1）模型背景值的构造形式进行了研究。为了能够更加有效地降低GM（1，1）模型的预测误差，提出了基于辛普森3/8公式和牛顿插值公式的组合插值方法来构

论文研究-灰色系统GM(1,1)模型适用范围拓广.pdf, 研究了灰色系统ＧＭ（１，１）模型在建模过程中由于原始数列乘以不等于零的常数对模型值及预测值的影响，得出ＧＭ（１，１）模型完全适用于负数据序列

GM表示灰色理论的灰微分方程模型。GM（1，1）即一阶一个变量的灰微分方程模型。GM（1，1）预测模型是最常用的一种灰色动态预测模型，其建模原理是：设有一组原始序列：

灰色预测是基于GM(1,1)预测模型的预测，按其应用的对象可有四种类型： (1) 数列预测。这类预测是针对系统行为特征值的发展变化所进行的预测。 (2) 灾变预测。这类预测是针对系统行为的特征值超过某

Nbody渐变 一组Julia例程,用于计算N体积分的梯度。 由Eric Agol,David Hernandez和Zach Langford开发 许可:如果用于出版物中,请包括Agol,Hernan

论文研究-基于遗传算法的改进的GM(1,1)模型IGM(1,1)直接建模.pdf, CM（1,1）模型一般以模型还原值与实际值平均相对误差检验模型的模拟精度。本文以模型还原值与实际值平均相对误差最小化

针对传统模糊C-均值聚类方法所存在的过度依赖初始聚类中心、计算复杂度高等问题，提出一种新的FCM初始化方法。首先，使用维纳滤波分别对图像的R、G、B分量进行预处理，待转换为LAB色彩空间后，通过二次分

传统的灰色GM（1，1）预测模型是针对近似齐次指数序列建立的预测模型。为了拓广灰色预测模型的适用范围，建立了近似非齐次指数序列的灰色DNGM（1，1）预测模型。研究了这种灰色预测模型的性质，证明了这种

改文献针对传统k—means算法对初始聚类中心敏感的问题，提出了基于数据样本分布选取初始聚类中心的改进k．means算法。该算法利用贪心思想构建K个数据集合，集合的大小与数据的实际分布密切相关，集合中

卷积神经网络同样是一种前馈神经网络他的神经元可以响应一部分覆盖范围内的周围单元在大规模的模式识别有很好的性能表现该网络可以避免对图片的复杂前期预处理直接输入原始图像.