使用MATLAB手打k-means聚类函数，通过矩阵运算提高运行速度，带有详细注释。 样本点归类过程提供循环方式和矩阵计算方式，后者耗时和pdist2函数相近。 矩阵运算加速后，该函数聚类速度与MATLAB自带聚类函数相当甚至更快。 压缩包中附带K-means聚类实现原理介绍及收敛性分析文件（readme.pdf）。

本文讨论了带有ARCH（p）误差的部分函数线性模型中参数的估计。 结合功能原理，提出了一种混合估计方法。 获得均值模型中线性参数和ARCH误差模型中参数的估计量的渐近正态性，并建立了斜率函数估计的收敛速度。 此外，进行了一些仿真和实际数据分析，以说明问题，并且表明该方法在有限样本下性能良好。

基于无记忆BFGS拟牛顿法结构提出一个新的修正Liu-Storey(LS)非线性共轭梯度法(简称MLSCG算法)。在精确线搜索下MLSCG算法化归为标准的LS共轭梯度算法。MLSCG算法产生的搜索方向不依赖于线搜索准则而具有充分下降性。新方法在一个Armijo型线搜索下具有全局收敛性。数值试验表明：对于多数算例，新算法比PRP、HS、LS算法具有更好的计算结果。

1、任选 2、计算每个数据到 3、计算每个数据到 4、计算3中的新划分得到的每一类的中心位置 5、对于得到的中心点，计算每个数据，到

针对滑模控制中传统趋近律存在抖振、收敛速度慢的问题, 提出一种基于特定双幂次趋近律的滑模控制方案. 双幂次趋近律具有全局快速的固定时间收敛特性, 收敛时间存在与滑模初值无关的上界. 当系统存在有界集总扰动时, 双幂次趋近律能使滑模及其一阶导数在有限时间收敛到稳态误差界内. 仿真分析验证了所提出方法的有效性.

机器学习25:可能导致训练网络不收敛的几种原因 1.可能导致训练网络不收敛的几个原因：         （1）没有做数据归一化；         （2）没有检查过预处理结果和最终的训练测试结果；         （3）没有做数据预处理；         （4）没有使用正则化；         （5）Batch Size设的太大；         （6）学习率设的不合适；         （7）最后一层的激活函数错误；         （8）网络存在坏梯度，比如当Relu对负值的梯度为0，反向传播时，梯度为0表示不传播；         （9）参数初始化错误；         （10）网络设定不

计算子午线收敛角，通过CAD加载bvb文件，运行宏文件，选择相应的程序

针对鲸鱼优化算法存在探索和开发能力难以协调、易陷入局部最优的不足,提出一种基于混沌搜索策略的鲸鱼优化算法(CWOA).首先,采用混沌反向学习策略产生初始种群,为全局搜索多样性奠定基础;其次,设计收敛因子和惯性权重的非线性混沌扰动协同更新策略以平衡全局探索和局部开发能力;最后,将种群进化更新与最优个体的混沌搜索机制相结合,以减小算法陷入局部最优的概率.对10个基准测试函数和6个复合测试函数进行优化,实验结果表明,CWOA在收敛速度、收敛精度、鲁棒性方面均较对比算法有较大提升.

针对标准粒子群算法(PSO)全局与局部搜索能力相互制约的缺点,提出一种带有独立局部搜索机制、多区域搜索策略和渐近收敛能力的新型PSO算法(ILS-PSO).设计新的简化参数的全局搜索公式、非劣解邻域局部搜索公式和当前最优解邻域深度搜索公式,使算法具备独立的全局与局部搜索能力.通过参数xi$和\lambda$ 协调算法的全局与局部搜索能力,以实现算法的多区域搜索和渐近式收敛.典型函数及其偏移函数的对比测试结果表明,ILS-PSO算法具有良好的优化性能,其综合性能优于其他对比算法.

在相机位姿估计的实际应用中，参考点的坐标数据不可避免地包含了测量误差，其量值大小通常不会完全一致，如果不区别测量误差直接进行相机位姿估计，将可能导致估计结果与真值相差甚远。为此，在广泛应用的正交迭代算法基础上，提出了相机位姿估计的加权正交迭代算法，该方法以加权共线误差为目标函数，根据像面重投影误差确定权重系数取值，优化相机位姿估计结果，具有精度高、稳健性好等优点，且满足全局收敛条件。数值仿真实验与风洞迎角实验的结果表明，本文算法更加有效，能够抑制不同程度测量误差对相机位姿估计结果的影响，所得结果明显优于正交迭代算法，具有较强的工程实用价值。