You are here: MatlabCode > 极值
极值
-
神经网络遗传算法极值
对于未知的非线性函数，仅通过函数的输入输出数据难以准确寻找函数极值。这类问题可以通过神经网络结合遗传算法求解，利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力寻找函数极值。本主主用神经网络遗传算法寻优如下非线性函数极值 ， -
改进的 Hilbert-Huang 变换程序
改进的Hilbert_Huang变换程序 应用背景 经验模式分解 本征模函数 IMF Hilbert变换 瞬时频率 端点效应 虚假IMF筛选算法 复杂信号分解 单频率信号 极值 过零点数目 局部最大值 局部最小值应用背景 通过经验模式分解(empirical modedecomposition，EMD)将信号分解成一系列单频率信号——本征模函数(intrinsic mode function，IMF),在通过 Hilbert 变换即可求得每个本征模函数的瞬时频率。Hilbert-Huang 变换在实际应用中，存在的最大问题就是端点效应。针对上述问题，提出一种以残差与原信号相关系数为阈值的自适应的虚假 IMF 筛选算法。 关键技术 复杂信号分解成单频率信号,任意本征模函数需满足两个条件：(1)在整个数据长度，极值 -
-
-
-
双链量子遗传算法（DCQGA）求F6函数的极值
运用双链量子遗传算法（DCQGA）求F6函数的极值。这个函数的极值在（0，0)点，极大值是1. -
-
-
-
