kfold自蒸餾演算法

A. C語言的，自加，和自減演算法，怎麼算我發一個代碼，大神幫我看看

int
a=x++;
//a此時知的值是6，因為x++是運算完在使x+1，執行完專道此段代碼後x的值是7
printf("%d",x++);
//先把x的值輸出回(7)後，答x在+1，執行完此屬段代碼後x的值是8
//x++是最後使x的值加1，++x是先使x的值加1，然後在進行其他計算。

B. 求一個基於自適應演算法降低OFDM系統峰均比的matlab模擬程序，謝謝各位

寫長一點，都可以做一篇碩士畢業論文了。除非有現成的，否則編寫並驗證還確實蠻難的。

C. 求解電池自耗電的演算法。假如自耗電3.0uA。一個月耗電多少

3.0*24*30/1000=2.16mA

D. 2、路由選擇演算法主要分哪幾類分布式自適應演算法的基本思想是什麼

路由選擇抄演算法主要分兩類：靜態路由選擇演算法和動態路由選擇演算法
分布自適應路由選擇演算法的網路，所有節點定其地與其每個相鄰節點交換路由選擇信息。每個節點均存儲一張以網路中其它每個節點為索引的路由選擇表，網路中每個節點佔用表中一項，每一項又分為兩個部分，即所希望使用的到目的節點的輸出線路和估計到目的節點所需要的延遲或距離。度量標准可以是毫秒或鏈路段數、等待的分組數、剩餘的線路和容量等。對於延遲，節點可以直接發送一個特殊的稱作「回聲」（echo）的分組，接收該分組的節點將其加上時間標記後盡快送回，這樣便可測出延遲。有了以上信息，節點可由此確定路由選擇。

E. 自適應演算法的介紹

自適應（ self-adaptive）是指處理和分析過程中,根據處理數據的數據特徵自動調整內處理方法、處容理順序、處理參數、邊界條件或約束條件,使其與所處理數據的統計分布特徵、結構特徵相適應,以取得最佳的處理效果。

F. asp.net 一個關於IP 自增演算法的問題

我在\下測試的,為了看效果,加了個listbox你去掉就行
private void btnGenerage_Click(object sender,EventArgs e)
{
string ip1 = "10.10.10.0";
string ip2 = "10.10.15.7";

string[] ips1 = ip1.Split(".".ToCharArray(),StringSplitOptions.RemoveEmptyEntries);
string[] ips2 = ip2.Split(".".ToCharArray(),StringSplitOptions.RemoveEmptyEntries);

int ipValue1=0;
int ipValue2=0;
ipValue1 = (int.Parse(ips1[0]) << 24) + (int.Parse(ips1[1]) << 16) + (int.Parse(ips1[2]) << 8) + (int.Parse(ips1[3]));
ipValue2 = (int.Parse(ips2[0]) << 24) + (int.Parse(ips2[1]) << 16) + (int.Parse(ips2[2]) << 8) + (int.Parse(ips2[3]));
while(ipValue1 < ipValue2)
{
string ss = getIPStr(ipValue1);
listBox1.Items.Add(ss); //ListBox1測試
// insert into table1 (ip_col) value('ip_value')
ipValue1++;
}
listBox1.Items.Add(getIPStr(ipValue2));
}
private string getIPStr(int ipint)
{
byte[] bytes=BitConverter.GetBytes(ipint);
return string.Format("{0}.{1}.{2}.{3}",bytes[3],bytes[2],bytes[1],bytes[0]);
}

G. WPS文檔如何自定義演算法

WPS製作自定義模板的方法：
1、打開WPS文字，點擊文件--頁面設置，按照回我通常的習慣，設置頁邊距答和裝訂線，讀者可以根據自己愛好設定。

2、然後點擊格式--段落，調整為首行縮進2字元，這樣美觀一些。

3、為了便於讀者們的理解，我在WPS文字中插入圖片，方便更好的演示。

4、圖片插好之後，然後根據自己需要添加一些框架，按下F12，另存為WPS模版文件（*.wpt）格式，點擊保存。

5、打開剛才文檔保存的文件夾，將原來的模版Normal.wpt進行備份，然後把新建的模版重命名為Normal.wpt即可。這樣新建WPS文字就會帶上設置的模版了。

以上就是WPS製作自定義模板的方法，大家可以動手製作自己喜歡的模板了。

H. 自適應閾值閾值圖像分割演算法中，自適應閾值怎麼設定

根據灰度、梯度、形態等來設定自適應閾值。
設定過程：設置→參數→選擇（灰度、梯度、形態）→輸入數值→計算閾值→搞定。

閾值又叫臨界值，是指一個效應能夠產生的最低值或最高值。
閾值又稱閾強度，是指釋放一個行為反應所需要的最小刺激強度。低於閾值的刺激不能導致行為釋放。在反射活動中，閾值的大小是固定不變的，在復雜行為中，閾值則受各種環境條件和動物生理狀況的影響。當一種行為更難於釋放時，就是閾值提高了;當一種行為更容易釋放時，就是閾值下降了。一般說來，剛剛完成某一行為後，動物對這一行為的要求就會大大下降。例如剛交過尾的動物，對於性刺激或是沒有反應或是反應很弱，這就意味著釋放性行為的閾值增加了。類似情況在覓食行為和其他行為中也很常見。另一方面，長時間未發生的行為非常容易被釋放，釋放這種行為的刺激強度會變得非常小。在極端情況下，閾值的降低可以導致行為的自發產生，這就是空放行為(vacuum behavior)。空放行為是一種無刺激行為釋放，是達不到該種行為目的的一種行為。最令人信服的實例是織巢鳥的築巢行為。飼養在鳥籠中的織巢鳥，在得不到任何築巢材料和代用物的情況下，也完全可以表現出築巢動作，雖然這種動作達不到它本來的目的。
閾值又叫臨界值，是指一個效應能夠產生的最低值或最高值。

I. matlab 自適應演算法

.

J. 求：matlab 自適應演算法 程序！

%lms演算法源程序

clear all
close all
%channel system order
sysorder = 5 ;
% Number of system points
N=2000;
inp = randn(N,1);
n = randn(N,1);
[b,a] = butter(2,0.25);
Gz = tf(b,a,-1);
%This function is submitted to make inverse Z-transform (Matlab central file exchange)
%The first sysorder weight value
%h=ldiv(b,a,sysorder)';
% if you use ldiv this will give h :filter weights to be
h= [0.0976;
0.2873;
0.3360;
0.2210;
0.0964;];
y = lsim(Gz,inp);
%add some noise
n = n * std(y)/(10*std(n));
d = y + n;
totallength=size(d,1);
%Take 60 points for training
N=60 ;
%begin of algorithm
w = zeros ( sysorder , 1 ) ;
for n = sysorder : N
u = inp(n:-1:n-sysorder+1) ;
y(n)= w' * u;
e(n) = d(n) - y(n) ;
% Start with big mu for speeding the convergence then slow down to reach the correct weights
if n < 20
mu=0.32;
else
mu=0.15;
end
w = w + mu * u * e(n) ;
end
%check of results
for n = N+1 : totallength
u = inp(n:-1:n-sysorder+1) ;
y(n) = w' * u ;
e(n) = d(n) - y(n) ;
end
hold on
plot(d)
plot(y,'r');
title('System output') ;
xlabel('Samples')
ylabel('True and estimated output')
figure
semilogy((abs(e))) ;
title('Error curve') ;
xlabel('Samples')
ylabel('Error value')
figure
plot(h, 'k+')
hold on
plot(w, 'r*')
legend('Actual weights','Estimated weights')
title('Comparison of the actual weights and the estimated weights') ;
axis([0 6 0.05 0.35])

% RLS 演算法
randn('seed', 0) ;
rand('seed', 0) ;

NoOfData = 8000 ; % Set no of data points used for training
Order = 32 ; % Set the adaptive filter order

Lambda = 0.98 ; % Set the forgetting factor
Delta = 0.001 ; % R initialized to Delta*I

x = randn(NoOfData, 1) ;% Input assumed to be white
h = rand(Order, 1) ; % System picked randomly
d = filter(h, 1, x) ; % Generate output (desired signal)

% Initialize RLS

P = Delta * eye ( Order, Order ) ;
w = zeros ( Order, 1 ) ;

% RLS Adaptation

for n = Order : NoOfData ;

u = x(n:-1:n-Order+1) ;
pi_ = u' * P ;
k = Lambda + pi_ * u ;
K = pi_'/k;
e(n) = d(n) - w' * u ;
w = w + K * e(n) ;
PPrime = K * pi_ ;
P = ( P - PPrime ) / Lambda ;
w_err(n) = norm(h - w) ;

end ;

% Plot results

figure ;
plot(20*log10(abs(e))) ;
title('Learning Curve') ;
xlabel('Iteration Number') ;
ylabel('Output Estimation Error in dB') ;

figure ;
semilogy(w_err) ;
title('Weight Estimation Error') ;
xlabel('Iteration Number') ;
ylabel('Weight Error in dB') ;