2016年的学习计划

博客迁移:传送门

学习的初衷

学习是为了让自己明白世间万物的道理,让自己获得身心上的平衡。当然学习的意义不止是那么的宏观,我们应该有更实际的目的。

最近的学习

最近学的东西好多,不知道是不是把自己的精力分散的太开了,需要理清一下思路再次上路。最近学的东西杂七杂八清单:

  • * Android编程技术 *
  • * 机器学习 *
  • * 英语 *
  • node.js
  • * iOS开发 *
  • * 四轴飞行器 *
  • 钢琴
  • 吉他

Android技术开发

最近android学习的不够深入,今年争取把以下几点做好

  • Android基础
  • Android源码的理解
  • Android开源库实现的方式
  • JVM运行时的学习

机器学习

机器学习是今年我比较感兴趣的方向,预计也是我在职研究生毕业的方向

  • NG的机器人学习课程学完
  • 机器学习在移动设备上的应用

英语

英语争取每周抽出时间学习!!- - !贵在坚持了。。目标是能正常的听说!!!

node.js

  • hexo 的源码学习透彻
  • node.js那本书看完

iOS

  • iOS运行时原理研究透彻
  • swift & oc 底层的c原理 学习清楚
  • 熟悉新的控件

四轴飞行器

  • apm的试飞成功
  • 机器学习与四轴飞行器的相互交流

钢琴

  • 拜厄练完
  • 哈农练完
  • 每周最少联系8个小时

吉他

  • 没事儿弹弹别拉下

关于研究生论文

论文的方向肯定是关于移动设备机器学习相关的方向了,这块还是技术方面研究的重点。兴趣点再此。争取今年能培训出来一个自己能学习机器人。

总结

算下来今年要学习的东西很多,需要多花时间进行练习和摸索,争取今年有收获。不要半途而废,前功尽弃。

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值