22、利用 Azure Active Directory 管理身份和访问权限

利用 Azure Active Directory 管理身份和访问权限

1. 理解 AD 用户和组类型

身份存储若无用户和组账户便毫无价值。用户账户代表个体身份,而组则将多个用户账户聚合在一起,便于管理。Azure AD 有两种用户账户类型和两种组账户类型:
- 用户账户类型
- 成员用户 :直接在租户中创建的用户,或从其他目录(本地或 AD)同步/联合的用户。
- 来宾用户 :通过 AD B2B 邀请到租户中的用户。
- 组账户类型
- 分配成员组 :静态填充用户的组。
- 动态组 :Azure 根据预定义的用户账户属性值自动填充的组。

AD 用户列表中的“源”列表示用户的创建位置和验证位置。不同来源的账户可能需要区别对待,用户来源选项包括:
- AD DS :直接在本地租户中创建的用户。
- 外部 Azure AD :在单独的 Azure AD 租户(自己或他人的)中创建,并通过 AD B2B 协作邀请到当前租户的用户。
- Microsoft 账户 :Azure AD B2B 受邀者,最初创建租户/订阅的账户也是 Microsoft 账户。Microsoft 账户是免费账户,可用于访问多个 Microsoft 服务。
- Window

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,划分训练集测试集(默认7:3)。 数据归一化:使用mapminmax将输入输出归一化到[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
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