自適應演算法
A. 請問一下GRE考試的自適應模式演算法是什麼樣的呀
雖然官方沒有公布自適應演算法，但根據模考和大量考生數據可以推理出如下模型：
第一套算分的section一定是medium難度的，然後如果你對0-6個，下一個同類型section就會進入easy模式；7-13個，進入median模式；14-20個，進入hard模式。
easy模式並不代表好拿分，因為得分不僅和正確題數有關，還和這個部分的難度系數有關。
ETS沒有公布官方的算分方式，但是根據多方信息匯總，大致可以得出如下數據：
easy模式的題以難度系數1，2，3為主；
medium模式的題以難度系數3，4為主；
hard模式的題以難度系數4，5為主。
比如第一個section對了14題，那麼第二個section=就進入到了hard模式，但這時只對了7題，最後的分數大概是155；
如果第一個section對了8題，那麼第二個section進入到了medium模式，這時需要對16題才能拿到155分。
如果第一個section對了6題，那麼第二個section進入到了easy模式，這時哪怕第二個section全對，也只有151分。
B. 自適應演算法的性能指標
一種演算法性能的好壞可以通過幾個常用的指標來衡量，例如收斂速度：通常用演算法達到穩定狀態(即與最優值的接近程度達到一定值)的迭代次數表示；誤調比：實際均方誤差相對於演算法的最小均方誤差的平均偏差；運算復雜度：完成一次完整迭代所需的運算次數；跟蹤性能：對信道時變統計特性的自適應能力。
C. 操作系統中自適應演算法的自適應性指
任務管理演算法，不同的任務分配的運行時間片根據需要和重要性劃分，這樣可以提高效率。這對於多線程性能具有較大的提升。最為簡單的方法，每個任務都分配相同的運行時間，時間到，中斷，壓棧，運行另一個任務，....。這樣效率不高。自適應演算法可以動態辨識和調整每個任務的運行時間。
D. 變步長LMS自適應濾波演算法的MATLAB程序
clear all
close all
N=10; %濾波器階數
sample_N=500; %采樣點數
A=1; %信號幅度
snr=10; %信噪比
t=1:sample_N;
length_t=100; %期望信號序列長度
d=A*sin(2*pi*t/length_t); %期望信號
M=length(d); %M為接收數據長度
x=awgn(d,snr); %經過信道（加雜訊）
delta=1/(10*N*(A^2)); %計算能夠使LMS演算法收斂的delta
y=zeros(1,M);
h=zeros(1,N); %LMS濾波器系數
h_normalized=zeros(1,N); %歸一化LMS濾波器系數
y1=zeros(1,N);
for n=N:M %系數調整LMS演算法
x1=x(n:-1:n-N+1);
%LMS演算法
y(n)=h*x1';
e(n)=d(n)-y(n);
h=h+delta*e(n)*x1;
%NLMS演算法
y_normalized(n)=h_normalized*x1';
e_normalized(n)=d(n)-y_normalized(n);
h_normalized=h_normalized+e_normalized(n)*x1/(x1*x1');
end
error=e.^2; %LMS演算法每一步迭代的均方誤差
error_normalized=e_normalized.^2; %NLMS演算法每一步迭代的均方誤差
for n=N:M %利用求解得到的h，與輸入信號x做卷積，得到濾波後結果
x2=x(n:-1:n-N+1);
y1(n)=h*x2';
y2(n)=h_normalized*x2';
end
subplot(411)
plot(t,d);
axis([1,sample_N,-2,2]);
subplot(412)
plot(t,x);
subplot(413)
plot(t,y);
subplot(414)
plot(t,y_normalized);
figure(2)
plot(t,error,'r',t,error_normalized,'b');
E. 自適應演算法和學習演算法的區別
個人感覺比較有道理的答案
http://blog.csdn.net/mituan1234567/article/details/45916917
F. 在自適應演算法中,步長對演算法的影響是怎樣的怎樣合理選用步長
自適應濾波器的收斂速度在很大程度上取決
於步長因子．當步長參數較大時，濾波器收斂到穩
態需要迭代次數較少，但濾波效果比步長較小時差，而
且均方誤差的穩態值隨著步長的變大而增大；但是當
步長參數較小時，收斂速度則會降低，因此只有選擇
合適的步長參數，才能使該濾波器的性能穩定．
G. 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') ;
H. 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。
I. 小波分層自適應演算法的matlab程序
謝邀，不會。
建議去matlab論壇下載，或者自行google網路（code: matlab 小波？？？）
J. 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處理方法、處理順序、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。