調參數演算法

❶ 飽和度調整演算法

飽和度的定義大家可以自行查維基網路。飽和度又名色度、彩度。直觀而言，飽和度就是色彩的鮮艷程度或者飽和程度。從白色黑色以及白黑之間的所有灰色其飽和度都為0。飽和度越高說明包含某種顏色的成分越大。其實可以理解成某一個純色摻和了一些灰色或黑色或白色。因為灰色中包含 rgb 三種成分，所以也就導致了原本的 rgb 純色100%佔比開始下降。根據加入灰色的量，使得另外兩種顏色成分的增加，原本純色的飽和度進一步下降。
接下來介紹photoshop中飽和度調整演算法：
調整參數的本來的取值范圍為[-100, 100]，經過歸一化後為[-1, 1]，記為 pecent。我們需要遍歷一張圖片的所有像素。對於每個像素我們做如下操作：
假設我們的某個像素 P（其 rgb 通道的值分別為 RGB）：

❷ 神經網路演算法中，參數的設置或者調整，有什麼方法可以採用

若果對你有幫助，請點贊。
神經網路的結構（例如2輸入3隱節點1輸出）建好後，一般就要求神經網路里的權值和閾值。現在一般求解權值和閾值，都是採用梯度下降之類的搜索演算法（梯度下降法、牛頓法、列文伯格-馬跨特法、狗腿法等等），這些演算法會先初始化一個解，在這個解的基礎上，確定一個搜索方向和一個移動步長（各種法算確定方向和步長的方法不同，也就使各種演算法適用於解決不同的問題），使初始解根據這個方向和步長移動後，能使目標函數的輸出（在神經網路中就是預測誤差）下降。 然後將它更新為新的解，再繼續尋找下一步的移動方向的步長，這樣不斷的迭代下去，目標函數（神經網路中的預測誤差）也不斷下降，最終就能找到一個解，使得目標函數（預測誤差）比較小。
而在尋解過程中，步長太大，就會搜索得不仔細，可能跨過了優秀的解，而步長太小，又會使尋解過程進行得太慢。因此，步長設置適當非常重要。
學習率對原步長（在梯度下降法中就是梯度的長度）作調整，如果學習率lr = 0.1,那麼梯度下降法中每次調整的步長就是0.1*梯度，
而在matlab神經網路工具箱里的lr,代表的是初始學習率。因為matlab工具箱為了在尋解不同階段更智能的選擇合適的步長，使用的是可變學習率，它會根據上一次解的調整對目標函數帶來的效果來對學習率作調整，再根據學習率決定步長。
機制如下：
if newE2/E2 > maxE_inc %若果誤差上升大於閾值
lr = lr * lr_dec; %則降低學習率
else
if newE2 < E2 %若果誤差減少
lr = lr * lr_inc;%則增加學習率
end
詳細的可以看《神經網路之家》nnetinfo里的《[重要]寫自己的BP神經網路(traingd)》一文，裡面是matlab神經網路工具箱梯度下降法的簡化代碼

若果對你有幫助，請點贊。
祝學習愉快

❸ PID整定的口訣是什麼

PID參數整定口訣：

參數整定找最佳，從小到大順序查

先是比例後積分，最後再把微分加

曲線振盪很頻繁，比例度盤要放大

曲線漂浮繞大灣，比例度盤往小扳

曲線偏離回復慢，積分時間往下降

曲線波動周期長，積分時間再加長

曲線振盪頻率快，先把微分降下來

動差大來波動慢，微分時間應加長

理想曲線兩個波，前高後低四比一

一看二調多分析，調節質量不會低

(3)調參數演算法擴展閱讀：

還有另一首簡化版的口訣：

參數整定尋最佳，從大到小順次查。

先是比例後積分，最後再把微分加。

曲線振盪很頻繁，比例度盤要放大。

曲線漂浮繞大彎，比例度盤往小扳。

曲線偏離回復慢，積分時間往下降。

曲線波動周期長，積分時間再加長。

理想曲線兩個波，調節過程高質量。

這是一首用經驗法進行PID參數工程整定的口訣，該口訣流傳至今已有幾十年了！其最早出現在1973年11月出版的《化工自動化》一書中。

上面的口訣大多是以該口訣作為藍本進行了補充和改編而來的。

如:「 曲線振盪頻率快，先把微分降下來，動差大來波動慢。微分時間應加長。」還有的加了:「 理想曲線兩個波，前高後低4比1，一看二調多分析，調節質量不會低。」等等。