调参数算法

❶ 饱和度调整算法

饱和度的定义大家可以自行查维基网络。饱和度又名色度、彩度。直观而言，饱和度就是色彩的鲜艳程度或者饱和程度。从白色黑色以及白黑之间的所有灰色其饱和度都为0。饱和度越高说明包含某种颜色的成分越大。其实可以理解成某一个纯色掺和了一些灰色或黑色或白色。因为灰色中包含 rgb 三种成分，所以也就导致了原本的 rgb 纯色100%占比开始下降。根据加入灰色的量，使得另外两种颜色成分的增加，原本纯色的饱和度进一步下降。
接下来介绍photoshop中饱和度调整算法：
调整参数的本来的取值范围为[-100, 100]，经过归一化后为[-1, 1]，记为 pecent。我们需要遍历一张图片的所有像素。对于每个像素我们做如下操作：
假设我们的某个像素 P（其 rgb 通道的值分别为 RGB）：

❷ 神经网络算法中，参数的设置或者调整，有什么方法可以采用

若果对你有帮助，请点赞。
神经网络的结构（例如2输入3隐节点1输出）建好后，一般就要求神经网络里的权值和阈值。现在一般求解权值和阈值，都是采用梯度下降之类的搜索算法（梯度下降法、牛顿法、列文伯格-马跨特法、狗腿法等等），这些算法会先初始化一个解，在这个解的基础上，确定一个搜索方向和一个移动步长（各种法算确定方向和步长的方法不同，也就使各种算法适用于解决不同的问题），使初始解根据这个方向和步长移动后，能使目标函数的输出（在神经网络中就是预测误差）下降。 然后将它更新为新的解，再继续寻找下一步的移动方向的步长，这样不断的迭代下去，目标函数（神经网络中的预测误差）也不断下降，最终就能找到一个解，使得目标函数（预测误差）比较小。
而在寻解过程中，步长太大，就会搜索得不仔细，可能跨过了优秀的解，而步长太小，又会使寻解过程进行得太慢。因此，步长设置适当非常重要。
学习率对原步长（在梯度下降法中就是梯度的长度）作调整，如果学习率lr = 0.1,那么梯度下降法中每次调整的步长就是0.1*梯度，
而在matlab神经网络工具箱里的lr,代表的是初始学习率。因为matlab工具箱为了在寻解不同阶段更智能的选择合适的步长，使用的是可变学习率，它会根据上一次解的调整对目标函数带来的效果来对学习率作调整，再根据学习率决定步长。
机制如下：
if newE2/E2 > maxE_inc %若果误差上升大于阈值
lr = lr * lr_dec; %则降低学习率
else
if newE2 < E2 %若果误差减少
lr = lr * lr_inc;%则增加学习率
end
详细的可以看《神经网络之家》nnetinfo里的《[重要]写自己的BP神经网络(traingd)》一文，里面是matlab神经网络工具箱梯度下降法的简化代码

若果对你有帮助，请点赞。
祝学习愉快

❸ PID整定的口诀是什么

PID参数整定口诀：

参数整定找最佳，从小到大顺序查

先是比例后积分，最后再把微分加

曲线振荡很频繁，比例度盘要放大

曲线漂浮绕大湾，比例度盘往小扳

曲线偏离回复慢，积分时间往下降

曲线波动周期长，积分时间再加长

曲线振荡频率快，先把微分降下来

动差大来波动慢，微分时间应加长

理想曲线两个波，前高后低四比一

一看二调多分析，调节质量不会低

(3)调参数算法扩展阅读：

还有另一首简化版的口诀：

参数整定寻最佳，从大到小顺次查。

先是比例后积分，最后再把微分加。

曲线振荡很频繁，比例度盘要放大。

曲线漂浮绕大弯，比例度盘往小扳。

曲线偏离回复慢，积分时间往下降。

曲线波动周期长，积分时间再加长。

理想曲线两个波，调节过程高质量。

这是一首用经验法进行PID参数工程整定的口诀，该口诀流传至今已有几十年了！其最早出现在1973年11月出版的《化工自动化》一书中。

上面的口诀大多是以该口诀作为蓝本进行了补充和改编而来的。

如:“ 曲线振荡频率快，先把微分降下来，动差大来波动慢。微分时间应加长。”还有的加了:“ 理想曲线两个波，前高后低4比1，一看二调多分析，调节质量不会低。”等等。