应用型文章要改进算法吗

① 专利采用算法的话，一定要加以改进吗

专利法律状态是指专利申请在录入专利文献数据库时所处法律状态，专利并不是一经申请就能得到，还要经过系列的审查程序，在审查过程中也许申请人主动放弃了专利申请、也许被专利局驳回了专利申请，法律状态发生了变化。法律状态可以大致分为三种： 第一种是不稳定状态，如发明专利申请的“公开”、“实质审查”，即处于等待审查或审查正在进行之中的情况； 第二种是相对稳定状态，即审查之后的“授权”状态，有些专利可能维持到“届满”，有些可能因未能按时缴纳年费而“终止”；第三种是稳定状态，如公开后的“撤回“、审查过程中的”视为撤回“、”驳回“、授权后的”放弃“、”视为放弃“及被“撤销”或“无效”；到此结案，不会再有变化。

② 机器学习处理问题如何选择一个合适的算法

我们在进行数据分析或者数据挖掘工作的时候，总会遇到很多的问题，而解决这些问题的方式有很多。如果需要我们用机器学习来处理，那么就需要我们根据算法去选择一个合适的算法。但问题是，用机器学习处理问题，该如何选择一个合适的算法呢？下面我们就给大家介绍一下选择算法的流程，希望这篇文章能够更好地帮助大家理解机器学习。
选择算法是一个比较麻烦的事情，但是并不是不能选择，选择就需要我们十分细心，这样我们才能够选择出一个合适的算法，以便于我们更好的处理问题。选择算法首先需要分析业务需求或者场景，这一步完成以后，就需要我们初探数据，看看自己是否需要预测目标值，如果需要的话，那么就使用监督学习，当然，使用监督学习的时候，如果发现了目标变量，如果是离散型，那么就使用分类算法，如果是连续型，那么就使用回归算法。当然，如果我们发现不需要预测目标值，那么就使用无监督学习，具体使用的算法就是K-均值算法、分层聚类算法等其他算法。
当我们充分了解数据及其特性，有助于我们更有效地选择机器学习算法。采用以上步骤在一定程度上可以缩小算法的选择范围，使我们少走些弯路，但在具体选择哪种算法方面，一般并不存在最好的算法或者可以给出最好结果的算法，在实际做项目的过程中，这个过程往往需要多次尝试，有时还要尝试不同算法。但是对于初学者，还是根据上面选择算法的方式选择算法为好。
说完了选择算法的步骤，下面我们就说一下spark在机器学习方面的优势，在大数据上进行机器学习，需要处理全量数据并进行大量的迭代计算，这要求机器学习平台具备强大的处理能力。Spark与Hadoop兼容，它立足于内存计算，天然的适应于迭代式计算，Spark是一个大数据计算平台，在这个平台上，有我SQL式操作组件Spark SQL;功能强大、性能优良的机器学习库Spark MLlib；还有图像处理的Spark Graphx及用于流式处理的Spark Streaming等，其优势十分明显。
优势一：在完整的大数据生态系统中，有我们熟悉的SQL式操作组件Spark SQL，还有功能强大、性能优良的机器学习库、图像计算及用于流式处理等算法。
优势二：在高性能的大数据计算平台中，由于数据被加载到集群主机的分布式内存中。数据可以被快速的转换迭代，并缓存后续的频繁访问需求。基于内存运算，Spark可以比Hadoop快100倍，在磁盘中运算也比hadoop快10倍左右。
优势三：这个算法能够与Hadoop、Hive、HBase等无缝连接：Spark可以直接访问Hadoop、Hive、Hbase等的数据，同时也可使用Hadoop的资源管理器。
在这篇文章中我们给大家介绍了机器学习处理问题如何选择一个合适的算法以及spark算法的优势的内容，通过这篇文章相信大家已经找到了使用机器学习解决数据分析以及数据挖掘问题的方法了吧？希望这篇文章能够帮助到大家。

③ 应用文有哪些特点

应用文的主要特点有：

1、实用性强：应用文在内容上十分重视实用性。

2、真实性强：“真实”是文章的生命，一切文章都要求具有真实性。

3、针对性强：根据不同领域、不同的行文目的，选用不同的文种。

4、时效性强：应用文在传递信息、解决实际问题方面取得好的效果，必须注意时间、效率，讲究时效性。

应用文是各类企事业单位、机关团体和个人在工作、学习和日常生活等社会活动中，用以处理各种公私事务、传递交流信息、解决实际问题所使用的具有直接实用价值、格式规范、语言简约的多种文体的统称。需要有：

1、写作目的明确：应用文是为实现特定目的服务的，因此其写作动因与目的十分明确。

2、语言表达规范：应用文主要使用规范的现代汉语，适当采用一些古语词汇，文章的语言庄重、简洁、严密，这一点和文学作品形成了鲜明的差异。

3、格式体例稳定：大多数应用文已经形成了稳定的通用格式和体例，这体现了其规范性和严肃性，撰写者在拟文时必须遵守格式体例的要求。

4、时间要素明确：应用文其所针对的事务一般是在一定时期内存在的，因此执行时间、有效期和成文日期等时间要素非常明确。

(3)应用型文章要改进算法吗扩展阅读：

应用文作为一种实用性文体，语言上与其他文体相比较，主要表现出“朴实、沿习、多元、明确、简练、生动”等特征。

文学作品属形象思维范畴，主要用场景渲染、人物描写、心理刻画等手法塑造出活生生的艺术形象来感染读者，即“以情动人”。语言上特别重视积极的修辞手法，特别讲究动词、形容词的锤练。

论文写作属逻辑思维范畴，以对事理的解剖分析、综合归纳、逻辑推论“以理服人”，语言上特别重视语法、逻辑和专业术语的准确。

应用文四要素：

1、主题：每篇应用文都要围绕着一个主题展开。主题越是具体专一，应用文就越容易写出。

2、为谁而写：私人信件为家人、朋友、爱人而写；商务信件为生意伙伴而写；广告为一般大众而写；海报为某一群人而写。了解了为谁而写，就可以使应用文的内容适度而得体，使你的信息能全面地传达给对方。

3、写作目的：为什么要写这篇应用文？是要把你的信息提供给对方，还是要求对方给你提供信息？是洽谈生意还是联络感情？一篇应用文尽管确定了主题，有时却达不到目的，这是为什么？目的不明确，就会造成内容不确切，造成费解。

4、文章的格式和结构：不同类型的应用文其格式和结构是不相同的。信件有信件的格式和结构，广告有广告的格式和结构。不了解各类应用文的格式和结构，就写不好应用文。

④ k-means算法实现（毕业论文都要写些什么东西呢）

路由器WAN口→路由器LAN口→电脑网卡(无线网卡接收)。

⑤ 数据挖掘有哪些典型的应用和算法

1. C4.5

C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法. C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进：

1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；
2) 在树构造过程中进行剪枝；
3) 能够完成对连续属性的离散化处理；
4) 能够对不完整数据进行处理。

C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。

2. The k-means algorithm 即K-Means算法

k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k < n。它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量，并且目标是使各个群组内部的均 方误差总和最小。

3. Support vector machines

支持向量机，英文为Support Vector Machine，简称SV机（论文中一般简称SVM）。它是一种监督式学习的方法，它广泛的应用于统计分类以及回归分析中。支持向量机将向量映射到一个更 高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。分隔超平面使两个平行超平面的距离最大化。假 定平行超平面间的距离或差距越大，分类器的总误差越小。一个极好的指南是C.J.C Burges的《模式识别支持向量机指南》。van der Walt 和 Barnard 将支持向量机和其他分类器进行了比较。

4. The Apriori algorithm

Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。

5. 最大期望(EM)算法

在统计计算中，最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中寻找参数最大似然 估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variabl）。最大期望经常用在机器学习和计算机视觉的数据集聚（Data Clustering）领域。

6. PageRank

PageRank是Google算法的重要内容。2001年9月被授予美国专利，专利人是Google创始人之一拉里·佩奇（Larry Page）。因此，PageRank里的page不是指网页，而是指佩奇，即这个等级方法是以佩奇来命名的。

PageRank根据网站的外部链接和内部链接的数量和质量俩衡量网站的价值。PageRank背后的概念是，每个到页面的链接都是对该页面的一次投票， 被链接的越多，就意味着被其他网站投票越多。这个就是所谓的“链接流行度”——衡量多少人愿意将他们的网站和你的网站挂钩。PageRank这个概念引自 学术中一篇论文的被引述的频度——即被别人引述的次数越多，一般判断这篇论文的权威性就越高。

7. AdaBoost

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器 (强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权 值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。

8. kNN: k-nearest neighbor classification

K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。

9. Naive Bayes

在众多的分类模型中，应用最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBC）。朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以 及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。 但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响。在属 性个数比较多或者属性之间相关性较大时，NBC模型的分类效率比不上决策树模型。而在属性相关性较小时，NBC模型的性能最为良好。

10. CART: 分类与回归树

CART, Classification and Regression Trees。 在分类树下面有两个关键的思想。第一个是关于递归地划分自变量空间的想法；第二个想法是用验证数据进行剪枝。

⑥ 怎样写计算机应用技术的毕业论文

计算机应用技术的毕业论文怎么写?学术堂给了九条建议:

1、写论文是个系统工程.跟写paper不一样,所以从一开始就要有个整体思维和计划,比如文献管理,文献索引,数据管理,表格图片管理等等.建议一开始就建立一个文件夹,里面包括各个方面的子文件夹,分门别类,系统管理,事半功倍.

2、写作讲究一气呵成.看很多人写论文,今天写了半页,明天写了几百字,痛苦至极.写之前莫不如先思考,理清思路,然后再动笔.有时候写顺了,一两天写出一个paper来都不奇怪.

3、不要期待一稿定干坤.写论文最重要的是第一稿,因为从无到有是最艰难的,第一稿出来之后再修改,无论修改意见多么尖锐和繁多,都不会太难.俗话说百炼成钢,论文也一样,往往最终稿跟第一稿相比总是面目全非的.所以,对于第一稿,要快,而不是要精.

4、不要着急生成bibliography文献列表.因为这个文献列表一旦插入进来,在改动的时候总会一遍又一遍的更新,有的时候word也会崩溃,导致论文保存不当或者丢失.如果用endnote之类的软件,写的时候,在插入文献的地方用{作者名,年份等信息},最后一起生成列表就好.

5、论文跟paper的思路还是有区别的.对于论文来说,精炼并不是最主要的要求,详实最重要.而对于paper,精炼最重要,因为杂志往往有字数限制而且精炼的文字会更被杂志青睐.所以,在写论文的时候,一定要力求详尽,尤其是第一稿,之后修改的时候可以略作删减.

6、你总会发现,word会时不时"出问题".比如目录格式为什么总不对,为什么目录"只更新页码"的选项没有了,横页上怎么在左边插入页码,页脚的页码如何自定义,如何区分插入分页符和分节符等等.记住,一旦遇到类似问题,要第一时间弄清楚并解决.不是Word设计的有问题,是你还不会使用它.大部分时候,网上搜一下问题就解决了.这样这些问题就不会在后期困扰你.

7、及时与导师沟通论文的写作进度和要求.每个导师都有不同的习惯,比如我在香港的导师非全稿不看,而现在的德国老板让我写完一章她就改一章.最终质量控制都在导师手里,所以沟通最重要.

8、把论文当做你严谨科研的起点.大家都知道,论文没人看,就算最后存档在图书馆,可能永远也没有人看.但是,论文的写作过程中收获是写paper无法比拟的,论文写作的机会不多,也就是说,系统写一个作品的机会不多(那些可以出书的大牛略过哈).写paper多了,你会发现其实paper很好写,都是一个套路,论文则不然,论文太多系统的东西,方方面面十分广泛.所以,如果你将来真的打算做一个严谨的科学工作者,那么请认真的写好你的论文,就算它将来没有人翻阅.而且论文往往很长,而大部分都不愿意读自己写的东西,以至于论文很多地方可能自己都没有读过.

9、论文文件命名.这是个小问题,每个人可能习惯都不同.我有个小建议,就是用论文名称_Version No._年月日.比如AAA and BBB_V2_20130501.这里版本号很重要.有时候我们经常只放时间,但是到头来你会发现其实时间不重要,因为最终你浏览文件夹肯定要按照修改时间排序,而且很多时候去找以前的文件,时间你已经记不清了.这样版本就很有用,第一版是初稿,第二版是改过一次的,以此类推.当然,在时间后面还可以加上修改人的名字,证明是谁改过的等等.

⑦ 毕业论文怎么写，有什么写作技巧

写毕业论文是检验学生在校学习成果的重要措施，也是提高教学质量的重要环节。所以掌握毕业论文写作技巧变得尤为重要。

一、搞清楚论文的研究方法

论文一定要先搞清楚研究方法，研究方法就是研究问题的角度。由于对于同一个研究方向，往往有很多种研究方法，刚开始研究时往往有些摸不着头脑，脑袋里面是浆糊，人云亦云，天天换方法。我有段时间就是不知道用什么方法好，总是换方法，到头来自己都头晕而且研究工作没有太大的进展。

二、掌握论文创作的深度

论文一定要有必要的深度，没有必要深度也就泛泛而谈，空乏无物。论文的深度决定于你研究的深度，只有先通读尽可能多的相关研究方向的文章，搞懂这些论文所用的方法，记得摘录这些文章中提到了研究方法、研究的结论与不足之处。

三、论文要有创新点

论文一定要有些创新点，其实创新点，我觉得倒是可 是换位思考，不求理论突破可以求算法改进，比如你可以修改一些算法让新的算法比已有算法更贴近工作的实际需求。

四、实验数据的重要性

实验数据的整理是不能忽视的一环，因为在论文中必须用实验数据说话，必须证明新的思路比已有思路要好，新的软件算法比已有软件算法在时间、空间上有更多的优势。

⑧ 改进计算方法

在早期油气资源评价中，通常应用评价模型，对各参数仅取一个固定值进行简单的运算，所得结果也是一个值。实际上，对于地下评价对象，其大多数参数具有时空变化性，用一个固定值，不管是统计所得均值还是其他值，都很难代表该参数，更无法准确刻画该参数的时空非均质性。在这种情况下，很显然应用单值运算得到的结果很难反映地下评价对象的客观实际。因此，为提高评价质量和结果可信性，必须改进计算方法。

14.4.1 应用网格化方法逼近资源分布

这种方法的基本思路是：

（1）根据大量观测点数据，编制各单一参数的平面分布图，通常为平面等值线图，如生油岩等厚图等，个别为分区等级图，如演化程度图。以这些平面分布图简化表示各参数空间变化，主要是把各参数的垂向变化，用平均值简化为非变化的固定值，如所谓生油岩有机质丰度等值线图，即是把各点垂向上有机质丰度变化简化为非变化的固定值。（2）在平面上建立固定的网格，其网格一般是按均匀法设置，但也可用非均匀网格，网格的多少视各变量平面变化快慢、计算机速度和容量而定。原则上是网格越多、越细就越准确地刻画参数平面变化情况。

（3）以同一网格在各参数分布图上读取网格结点（或网格中点）上参数具体数值。

（4）针对每一个网格结点（或网格中点），按照资源评价模型，分别计算生烃量、排烃量等，然后编制生烃量、排烃量等值线图。

（5）依据各等值线间距所占面积，计算该间距所占的生烃量、排烃量等，再累加得全区生烃量、排烃量。乘以相应运聚系数即得全区资源量。

14.4.2 蒙特卡洛法

所谓蒙特卡洛法是一种数值计算方法，其含义是利用随机抽样方法在各参数分布曲线取定数值，然后根据评价模型进行运算，结果得到一定值，反复如上过程成千上万次，结果就有成千上万个定值，再将这些定值进行统计，得到结果分布曲线。该方法已广泛应用于油气资源评价，其优点是：以一个分布曲线来逼近地下评价对象及较可能值、最可能值。这更加符合人们对地下评价对象的认识过程和局限性、不确定性。

该方法的计算步骤如下：

（1）通过资料处理解释、分析化验、图件读取等方法，产生和采集、整理各参数的数据，原则上是越多越好。同时剔除奇异点。

（2）根据整理的数据，统计建立各参数概率分布曲线。当数据较多，如多于几十个时，统计分布曲线代表性强、可靠性高。但当数据少到只几个或十余个时，可依据该参数的分布概型（一般是经验已知的分布模型，如正态分布、对数正态分布等），构造实际的分布曲线。但当数据少到只几个且其分布概型也不确定时，最好用均匀分布或三角分布代替其分布。

（3）利用计算机产生随机数，其中最简单最基本的是均匀分布随机数。要求随机数产生后必须经过严格的检验（如均匀性检验、独立性检验、组合规律性检验、连续性检验等），性质符合要求时方可投入使用。随机数个数越多越好，最好成千上万。随机数值区间为0～1。

（4）以随机数值为概率入口值，用插值法在某一参数分布取该概率所对应的参数值（图14-1）。再用另一个随机数值在另一参数分布曲线上求取该参数值（图14-2）。以此类推。再将所求取的各参数的值（一个参数只一个值）按评价模型相乘除或加减，得到一个结果（图14-3）。反复此过程，得到成千上万个结果。

图14-1 抽样计算过程示意图

（5）再将所得结果进行数理统计，得到结果概率分布图（图14-3）。一般而言，蒙特卡洛计算所用参数概率分布可以是各种各样，但其结果分布一般都是正态分布或对数正态分布。

图14-2 多参数抽样计算过程示意图

图14-3 蒙特卡洛计算过程示意图

14.4.3 模糊数学计算方法

在一些研究对象中，不同事物的界线是截然不同的，如水可以有冰、水、汽三种形态，其界限一般是明确的；而在某些对象，不同事物之间的界限是不明确的，例如在石油地质中，储层的“渗透性好”和“渗透性差”是两个截然不同的概念，但有时对于某个具体的对象，要把它归到“渗透性好”或“渗透性差”却不容易。模糊数学用隶属度来描述这种情况，即用数值来表示某对象属于某事物的程度，一个对象可以“属于”两类甚至两类以上事物，分别以两个隶属度描述它属于这两类事物的程度，这样，较合理地解决了这类问题。

当用模糊数学评价圈闭的含油气性时，即用一个向量来表示一个圈闭：

油气资源评价方法与实践

研究对象含k个圈闭，则用集合U_i来表示这个圈闭群：

油气资源评价方法与实践

n个地质因素在评价圈闭的含油气性中起的作用不同，各因素用一个权a_i值表示其在评价中的作用大小：

油气资源评价方法与实践

每个地质因素用m个级别来表示其有利程度：

油气资源评价方法与实践

C_i是用整数表示的一种属性，其具体值依m不同而异。

当m=3时，C=［-1 0 1］

当m=5时，C=［-2-1 0 1 2］

当m=7时，C=［-3-2-1 0 1 2 3］

一个圈闭的某个地质因素用它对各属性的隶属度来表示（如表14-1）。

表14-1 地质因素各属性的隶属度表

对一个圈闭用n个变量来描述，每个变量的表述将转变为一个向量，而一个圈闭原来用一个向量表示，将变为用综合评价变换矩阵R表示：

油气资源评价方法与实践

用各地质因素的权和各圈闭的综合评价变换矩阵算出各圈闭的综合评价，这个计算过程称为合成：

油气资源评价方法与实践

式中h是样品号，R_h是第h号样品的综合评价变换矩阵，B_h是n（变量数）个数构成的向量，其各元素为

油气资源评价方法与实践

这里，○表示某种算法，这些算法都是由下列4种基本算法演化出来的（假设a、r为模糊集合中的两元素）。

1）a∨r=max（1，r）

2）a∧r=min（a，r）

3）a·r=ar

4）a⊕r=min（a，1+r）

按照这样合成得出一个样品向量，然后计算综合评价值（综合得分）D：

油气资源评价方法与实践

结果为一个数。各圈闭按其D值排队，就是这些圈闭的优劣排队。每采用一个合成法，就有一个B，相应有一个D值，就有一个排队，因为B的产生方法不同，各变量值所起作用不尽相同，同样的原始数据会有不同的排队结果。

14.4.4 神经网络计算方法

人工神经网络是指由大量与自然神经系统的神经细胞相类似的（人工）神经元互联而成的网络。

神经网络的结构和特性是由神经元的特性和它们之间的连接方式决定的。人工神经元之间通过互联形成网络。互联的方式称为连接模式。神经元之间的连接强度为连接权。当网络的连接权矩阵确定后，网络的连接模式也就确定了。

在人工神经网络中，信息处理过程或存贮知识的改变是通过修改神经元间的连接模式来完成的。这一修改过程称做神经网络的训练或学习。不同的权矩阵调整方式，就是不同的学习方式。

神经网络的学习和神经网络的结构没有一一对应的关系。不同的神经网络可以采用相同的学习算法进行训练；同一神经网络也可以采用不同的学习算法进行训练。

一般采用多层前向神经网络，用误差反传（BP）算法。

对于一个由3层组成的神经网络模型，第一层为输入层，第二层为中间层，第三层为输出层。第一层的神经元数为n，中间层的神经元数为1，第三层的神经元数为1。

第1层为输入层，由M个样品的n个神经元组成，约定第k个样品（圈闭）的输入，即第1层神经元为：x_k1，x_k2，…，x_kn，相应的输出为T_k，其中，k为样品号，k=1，2，3，…，M，n为神经元数，在此可理解为自变量数。

第2层为隐层，其神经元数1是用户设定的，由x与权系数矩阵W₂相乘算出，第k个样品的中间层为

油气资源评价方法与实践

F（t）采用S型（Signmoid）压缩函数：

油气资源评价方法与实践

为了能控制u的取值，把第一式改为：x₀=-1，w_0j=ξ，记

油气资源评价方法与实践

则第二式成为

t的值除与W_ij，x_i有关外，还与变量数n有关，为了让的值在0～1的范围内，就需要

油气资源评价方法与实践

给一个适当的ξ值。

中间层到输出层的计算与此相仿。只是它用另外一个W（矩阵）。

如果找到合适的W（两个W阵），则由输入的各样品的X算出各样品的y值应与原样品的输出值T相同或很接近。我们的任务就是要求这两个W阵。

油气资源评价方法与实践

开始的W阵是随机产生的。当然它算出各样品的y不会等于T。我们用E（W）来衡量它的偏差：

油气资源评价方法与实践

当E（W）＜ε时，学习完成。当E（W）＞ε时，就要修改两个W阵，让E（W）逐渐变小，就现在的这个模型（一共有3层，输出层只有一元）来说，修改W分两步，第一步修改由u计算y的W，第二步修改由x计算u的W。

油气资源评价方法与实践

油气资源评价方法与实践

这样，每次根据算出的y来指导修改两层的W阵，直至E（W）＜ε，学习完成。

学习完成后，得到两个W阵，把待判样品的x向量按既定的模式计算可得各样品的y值，为具体对象的评价。

⑨ 利用粒子群算法写论文一定要改进吗

对于论文，首先就是要有创新点，或者实际应用。不改进就是别人的东西，改进了就是你自己的了。建议模仿别人的混合其他算法或者改进参数，或者参数自动生成等。这样有了改进的东西的论文才有创新点。