搜索资源列表
qiujie
- 【问题描述】已知线性方程组AX=B，求解该方程组。参考算法： 消去法：将列向量B加到矩阵A的最后一列，构成增广矩阵AB。对AB进行下列三种初等变换，使原矩阵A的部分的主对角线上的元素均为1，其余元素均为0，则原列向量B的部分即为X的值： 1. 将矩阵的一行乘以一个不为0的数 2. 将矩阵的一行加上另一行的倍数 3. 交换矩阵中两行的位置 - [ Question descr iption ] known system of linear equations AX=B, s
hyplas
- ************************************************************************ * * * * * THIS IS THE H Y P L A S 2.0 README FILE * * ----------------- * * * * HYPLAS is a finite element program for implicit small and large * * strain analisys of hyperelast
stprtool.rar
- 统计模式识别工具箱（Statistical Pattern Recognition Toolbox）包含： 1，Analysis of linear discriminant function 2，Feature extraction: Linear Discriminant Analysis 3，Probability distribution estimation and clustering 4，Support Vector and other Kernel Machines,
tricurv.tar
- Function to calculate the principal curvatures on a triangular mesh. Approximations of curvature are based on local (N=1) neighborhood elements and vertices. Note: Directions of curvatures aren t calculated appropriately. Will post an updated ve
LECalculator
- 3．1 线性方程组类设计 3．2 全选主元高斯消去法 3．3 全选主元高斯-约当消去法 3．4 复系数方程组的全选主元高斯消去法 3．5 复系数方程组的全选主元高斯-约当消去法 3．6 求解三对角线方程组的追赶法 3．7 一般带型方程组的求解 3．8 求解对称方程组的分解法 3．9 求解对称正定方程组的平方根法 3．10 求解大型稀疏方程组的全选主元高斯-约当消去法 3．11 求解托伯利兹方程组的列文逊方法 3．12 高斯-赛德尔
2liezhuyuanxiaoqufaqiujianfangchenzu
- 2列主元消去法解方程组,第二部分，全部代码-Two principal component elimination method for solving equations, the second part, all the code
MPCACodes1.2
- The codes implement two algorithms Multilinear Principal Component Analysis (MPCA) and MPCA+LDA
CC
- 数值分析的上机作业，有三个文件，可以实现1、LU分解法；2、高斯消去法和高斯行主元消去法；3、雅克比迭代法和高斯迭代法。去求解矩阵方程~-Numerical Analysis of the machine operation, there are three files, you can achieve 1, LU decomposition 2, Gaussian elimination and Gauss-line principal component elimination metho
LinearPCA
- 提供简单的线性PCA对二维数据主分量的提取，内附example.m，直接运行即可调用LinearPCA功能函数-LinearPCA. Give an exanple to extract principal component of 2-d data
gaodengshuxue
- 可实现的算法：软件说明： 1.全主元高斯约当消去法2.LU分解法3.追赶法4.五对角线性方程组解法5.线性方程组解的迭代改善6.范德蒙方程组解法7.托伯利兹方程组解法8.奇异值分解9.线性方程组的共轭梯度法10.对称方程组的乔列斯基分解法11.矩阵的QR分解12.松弛迭代法第2章插值1.拉格朗日插值2.有理函数插值3.三次样条插值4.有序表的检索法5.插值多项式6.二元拉格朗日插值-The algorithm can be realized: Software Descr iption:
spider
- 机器学习matlab源代码，包括多分类SVM，模式识别，特征选择，回归等算法。-The spider is intended to be a complete object orientated environment for machine learning in Matlab. Aside from easy use of base learning algorithms, algorithms can be plugged together and can be compared with
MatrixCalculator
- 2．1 矩阵类设计 2．2 矩阵基础运算 2．3 实矩阵求逆的全选主元高斯-约当法 2．4 复矩阵求逆的全选主元高斯-约当法 2．5 对称正定矩阵的求逆 2．6 托伯利兹矩阵求逆的特兰持方法 2．7 求行列式值的全选主元高斯消去法 2．8 求矩阵秩的全选主元高斯消去法 2．9 对称正定矩阵的乔里斯基分解与行列式的求值 2．10 矩阵的三角分解 2．11 一般实矩阵的QR分解 2．12 一般实矩阵的奇异值分解 2．13 求广义
gailie_V7.2
- esprit算法对有干扰的信号频率进行估计,多元数据分析的主分量分析投影，光纤陀螺输出误差的allan方差分析。- esprit algorithm signal frequency interference can be assessed Principal component analysis of multivariate data analysis projection, allan FOG output error variance analysis.
lars_1.2.tar
- 稀疏主成分H.Zou文章代码，非常还有。是用R软件编写的-Sparse Principal Component H.Zou article code, very well
kuntun_V7.2
- 借鉴了主成分分析算法（PCA），预报误差法参数辨识-松弛的思想，高斯白噪声的生成程序。- It draws on principal component analysis algorithm (PCA), Prediction Error Method for Parameter Identification- the idea of relaxation, Gaussian white noise generator.
fiujiu_V1.2
- 包括广义互相关函数GCC时延估计，基于matlab平台实现,借鉴了主成分分析算法（PCA）。- Including the generalized cross-correlation function GCC time delay estimation, Based on matlab platform, It draws on principal component analysis algorithm (PCA).
qiu-V1.2
- 利用matlab GUI实现的串口编程例子，包括主成分分析、因子分析、贝叶斯分析，包括调制，解调，信噪比计算。- Use serial programming examples matlab GUI implementation, Including principal component analysis, factor analysis, Bayesian analysis, Includes the modulation, demodulation, signal to noise rat
yensan-V1.2
- 借鉴了主成分分析算法（PCA），信号维数的估计，利用最小二乘法进行拟合多元非线性方程。- It draws on principal component analysis algorithm (PCA), Signal dimension estimates, Multivariate least squares fitting method of nonlinear equations.
ting-V7.2
- 包含光伏电池模块、MPPT模块、BOOST模块、逆变模块，包括主成分分析、因子分析、贝叶斯分析，从先验概率中采样，计算权重。- PV modules contain, MPPT module, BOOST module, inverter module, Including principal component analysis, factor analysis, Bayesian analysis, Sampling a priori probability, calculate the
核主元分析（Kernel principal component analysis ，KPCA）在降维、特征提取以及故障检测中的应用
- 主要功能有： （1）训练数据和测试数据的非线性主元提取（降维、特征提取） （2）SPE和T2统计量及其控制限的计算 （3）故障检测 KPCA的建模过程（故障检测）： （1）获取训练数据（工业过程数据需要进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）特征值分解 （5）特征向量的标准化处理 （6）主元个数的选取 （7）计算非线性主成分（即降维结果或者特征提取结果） （8）SPE和T2统计量的控制限计算