搜索资源列表
LS-TLS
- LS和TLS算法原理及其Matlab仿真,未知的参数向量 常可以建模成矩阵方程 ，A和b分别是与观测数据有关的系数矩阵的向量。通过使误差的平方和最小来确定参数估计向量 。所求得的估计成为最小二乘估计 -LS and TLS Algorithm and its Matlab simulation, the unknown constant parameter vector into a matrix equation can be modeled, A and b are coefficien
FuzzyMatrix
- 模糊矩阵类 可以根据不同的模糊算子计算模糊矩阵的并运算C=A∪B,交运算 Ｃ＝Ａ∩Ｂ,求余运算 Ｃ＝1-Ａ 等-Fuzzy matrices based on different fuzzy operator and calculation of fuzzy matrix operation C = A ∪ B, cross-operator C = A ∩ B, for more than computing C = 1-A, etc.
Cellular-Neural-Network
- 细胞神经网络(CNN)是一种和人类神经网络非常相似的并行计算模型，各个邻接节点间有不同的通信。在本程序中A模型是反馈矩阵，B是控制矩阵。-Cellular neural network (CNN) is very similar to the human neural network model of parallel computation, all adjacent nodes have different communication. A model of this process is
B
- 在卫星精密定轨中，Y=BX+V，其中B矩阵又包含了观测几何矩阵和状态转移矩阵，本程序计算了B矩阵。-In Precise Orbit Determination, Y = BX+ V, which also contains the observation matrix B geometric matrix and the state transition matrix, the program to calculate the B matrix.
kmeans1
- K-means算法，算法步骤如下： Step1.利用式(2)计算距离矩阵D=()，其中=dist[i, j] ()； Step2.扫描坐标距离矩阵D，寻找距离的最大值和最小值，用式(3)计算limit； Step3.扫描坐标距离矩阵D，寻找矩阵中距离最小的2个数据a，b，将数据a，b加入集合，={a,b}，同时将数据a，b从U中删除，更新距离矩阵D； Step4.利用 (4)式在U中寻找距离集合最近的数据样本t，如果小于limit，则将t加入集合，同时将t从集合U中删除，更新
1
- 1、实现SPI驱动TSC2046，读取X，Y触摸坐标 2、触摸坐标和LCD坐标的对应关系可由矩阵平移、旋转、缩放三者来表示 XL XT*A+XT*B+C YL YT*D+YT*E+F 采用五点校正算法，计算出参数A，B，C，D，E，F 因为参数多为小数不易存放，所以乘以一个参数作为整数存放。 3、每次读取触摸按下的坐标时，读TSC2046的是触摸坐标， 而需要的是LCD坐标，所以把触摸坐标和上述参数代入上面等式即可获得-1, to achieve SPI drive
DeepLearningDropout-master
- dropout和深度学习算法的结合使用，有详细的使用说明和数据集(Three types of layers: - C: convolutional layer (matrix map) - MP: max-pooling layer (matrix map) - F: fully connected layer (vector map) - O: output layer Convolutional Layers: - Scale: scale (size of p
ELM分类器
- ELM是基于深度学习的分类器，运算速度快。 在B_data.m里导入待分类矩阵B.mat（1-n列为特征值，n列为标签）；运行B_data.m；再打开fuzzyEn_main.m并运行即可。(ELM is based on depth learning classifier, computing speed. In B_data.m imported matrix to be classified B.mat (1-n as eigenvalues, n as a label); Run B
2
- （a）产生两个都具有200个二维向量的数据集和（注意：在生成数据集之前最好使用命令randn(‘seed’,0)初始化高斯随机生成器为0（或任意给定数值），这对结果的可重复性很重要）。向量的前半部分来自均值向量的正态分布，并且协方差矩阵。向量的后半部分来自均值向量的正态分布，并且协方差矩阵。其中是一个2*2的单位矩阵。 （b）在上述数据集上运用感知器算法，并且使用不同的初始向量初始化参数向量。 （c）测试每一次算法在和上的性能。 （d）画出数据集和，以及分类面。((a) Generate