用遺傳算法求解函數最大值的示例程序。目標函數為y=10*cos(3*x)-4*x.
上傳時間： 2017-09-18
上傳用戶：zyt
Cubic spline algorithm approximating function y=f(x) - ((-2)*x*(2*x+3))/(x*x+4*x+5) in interval [-2 2]
標簽： approximating algorithm function interval
上傳時間： 2013-12-05
上傳用戶：xymbian
無限能量信號，信號x(n)與y(n)的互相關函數
上傳時間： 2019-04-16
上傳用戶：wc12
Java3D顯示空間x，y，z坐標軸，需要安裝java3D jdk包！
標簽： Java3D
上傳時間： 2013-12-18
上傳用戶：wyc199288
暫時只支持jpeg2000支持的 cdf97 和spline53 可以這樣來測試： x=imread( E:\study\jpeg2000\images\lena.tif ) ％ see the decomposition coefficients y=wavelift(x, 1, spl53 ) using spline 5/3 wavelet figure subplot(1,2,1) imshow(x) subplot(1,2,2) imshow(mat2gray(y)) ％ see the reconstruction precision yy=wavelift(x, 5) using cdf 9/7 wavelet ix=wavelift(yy,-5) inverse sum(sum((double(x)-ix).^2))
標簽： 2000 imageslena studyjpeg imread
上傳時間： 2014-01-14
上傳用戶：懶龍1988
* 本算法用最小二乘法依據指定的M個基函數及N個已知數據進行曲線擬和 * 輸入: m--已知數據點的個數M * f--M維基函數向量 * n--已知數據點的個數N-1 * x--已知數據點第一坐標的N維列向量 * y--已知數據點第二坐標的N維列向量 * a--無用 * 輸出: 函數返回值為曲線擬和的均方誤差 * a為用基函數進行曲線擬和的系數, * 即a[0]f[0]+a[1]f[1]+...+a[M]f[M].
上傳時間： 2015-07-26
上傳用戶：
數字信號處理的應用之一是從含有加性噪聲的信號中去除噪聲。現有被噪聲污染的信號x[k]=s[k]+d[k],式中： 為原始信號d[k]為均勻分布的白噪聲。 （1）分別產生50點的序列s[k]和白噪聲序列d[k],將二者疊加生成x[k],并在同一張圖上繪出x0[k],d[k]和x[k]的序列波形。 （2）均值濾波可以有效去除疊加在低頻信號上的噪聲。已知3點滑動平均數字濾波器的單位脈沖響應為h[k]=[1,1,1 k=0,1,2],計算y[k]=x[k]*h[k],在同一張圖上繪出前50點y[k],s[k]和x[k]的波形，比較序列y[k]和s[k]。
上傳時間： 2015-08-19
上傳用戶：Andy123456
對數回歸方程 LogarithmRegress.cs 方程模型為 Y=a*LnX+b public override double[] buildFormula() 得到系數數組，存放順序與模型系數相反，即該數組中系數的值依次是b,a。 public override double forecast(double x) 預測函數，根據模型得到預測結果。 public override double computeR2() 計算相關系數（決定系數），系數越接近1，數據越滿足該模型。
標簽： LogarithmRegress buildFormula override public
上傳時間： 2014-01-23
上傳用戶：330402686
在命令窗輸入如下內容就得到圖形了: [t,x]=ode45( godhua ,[0,10],[0,0,0,1]) subplot(131) plot(t,x(:,4)) xlabel( t ) ylabel( y ) subplot(132) plot(t,x(:,1)) xlabel( t ) ylabel( v ) subplot(133) plot(t,x(:,2)) xlabel( t ) ylabel( \theta )
標簽： subplot godhua xlabel plot
上傳時間： 2013-12-25
上傳用戶：15736969615
runs Kalman-Bucy filter over observations matrix Z for 1-step prediction onto matrix X (X can = Z) with model order p V = initial covariance of observation sequence noise returns model parameter estimation sequence A, sequence of predicted outcomes y_pred and error matrix Ey (reshaped) for y and Ea for a along with inovation prob P = P(y_t | D_t-1) = evidence
標簽： matrix observations Kalman-Bucy prediction
上傳時間： 2016-04-28
上傳用戶：huannan88
