搜索资源列表
SVMmatlab
- 用MATLAB编写的支持向量机，实现了线性可分与线性不可分的情况，还有非线性支持向量机，里面部分常用的核函数。
四阶runge-kutta求微分方程
- 有四阶runge-kutta发求解非线性微分方程，求得结果可画出分插图等等，十一哥通用的好程序。
2fenfa
- 实 验2 二分法求解非线性方程的根 计机系 041班 姓名：刘文杰 学号：200410714102 【实验内容】 1、方法介绍 （1）输入区间端点值a、b，步长h，及精度控制量ε1，若|f(a)|< ε1，则a为原方程的一个近似根，若|f(b)|< ε1，则b为原方程的一个近似根。 （2）以h为步长，将区间[a，b]分为两个等距的小区间[a，c]，[c，b]。如果f(a)<0，f(c)>0，
SVMmatlab
- 用MATLAB编写的支持向量机，实现了线性可分与线性不可分的情况，还有非线性支持向量机，里面部分常用的核函数。-Prepared using MATLAB support vector machine, to achieve a linearly separable and linear indivisible, it is still non-linear support vector machine, which part of t
Main
- 1、 采用原始变量法，即以速度U、V及压力P作为直接求解的变量 2、 守恒型的差分格式，离散方程系对守恒型的控制方程通过对控制容积作积分而得出的，无论网格疏密程度如何，均满足在计算区域内守恒的条件； 3、 采用区域离散化方法B，即先定控制体界面、再定节点位置 4、 采用交叉网格，速度U、V与其他变量分别存储于三套网格系统中； 5、 不同的项在空间离散化过程中去不同的型线假设，源项采用局部线性化方法；扩散——对流项采用乘方
ONE
- 1、 采用原始变量法，即以速度U、V及压力P作为直接求解的变量 2、 守恒型的差分格式，离散方程系对守恒型的控制方程通过对控制容积作积分而得出的，无论网格疏密程度如何，均满足在计算区域内守恒的条件； 3、 采用区域离散化方法B，即先定控制体界面、再定节点位置 4、 采用交叉网格，速度U、V与其他变量分别存储于三套网格系统中； 5、 不同的项在空间离散化过程中去不同的型线假设，源项采用局部线性化方法；扩散——对流项采用乘方
fractal
- 分形计算的几个程序原码，可用于康托集，求解非线性方程，分形树，分形维计算，庞加莱截面描述等功能，共19个程序或函数-Fractal several procedures for calculating the original code, can be used for Cantor sets, solving nonlinear equations, fractal tree, the fractal dimension, the P
poly_svm
- 核函数是利用支持向量机解决不可分问题时引入的一种非线性变换的手段。基本思想是通过非线性变换，使样本变换之后的特征空间中变得线性可分。然后利用线性可分时构造最优超平面的方法，在特征空间中实现最优超平面的求解。-Kernel function is the use of support vector machine to resolve the issue can not be separated from the introduction
OpenTSTOOL1_02
- 用于非线性时间序列分析的软件包。可用于计算：时间延迟重构，分形维数，互信息，Lyapunov指数，替代数据集，最近临点统计，回归时间，庞加莱截面，非线性预测-TSTOOL is a matlab software package for nonlinear time series analysis. TSTOOL can be used for computing: Time-delay reconstruction, Lyapunov
winpp0
- 用来求解非线性系统中分岔,混沌,周期,准周期等动力学,可以求数值解,也可画图,只要知道系统模型,可以根据需要自由修改参数,软件带有使用说明,简单易懂-Used to solve nonlinear systems in the bifurcation, chaos, periodic, quasi-periodic dynamics, etc., you can seek numerical solutions, but also dr
xppwin
- 用来求解非线性系统中分岔,混沌,周期,准周期等动力学,可以求数值解,也可画图,只要知道系统模型,可以根据需要自由修改参数,-Used to solve nonlinear systems in the bifurcation, chaos, periodic, quasi-periodic dynamics, etc., you can seek numerical solutions, but also drawing, as lon
quanmeijindian-shuzhifenxi
- 本书内容丰富且颇具特色。 本书综述了数值分析领域的诸多内容，包括配置多项式、有限差分、阶乘多项式、求和法、Newton公式、算子与配置多项式、祥条、密切多项式、TaylM多项式、插值、数值微分、数值积分、和与级数、差分方程、微分方程、最小二乘多项式逼近、极小化极大多项式逼近、有理函数逼近、三角逼近、非线性代数、线性方程组、线性规划、边值问题、MonteCarIo方法等内容。 本书的特色主要表现在利用例题及大量详细的题解来透彻地阐
modeling
- 为建立供热管网的在线优化运圩、故障实时诊薪 及赏真分析和培训呆缆，必须建立一种高精度的蒸巍供热管 习动恋仿真模型。该模型将蒸汽处理成为单相可压缩洗件， 将营罔处理成为由节点南支路组成的一种网络结构。在仿真 计算中，采用隐式Euler算法、线性迭代方法和稀疏矩畦算 法隶解由物理模型所得的非线性擞分方程组。证明7|：角的 算法具有大范围收敛特性。此方法祷被应 于青岛百蒸汽供 热管网的工程项目中。-Steam he
SVM
- SVM核心思想是:对于输入空间中非线性可分的情形,选择一个适当的非线性映射,将输入空间中的样本点映射到一个高维空间,然后通过一系列核函数、参数因子的选择得到最优分界面。-SVM core idea is: For the non-linear input space can be divided into the case, select an appropriate nonlinear mapping the input space
SVM_MATLABdaima
- SVM算法 SVM的主要思想可以概括为两点： (1) 它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而 使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能-SVM algorithm
SVM
- SVM方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中(Hilbert空间)，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题．这是一本介绍SVM方法的应为资料-SVM method is a non-linear mapping p, the sample space is mapped into a high-dimensional and even infinite dimensi
SVMmatlab865703589
- 用MATLAB编写的支持向量机，实现了线性可分与线性不可分的情况，还有非线性支持向量机，里面部分常用的核函数，从而达到精确的分类效果。-Prepared using MATLAB support vector machine, linearly separable points with linear, non-linear support vector machine, the inside part of the kernel fu
kernels
- 根据模式识别理论，低维空间线性不可分的模式通过非线性映射到高维特征空间则可能实现线性可分，但是如果直接采用这种技术在高维空间进行分类或回归，则存在确定非线性映射函数的形式和参数、特征空间维数等问题，而最大的障碍则是在高维特征空间运算时存在的“维数灾难”。采用核函数技术可以有效地解决这样问题。 -According to the pattern recognition theory, a low dimensional space l
SVM_GUI_3.1[mcode]{by-faruto}
- 支持向量机SVM(Support Vector Machine）作为一种可训练的机器学习方法，依靠小样本学习后的模型参数进行导航星提取，可以得到分布均匀且恒星数量大为减少的导航星表。 基本情况 Vapnik等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。其原理也从线性可分说起，然后扩展到线性不可分的情况。甚至扩展到使用非线性函数中去，这种分类器被称为支持向量机（Support Vector Machine，简称
KPCA
- KPCA算法属于非线性高维数据集降维，算法其实很简单，数据在低维度空间不是线性可分的，但是在高维度空间就可以变成线性可分的了(The KPCA algorithm belongs to the nonlinear high-dimensional data set dimension reduction. The algorithm is very simple. The data is not linearly separable i