您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 曲线拟合软件 delphi

  2. [软件名称] CurveFit [功能] 1.进行y=a0+a1*x+a2*x^2+...+am*x^m多项式拟合; 2.进行y=Ax^B形式的指数拟合; 3.图形显示拟合曲线(值),残差曲线(值),调整图形显示属性(点的形状、大小,图形背景颜色),并可保存图形; 4.在评价标准:相关指数小于0.5的情况下,给出建议删除的点的序号。 5.计算结果保存为“数据源+--拟合形式结果.txt”的文件 [数学原理] 最小二乘法 [数据源文件格式] 文本源(*.txt) Excel源(*.xls) (打
  3. 所属分类:软件测试

    • 发布日期:2011-11-23
    • 文件大小:1044480
    • 提供者:cyp257
  1. 非线性拟合工具

  2. 当前非线性拟合和多元拟合的工具较少,这是针对常用的拟合算法,开发的一款数据拟合为主的软件。包括线性拟合的各种算法,非线性拟合的各种算法,以及多元拟合的各种算法。其中提供了很多非线性方程的模型,以满足不同的需求,也可以制定自己所需要的指定非线性方程模型的,采用最先进的初始值估算算法,无需初始值就可以拟合自己想要的非线性方程模型各个模块的介绍如下。 1.线性拟合算法模块 根据最小二乘拟合算法,对输入的数据进行变量指定次方的拟合。同时可对自变量或因变量进行自然对数和常用对数的转换后再拟合。根据实际情
  3. 所属分类:C++

    • 发布日期:2011-12-05
    • 文件大小:2097152
    • 提供者:xiangjian208
  1. 3次数据拟合

  2. 3次数据拟合 最小二乘法 经典例题
  3. 所属分类:C/C++

    • 发布日期:2011-12-06
    • 文件大小:2048
    • 提供者:wwq199245
  1. 数学建模实验报告(拟合)

  2. 用给定的多项式,y=x3-6x2+5x-3,产生一组数据(xi,yi,i=1,2,…,n),再在yi上添加随机干扰(可用rand产生(0,1)均匀分布随机数,或用rands产生N(0,1)分布随机数),然后用xi和添加了随机干扰的yi作的3次多项式拟合,与原系数比较。 如果作2或4次多项式拟合,结果如何? 三次拟合: x=1:0.5:10; y=x.^3-6*x.^2+5*x-3; y1=y; for i=1:length(y) y1(i)=y1(i)+rand; end
  3. 所属分类:专业指导

    • 发布日期:2012-02-20
    • 文件大小:2097152
    • 提供者:neu_caoyuan
  1. 分式多项式拟合的VC实现

  2. //本程序为数据拟合类,对拟合方程形式为y=(a[0]+a[1]x+a[2]xx+a[3]xxx...)/(1+b[0]x+b[1]xx+b[2]xxx...),包含了多项式拟合,并且可以断项拟合,例如:a+bxx这样没有1次项的方程同样能够依次输出a、b的值 //拟合过程全部为C语言(VC)实现 //分为最小二乘拟合和迭代拟合两种方式,分两个函数给出,两种方式在在方程有唯一解,并且迭代精度设置足够的情况下结果相同。
  3. 所属分类:C++

    • 发布日期:2013-09-29
    • 文件大小:12582912
    • 提供者:astger2
  1. C开发金典随书源码:含数据结构 数值计算分析 图形图像处理 目录和文件操作 系统调用方面的范例

  2. 配书光盘Readme文件 C 语言通用范例开发金典 第1章 数据结构. 1 1.1 数组和字符串 2 1.1.1 一维数组的倒置 2 范例1-1 一维数组的倒置 2 ∷相关函数:fun函数 1.1.2 一维数组应用 3 范例1-2 一维数组应用 3 1.1.3 一维数组的高级应用 5 范例1-3 一维数组的高级应用 5 1.1.4 显示杨辉三角 7 范例1-4 显示杨辉三角 7 ∷相关函数:c函数 8 1.1.5 魔方阵 9 范例1-5 魔方阵 9 1.1.6 三维数组的表示 14 范例1-6
  3. 所属分类:C

    • 发布日期:2013-10-25
    • 文件大小:4194304
    • 提供者:vcfriend
  1. 数据挖掘18大算法实现以及其他相关经典DM算法

  2. 数据挖掘算法 算法目录 18大DM算法 包名 目录名 算法名 AssociationAnalysis DataMining_Apriori Apriori-关联规则挖掘算法 AssociationAnalysis DataMining_FPTree FPTree-频繁模式树算法 BaggingAndBoosting DataMining_AdaBoost AdaBoost-装袋提升算法 Classification DataMining_CART CART-分类回归树算法 Classifica
  3. 所属分类:专业指导

    • 发布日期:2016-01-05
    • 文件大小:225280
    • 提供者:huangyueranbbc
  1. 2017级数值分析第五次作业.doc

  2. 一、(15分)用幂法求下列矩阵的主特征值及对应的特征向量: 当特征值有3位小数稳定时迭代终止。要求:写出计算公式,将计算过程数据填入表中。 k (规范化向量)(保留四位小数) 0 (1,1,1) 1 2 3 4 5 6 7 二、(20分)给出的数值表 用拉格朗日线性插值和二次插值计算的近似值,并估计截断误差。 三、(20分)当工业风扇在以下列出的温度运转时,预期使用寿命如表1所示。 表1 温度(摄氏度) 小时(×1000) 温度(摄氏度) 小时
  3. 所属分类:讲义

    • 发布日期:2020-05-07
    • 文件大小:70656
    • 提供者:weixin_41360517
  1. 使用2015年和2016年使用ATLAS探测器收集的数据研究B s 0和B 0介子的稀有衰变为μ子对

  2. 自2015年和2016年使用ATLAS探测器收集的13 TeV LHC质子-质子碰撞数据中的26.3 fb-1进行了衰变B s 0→μ+μ-和B 0→μ+μ-的研究。 检测器的分辨率(μ+μ-不变质量)与B s 0 -B 0质量差相当,一次拟合可确定两种衰减模式的信号产量。 这样就可以测量出分支分数ℬB s 0→μ+μ− = 3.2 − 1.0 + 1.1×10 − 9 $$ \ mathrm {\ mathcal {B}} \ left({B} _s ^ 0 \ to {\ mu} ^ {+
  3. 所属分类:其它

    • 发布日期:2020-05-02
    • 文件大小:1048576
    • 提供者:weixin_38599430
  1. 多维异构瓦斯浓度数据的融合实现

  2. 利用数据融合技术综合多维异构的测值,能在一定程度上解决煤矿安全领域中测量精度不足、稳定性不高的问题。在对井下瓦斯监控系统的数据获取技术进行分析后,根据其数据维度多、结构各异的特点,建立了异构瓦斯数据的插值加权平均融合方法,利用3次样条插值方法拟合巡检数据,从测量精度、插值精度和测量衰减的角度建立了权重评价体系,最后用加权平均的方法实现了异构瓦斯浓度数据的融合。分析表明,有效的数据融合能从海量数据中揭示隐含的信息,提高监测系统的可靠性和鲁棒性,增强对矿井全局通风瓦斯显现规律的展现能力。
  3. 所属分类:其它

    • 发布日期:2020-04-20
    • 文件大小:1048576
    • 提供者:weixin_38733597
  1. 从无旋转Salpeter型方程的二次形式看重夸克尼亚的Regge轨迹

  2. 在本文中,我们介绍了一种新的重夸克族Regge轨迹,它是采用Bohr-Sommerfeld量化方法从无旋Salpeter型方程(QSSE)的二次形式中获得的。 获得的Regge轨迹采用参数化形式$$ M ^ 2 = {\ beta}({c_1} l + {\ pi} n_r + c_0)^ {2/3} + c_1 $$ M2 =β(cll +πnr+ c0 )2/3 + c1,不同于当前的Regge轨迹。 然后,我们将获得的Regge轨迹应用于拟合角膜和底部膜的光谱。 拟合的Regge轨迹与实
  3. 所属分类:其它

    • 发布日期:2020-03-28
    • 文件大小:850944
    • 提供者:weixin_38726193
  1. 商品用户行为数据处理中的数学问题(3)

  2. 随着网络时代不断的发展,网购已成为人民大众主要购物方式,基于大数据预测用户网购行为成为了重要的问题,本文通过所给 20000 用户数据对其商品行为进行预测并给出评价指标。以ut-8格式编码;包含 user id和 item id两列(均为 string类型),要求去除重复。例 如 user id I item id 100000 2345 100000 2478 100001 127900 100002 207245 评估指标 釆用经典的精确度( precision)、召回率( recall〕和
  3. 所属分类:其它

    • 发布日期:2019-03-15
    • 文件大小:1048576
    • 提供者:zrg_hzr_1
  1. 商品用户行为数据处理中的数学问题(1)

  2. 随着网络日益普及,选择使用网络购物的人数也大大增加,个性化推荐模型能极大地提升商家的收益。本文通过对问题和数据的分析和合理假设,建立回归方程模型以及协同过滤推荐算法,给出符合实际的个性化推荐模型,并给出销售策略。问题三:题目要求建立对于不同地点的推荐模型并给出预测结果。本文选择建立基 于协冋同过滤的地点综合推荐模型。建立川户-商品评分矩阵,再综合不同地区不同种类商 品的购买量加权求和,取出评分最大的几个商品作为12月18号的预测购买结果并进行 精度检验。 问题四:题∏要求建立对于不同时间以及地点
  3. 所属分类:其它

    • 发布日期:2019-03-15
    • 文件大小:778240
    • 提供者:zrg_hzr_1
  1. 数据预处理对基于LSSVM的GPS高程拟合的影响

  2. 分析了基于最小二乘支持向量机(LSSVM)的GPS高程拟合中样本数据预处理的必要性,列举了归一化、标准化和中心化3种数据预处理方法。通过算例对比分析不同数据预处理方法对基于LSSVM的高程拟合精度的影响,并通过选取不同的核函数来拟合分析,与RBF神经网络、三次曲面拟合模型进行比较,得出实际应用的一些结论。
  3. 所属分类:其它

    • 发布日期:2020-07-07
    • 文件大小:211968
    • 提供者:weixin_38558186
  1. 小结3:过拟合欠拟合及其解决方案;梯度消失、梯度爆炸;循环神经网络进阶

  2. 文章目录过拟合、欠拟合及其解决方法过拟合问题(high variance)欠拟合问题(high bias)梯度消失及梯度爆炸循环网络进阶 过拟合、欠拟合及其解决方法 过拟合问题(high variance) 过拟合问题:是指模型太过复杂,对训练数据效果好,而对新样本泛化能力较弱。 (训练误差低 验证误差高) 产生过拟合的可能原因,可能为其中之一或者都有: 模型的复杂度过高。如网络太深,神经网络中;或者线性回归中模型的阶次 过多的变量特征 训练数据过少 如何解决过拟合: 降低模型复杂度 减少特征数
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:61440
    • 提供者:weixin_38598745
  1. 动手学深度学习笔记3过拟合、欠拟合

  2. 一、欠拟合与过拟合 误差: 训练误差(training error):指模型在训练数据集上表现出的误差 泛化误差(generalization error):指模型在任意一个测试数据样本上表现出的误差的期望,并常常通过测试数据集上的误差来近似。机器学习模型应关注降低泛化误差。 Q:如何计算误差?A:引入损失函数(MSE、交叉熵损失)。 验证集:从严格意义上讲,测试集只能在所有超参数和模型参数选定后使用一次。因为不可以使用测试数据选择模型,如调参。所以引入验证集(从训练集中划分出部分验证集),即预
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:373760
    • 提供者:weixin_38713009
  1. 哥伦比亚3-源码

  2. 关于CIFAR-10数据集 由于多个连接问题,我无法导入CIFAR-10数据集。 但是,经过基础研究,我意识到此数据集是由Tensorflow的Keras提供的。 基本信息 我使用了TensorFlow提供的DenseNet算法。 在这段代码中,我使用了文档中的代码段。 “时期”的数量定义了测试运行了多少次。 每当我们拟合此模型时,当前模型的精度都会提高。 但是,由于该模型的准确性变化率是对数的,因此总体准确性趋于降低。 在文件“ accuracy_output.txt”中给出了15个“纪元”
  3. 所属分类:其它

    • 发布日期:2021-02-27
    • 文件大小:2048
    • 提供者:weixin_42151729
  1. 3.1 PyTorch搭建第一个神经网络-关系拟合(回归Regression)

  2. 1.写在前面         这次我会来见证神经网络是如何通过简单的形式将一群数据用一条线条来表示. 或者说, 是如何在数据当中找到他们的关系, 然后用神经网络模型来建立一个可以代表他们关系的线条。 2.建立数据集         我们创建一些假数据来模拟真实的情况. 比如一个一元二次函数: y = a * x^2 + b, 我们给 y 数据加上一点噪声来更加真实的展示它。 import torch import matplotlib.pyplot as plt x = torch.unsq
  3. 所属分类:其它

    • 发布日期:2021-01-21
    • 文件大小:90112
    • 提供者:weixin_38619467
  1. 动手学习深度学习|过拟合、欠拟合及其解决方案

  2. 一 过拟合与欠拟合及其解决方案 过拟合、欠拟合的概念 权重衰减 丢弃法 1 训练误差与泛化误差 训练误差:在训练集上的数据误差; 泛化误差:在其他任意数据集上的误差的期望,常用测试集误差来近似 模型选择:通常用验证集来进行模型选择 K折交叉验证:将数据集分成相等的K个子数据集来进行K次训练和验证,每次将其中1个当作验证集进行验证模型,另外K-1个数据集进行训练,最后K次后取训练误差的均值和验证误差的均值 2 过拟合和欠拟合 过拟合:训练集的误差远小于测试集的误差 欠拟合:模型无法得到较小的训
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:56320
    • 提供者:weixin_38627826
  1. python 对任意数据和曲线进行拟合并求出函数表达式的三种解决方案

  2. 第一种是进行多项式拟合,数学上可以证明,任意函数都可以表示为多项式形式。具体示例如下。 ###拟合年龄 import numpy as np import matplotlib.pyplot as plt #定义x、y散点坐标 x = [10,20,30,40,50,60,70,80] x = np.array(x) print('x is :\n',x) num = [174,236,305,334,349,351,342,323] y = np.array(num) print('y is
  3. 所属分类:其它

    • 发布日期:2021-01-20
    • 文件大小:99328
    • 提供者:weixin_38751014
« 12 3 4 5 6 7 8 »