注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. Excel函数使用方法

  2. Excel函数使用方法 3 1.DAVERAGE..................................................................................................................................................... 3 2.DCOUNT.................................................................

  3. 所属分类：其它

    • 发布日期：2010-05-31
    • 文件大小：187392
    • 提供者：zlong_super

  1. matlab小波信号去噪（可用于预测数据预处理）

  2. matlab 下实现信号去噪的函数，输入变量为带有噪音的数据序列，输出变量为去噪后的数据.诸位可以用如下代码进行测试，本人测试得到的效果良好 x = -4*pi:0.1:4*pi; y = sin(x)*100; y_t = y+rand(1,252)*80;%加噪数据

  3. 所属分类：其它

    • 发布日期：2011-09-25
    • 文件大小：201
    • 提供者：laizhaolin

  1. Excel2003常用函数完全手册 CHM格式 带全文检索

  2. Excel2003常用函数完全手册 目 录 一、函数应用基础........... 1 (一)函数和公式................. 1 1.什么是函数…................. 1 2.什么是公式…................. 1 (二)函数的参数.................. 1 1.常量............….................. 1 2.逻辑值............….............. 1 3.数组..............…

  3. 所属分类：其它

    • 发布日期：2008-11-26
    • 文件大小：378880
    • 提供者：UNYYWS

  1. 用LSTM进行sin函数拟合

  2. 在tensorflow上用LSTM进行sin函数拟合，LSTM（Long Short-Term Memory）是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM 已经在科技领域有了多种应用。用这个简单的程序进行入门是很好的

  3. 所属分类：深度学习

    • 发布日期：2018-05-19
    • 文件大小：10240
    • 提供者：qq_33758392

  1. TensorFlow对于sin函数的预测----RNN模型

  2. TensorFlow对于sin函数的预测----RNN模型 具体解释参考http://blog.csdn.net/yunge812/article/details/79444089

  3. 所属分类：机器学习

    • 发布日期：2018-03-05
    • 文件大小：3072
    • 提供者：yunge812

  1. 用prophet预测sin 正弦函数的demo和参数设置教程

  2. 网上很多入门代码，官网也给了很多demo。上手很快，按照网上的数据，预测的结果很ok，信心满满。 总是按照别人的东西做，感觉缺点什么，自己打算给自己挖个坑。 预测一下sin函数。

  3. 所属分类：Python

    • 发布日期：2019-07-25
    • 文件大小：1048576
    • 提供者：u014710355

  1. 中微子混合基体与部分退化的中微子质量扰动对sin 12的影响

  2. 我们考虑了一种情况，其中前导中微子质量矩阵是通过理论ansatz导出的，并很好地再现了实验数据，但并不完全。 然后，下一步是尝试通过添加较小的扰动项来完全重现数据。 在本文中，我们获得了一种对角化扰动质量矩阵的分析方法，并找到了一个一致性条件，该条件应满足参数不使$ \ sin \ theta _ {12} $改变不大的情况。 这种情况可能会导致参数调整，并在解析地将增加的摄动项与预测相关联方面发挥关键作用，特别是对于部分准退化的中微子质量$（m_2 \ simeq m_1）$而言，无中微子双β

  3. 所属分类：其它

    • 发布日期：2020-04-19
    • 文件大小：1048576
    • 提供者：weixin_38647039

  1. 具有μτ型CP对称性的中微子质量模型中Friedberg-Lee变换的现象学意义

  2. 我们提出了具有μτ型CP对称性的中微子质量模型，其中在左手风味中微子场的Friedberg-Lee（FL）变换下，有效轻中微子Lagrangian享有额外的不变性，这导致了高度可预测和可测试的情况。 虽然允许两种类型的轻中微子质量序，即正态序（NO）和倒序（IO），但中微子质量的绝对标度由轻马约拉纳中微子质量矩阵Mν的消失行列式确定。 我们表明，对于两种类型的质量排序，虽然大气混合角θ23通常为非最大（θ23≠π/ 4），但Dirac CP相δ恰好是最大（δ=π/ 2，3π/ 2） 由于cosδ

  3. 所属分类：其它

    • 发布日期：2020-04-18
    • 文件大小：1048576
    • 提供者：weixin_38674616

  1. 逐步破坏风味和CP引起的轻子和夸克混合

  2. 我们以风味对称性Δ（384）和电荷共轭奇偶性（CP）对称性的场景解释了轻子和夸克混合的所有特征，这些特征在多个步骤中被破坏。 中微子和上夸克区的剩余对称性是Klein群和CP，而带电轻子和下夸克中分别保留Z3和Z16对称性。 如果中微子扇区中的Klein组进一步分解为单个Z2对称性，我们将根据一个实量获得所有轻子混合参数的预测，其大小取决于反应堆混合角的值。 狄拉克相和马约拉那相是固定的，特别是sinδ≈-0.936。 给出了将这些CP相与反应堆和大气混合角θ13和θ23相关联的求和规则。 在夸

  3. 所属分类：其它

    • 发布日期：2020-04-16
    • 文件大小：265216
    • 提供者：weixin_38589795

  1. 轻子和夸克质量并在具有Δ（384）和CP的SUSY模型中进行混合

  2. 我们构建了具有对称性Δ（384）和CP的轻子和夸克超对称模型。 轻子和夸克混合的独特特征是通过逐步破坏风味和CP对称性来实现的。 对轻子混合角的正确描述需要两个对称破坏步骤，其中在第一步之后出现三双最大混合。 在夸克区，在第一步对称破坏后，Cabibbo角θC等于sin⁡π/16≈0.195，在第二步之后与实验数据完全吻合。 在对称破坏的第三步之后，生成了两个剩余的夸克混合角。 预测了全部三个轻子CP相位，即sin⁡δl≈-0.936，|sin⁡α| = |sin⁡β| = 1/2。 夸克扇区中

  3. 所属分类：其它

    • 发布日期：2020-04-15
    • 文件大小：726016
    • 提供者：weixin_38691055

  1. 中微子质量矩阵预测的鲁棒性

  2. 我们调查中微子质量矩阵预测对重要和当前未知的观测值的稳定性。 这些是θ23的八分圆，sin⁡δ的符号和中微子质量有序。 为了区分中微子质量模型，确定这些未知数将很有用。 因此，了解θ23八分圆或中微子质量有序的质量矩阵预测的鲁棒性可能会很有趣。 通过应用一般的乘性扰动，我们明确地量化了被扰动的质量矩阵预测与原始质量矩阵不同的θ23八分圆，甚至是与原始质量矩阵不同的中微子质量阶数的可能性。 研究了一般情况和显式风味对称模型。 我们给出了概率与最小中微子质量的函数关系，表明对于超过0.1 eV的值，

  3. 所属分类：其它

    • 发布日期：2020-04-10
    • 文件大小：992256
    • 提供者：weixin_38723192

  1. 标准模型的保形复杂单重态扩展：暗物质和第二希格斯玻色子的场景

  2. 我们考虑了具有希格斯门户交互作用的标准模型的共形复杂单重态扩展。 复杂单重态的全局U（1）对称性可以被破坏或不被破坏，我们研究每种情况。 在不间断的情况下，全局U（1）对称性可防止复合单重态衰减，从而导致理想的冷暗物质候选物具有大约100 GeV的质量以及相当大比例的热物质暗物质丰度。 在残破的情况下，我们开发了一种重归一化规模优化技术，以显着缩小参数空间，并在某些情况下为所有模型的耦合和质量提供独特的预测。 我们发现存在第二个希格斯玻色子，质量约为550 GeV，与已知的125 GeV希格斯混

  3. 所属分类：其它

    • 发布日期：2020-03-31
    • 文件大小：389120
    • 提供者：weixin_38741030

  1. SO（10）启发的瘦素形成的完整分析解决方案

  2. 最近关于中微子混合参数的令人鼓舞的实验结果促使人们进一步研究SO（10）激发的瘦素形成以及相关的强热溶液，该溶液正确地预测了反应堆的混合角不消失，它进一步预测了sinδ≲0，目前得到了最新的支持 在第一个八分位谱中得到的结果约为CL的95％，正常有序中微子质量和大气混合角，最合适的结果来自最新的全局分析。 扩展最近的分析程序，我们解释了Yukawa基础和弱基础之间的不匹配，即在SO（10）启发的模型中，由类似于CKM的unit变换VL描述，获得了完整的分析解决方案，可提供有用的见解和 准确地再现

  3. 所属分类：其它

    • 发布日期：2020-03-31
    • 文件大小：1048576
    • 提供者：weixin_38682518

  1. 高能μ子在纵向极化氘核中散射产生的带电强子的方位不对称性

  2. 使用2006 COMPASS数据确定并在合并了所有氘核COMPASS数据的情况下，确定了在纵向垂直极化氘核上的μ半包容性深非弹性散射中产生的正负负电子的单个强子方位不对称性。 对于每个强子电荷，通过五参数拟合函数获得方位不对称性对强子方位角$$ \ phi $$ the的依赖，该函数除了$$ \ phi $$ ϕ之外，独立项还包括四个调制 根据理论预测：$$ \ sin \ phi $$ sinϕ，$$ \ sin 2 \ phi $$ sin2ϕ，$$ \ sin 3 \ phi $$ sin

  3. 所属分类：其它

    • 发布日期：2020-03-28
    • 文件大小：991232
    • 提供者：weixin_38728464

  1. matlab小波信号去噪（可用于预测数据预处理）

  2. matlab 下实现信号去噪的函数，输入变量为带有噪音的数据序列，输出变量为去噪后的数据.诸位可以用如下代码进行测试，本人测试得到的效果良好 x = -4*pi:0.1:4*pi; y = sin(x)*100; y_t = y+rand(1,252)*80;%加噪数据

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：470
    • 提供者：zgh1988

  1. 接受：急性COPD恶化预测工具-源码

  2. 接受 AC急性COPD恶化预测工具（ACCEPT）的R包 请参阅已发表的论文以获取更多信息： Adibi A，Sin DD，Safari A，Jonhson KM，Aaron SD，FitzGerald JM，SatatsafaviM。急性COPD急性加重预测工具（ACCEPT）：一项建模研究。 柳叶刀呼吸内科。 在线发布于2020年3月13日； 以下动画说明了90秒内的accept模型： 安装 可以从CRAN下载最新的稳定版本： install.packages ('accept')

  3. 所属分类：其它

    • 发布日期：2021-02-10
    • 文件大小：55296
    • 提供者：weixin_42138780

  1. tensorflow-lstm-回归：使用具有TensorFlow的递归神经网络（LSTM）进行序列预测-源码

  2. 张量流-lstm回归 这是基于循环网络的回归器的示例： 目的是根据以前使用LSTM架构的观察结果，在本示例中预测连续值，sin和cos函数。 本示例已更新为与tensrflow-1.1.0兼容的新版本。 这个新版本使用了一个库 ，该库提供了一个API，可基于张量流创建深度学习模型和实验。 安装并运行 创建一个虚拟环境 建议您为安装程序创建一个virtualenv，因为此示例高度依赖于需求文件中设置的版本。 使用python3 $ mkvirtualenv -p python3 ltsm

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：351232
    • 提供者：weixin_42097508

  1. Python基于numpy模块实现回归预测

  2. 代码如下 import numpy as np from matplotlib import pyplot as plt # 用numpy生成数据t ,y t = np.arange(1,10,1) y = 0.9 * t + np.sin(t) model = np.polyfit(t, y ,deg=1) # np.polyfit是numpy提供的加分分析方法，deg=1,指定模型为1阶的，返回值model为获得的模型 t2 = np.arange(-2,12,0.5) # 再生成一个间隔

  3. 所属分类：其它

    • 发布日期：2021-01-21
    • 文件大小：35840
    • 提供者：weixin_38660295

  1. pytorch-RNN进行回归曲线预测方式

  2. 任务 通过输入的sin曲线与预测出对应的cos曲线 #初始加载包 和定义参数 import torch from torch import nn import numpy as np import matplotlib.pyplot as plt torch.manual_seed(1) #为了可复现 #超参数设定 TIME_SETP=10 INPUT_SIZE=1 LR=0.02 DOWNLoad_MNIST=True 定义RNN网络结构 from torch.autograd imp

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：81920
    • 提供者：weixin_38690522

  1. RNN简单应用—-预测正弦函数

  2. 利用RNN实现对函数sinx的取值预测，因为RNN模型预测的是离散时刻的取值，所以代码中需要将sin函数的曲线离散化，每隔一个时间段对sinx进行采样，采样得到的序列就是离散化的结果。 import numpy as np import tensorflow as tf import matplotlib.pyplot as plt #定义参数 HIDDEN_SIZE = 30 # LSTM中隐藏节点的个数。 NUM_LAYERS = 2

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：88064
    • 提供者：weixin_38719475
« 12 »