用遗传算法求解函数最大值的示例程序。目标函数为y=10*cos(3*x)-4*x.
上传时间： 2017-09-18
上传用户：zyt
Cubic spline algorithm approximating function y=f(x) - ((-2)*x*(2*x+3))/(x*x+4*x+5) in interval [-2 2]
标签： approximating algorithm function interval
上传时间： 2013-12-05
上传用户：xymbian
无限能量信号，信号x(n)与y(n)的互相关函数
上传时间： 2019-04-16
上传用户：wc12
Java3D显示空间x，y，z坐标轴，需要安装java3D jdk包！
标签： Java3D
上传时间： 2013-12-18
上传用户：wyc199288
暂时只支持jpeg2000支持的 cdf97 和spline53 可以这样来测试： 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))
标签： 2000 imageslena studyjpeg imread
上传时间： 2014-01-14
上传用户：懒龙1988
* 本算法用最小二乘法依据指定的M个基函数及N个已知数据进行曲线拟和 * 输入: m--已知数据点的个数M * f--M维基函数向量 * n--已知数据点的个数N-1 * x--已知数据点第一坐标的N维列向量 * y--已知数据点第二坐标的N维列向量 * a--无用 * 输出: 函数返回值为曲线拟和的均方误差 * a为用基函数进行曲线拟和的系数, * 即a[0]f[0]+a[1]f[1]+...+a[M]f[M].
上传时间： 2015-07-26
上传用户：
数字信号处理的应用之一是从含有加性噪声的信号中去除噪声。现有被噪声污染的信号x[k]=s[k]+d[k],式中： 为原始信号d[k]为均匀分布的白噪声。 （1）分别产生50点的序列s[k]和白噪声序列d[k],将二者叠加生成x[k],并在同一张图上绘出x0[k],d[k]和x[k]的序列波形。 （2）均值滤波可以有效去除叠加在低频信号上的噪声。已知3点滑动平均数字滤波器的单位脉冲响应为h[k]=[1,1,1 k=0,1,2],计算y[k]=x[k]*h[k],在同一张图上绘出前50点y[k],s[k]和x[k]的波形，比较序列y[k]和s[k]。
上传时间： 2015-08-19
上传用户：Andy123456
对数回归方程 LogarithmRegress.cs 方程模型为 Y=a*LnX+b public override double[] buildFormula() 得到系数数组，存放顺序与模型系数相反，即该数组中系数的值依次是b,a。 public override double forecast(double x) 预测函数，根据模型得到预测结果。 public override double computeR2() 计算相关系数（决定系数），系数越接近1，数据越满足该模型。
标签： LogarithmRegress buildFormula override public
上传时间： 2014-01-23
上传用户：330402686
在命令窗输入如下内容就得到图形了: [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 )
标签： subplot godhua xlabel plot
上传时间： 2013-12-25
上传用户：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
标签： matrix observations Kalman-Bucy prediction
上传时间： 2016-04-28
上传用户：huannan88
