函数文件1:real_fun.m function f=real_fun(x0,t0) %精确解 f=4*x0*(1-x0)*sin(t0); 函数文件2:F.m function f=F(N,u,U,t,h1,h2) %非线性方程组 %h1是x的步长,h2是t的步长 %u表示迭代节点,上一时刻的数值解 %h表示时间节点上的步长 %N表示空间节点的步数 a0=0.5*t^4*h2*N^2; f(1,1)=a0*(U(2)^2-2*U(1)^2)+h2*fi(h1,t)+u(1)-U(1); f(

matlab中有专门的solve函数来解决方程组的(a-x)^2+(b-y)^2=e^2(C-x)^2+(D-y)^2=v^2已知a,b,c,d,e,v 值求解 X,Y 请问用 matlab 如何写,就是求2个园的交点问题.仿真程序为:global a b c d e v;>> a=1;b=0;c=-1;d=0;e=1.5;v=1.5;%设定你这几个未知数的值>> syms x y;%%%%%%x,y是变量>> [x,y]=solve('x^2+y^2-2*a*x-2*

LINK :http://blog.sina.com.cn/s/blog_49f037d60100ok8y.html

1.前言 SVM(Support Vector Machine)是一种寻求最大分类间隔的机器学习方法,广泛应用于各个领域,许多人把SVM当做首选方法,它也被称之为最优分类器,这是为什么呢?这篇文章将系统介绍SVM的原理.推导过程及代码实践. 2.初识SVM 首先我们先来看看SVM做的是什么样的事,我们先看下面一张图 图中有三个分类实例,都将数据正确分类,我们直观上看,会觉得图中第三个效果会比较好,这是为什么呢?个人觉得人的直观感受更偏向于数据均匀对称的结构.当然,这只是直观感受,我们从专业的角度

此文是斯坦福大学,机器学习界 superstar - Andrew Ng 所开设的 Coursera 课程:Machine Learning 的课程笔记. 力求简洁,仅代表本人观点,不足之处希望大家探讨. 课程网址:https://www.coursera.org/learn/machine-learning/home/welcome Week 2:Linear Regression with Multiple Variables笔记:http://blog.csdn.net/ironyoung

1.最小二乘原理 Matlab直接实现最小二乘法的示例: close x = 1:1:100; a = -1.5; b = -10; y = a*log(x)+b; yrand = y + 0.5*rand(1,size(y,2)); %%最小二乘拟合 xf=log(x); yf=yrand; xfa = [ones(1,size(xf,2));xf] w = inv(xfa*xfa')*xfa*yf';%直接拟合得到的结果 参考资料: 1.http://blog.csdn.net/lotus_

今天,我们学习了直方图.于是乎,回来我就用matlab代码实现一下.昨天受到道路检测老师课上一个内容的影响(对于道路裂缝的检测,我突发奇想,如果对于道路图像进行操作,是否能够让裂缝与道路分离,使得图像经过预处理以后在检测过程中能更加直观),于是所用图片是与道路裂缝有关的.(但是发现效果似乎很shi...) 结合上节课的图像点运算.今天的代码都将会囊括进来! 点运算,是用于改变图像灰度范围以及分布的一种运算,原图像与生成图像之间相应的像素值之间满足某种函数关系.可以是线性变换的,也可以是非线性变换

1.最小二乘原理 Matlab直接实现最小二乘法的示例: close x = 1:1:100; a = -1.5; b = -10; y = a*log(x)+b; yrand = y + 0.5*rand(1,size(y,2)); %%最小二乘拟合 xf=log(x); yf=yrand; xfa = [ones(1,size(xf,2));xf] w = inv(xfa*xfa')*xfa*yf';%直接拟合得到的结果 参考资料: 1.http://blog.csdn.net/lotus_

MATLAB实例:非线性曲线拟合 作者:凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/ 用最小二乘法拟合非线性曲线,给出两种方法:(1)指定非线性函数,(2)用傅里叶函数拟合曲线 1. MATLAB程序 clear clc xdata=[0.1732;0.1775;0.1819;0.1862;0.1905;0.1949;0.1992;0.2035;0.2079;0.2122;0.2165;0.2208;0.2252;0.2295;0.2338;0.238

——转载网络 在科学计算和工程应用中,经常会遇到需要拟合一系列的离散数据,最近找了很多相关的文章方法,在这里进行总结一下其中最完整.几乎能解决所有离散参数非线性拟合的方法 第一步:得到散点数据 根据你的实际问题得到一系列的散点 例如: x=[3.2,3.6,3.8,4,4.2,4.8,5,5.4,6.2,6.4,6.6,6.9,7.1]';%加上一撇表示对矩阵的转置 y=[0.38,0.66,1,0.77,0.5,0.66,0.83,1,0.71,0.71,1,0.87,0.83]'; 第二步:

2.1 案例背景 在工程应用中经常会遇到一些复杂的非线性系统,这些系统状态方程复杂,难以用数学方法准确建模.在这种情况下,可以建立BP神经网络表达这些非线性系统.该方法把未知系统看成是一个黑箱,首先用系统输入输出数据训练BP神经网络,使网络能够表达该未知函数,然后用训练好的BP神经网络预测系统输出. 本章拟合的非线性函数为\[y = {x_1}^2 + {x_2}^2\]该函数的图形如下图所示. t=-5:0.1:5; [x1,x2] =meshgrid(t); y=x1.^2+x2.^2; s

MATLAB实例:多元函数拟合(线性与非线性) 作者:凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/ 更多请看:随笔分类 - MATLAB作图 之前写过一篇博文,是关于一元非线性曲线拟合,自定义曲线函数. 现在用最小二乘法拟合多元函数,实现线性拟合与非线性拟合,其中非线性拟合要求自定义拟合函数. 下面给出三种拟合方式,第一种是多元线性拟合(回归),第二三种是多元非线性拟合,实际中第二三种方法是一个意思,任选一种即可,推荐第二种拟合方法. 1. MATLA

一.隐式Euler: 函数文件1: function b=F(t,x0,u,h) b(,)=x0()-h*x0()-u(); b(,)=x0()+*h*x0()/t+*h*(*exp(x0())+exp(x0()/))-u(); 函数文件2: function g=Jacobian(x0,t,h) g(,)=; g(,)=-h; g(,)=*h*(*exp(x0())+)/)); g(,)=+*h/t; 函数文件3: function x=newton_Iterative_method(t,u,

每次比赛都需要查一下,这次直接总结到自己的博客中. 以这个为例子: 2.线性方程的相关计算 x=[1,2,3,4,5]';%参数矩阵 X=[ones(5,1),x];%产生一个5行一列的矩阵,后接x矩阵 Y=[3.95,5.23,7.6,9.48,11.89]'; [b,bint,r,rint,stats]=regress(Y,X) %b为方程相关系数 %r表示残差 %rint表示置信区间 %stats适用于检验回归模型的统计量 得到 b = 1.5910 2.0130 bint = 0.448

7.1 案例背景 7.1.1 RBF神经网络概述 径向基函数是多维空间插值的传统技术,RBF神经网络属于前向神经网络类型,网络的结构与多层前向网络类似,是一种三层的前向网络.第一层为输入层,由信号源结点组成:第二层为隐藏层,隐藏层节点数视所描述问题的需要而定,隐藏层中神经元的变换函数即径向基函数是对中心点径向对称且衰减的非负非线性函数,该函数是局部响应函数,而以前的前向网络变换函数都是全局响应的函数:第三层为输出层,它对输入模式作出响应.RBF网络的基本思想是:用RBF作为隐单元的“基”构成隐藏

4.1 案例背景 \[y = {x_1}^2 + {x_2}^2\] 4.2 模型建立 神经网络训练拟合根据寻优函数的特点构建合适的BP神经网络,用非线性函数的输入输出数据训练BP神经网络,训练后的BP神经网络就可以预测函数输出.遗传算法极值寻优把训练后的 BP 神经网络预测结果作为个体适应度值,通过选择.交叉和变异操作寻找函数的全局最优值及对应输入值. 网络结构:2-5-1 训练数据:3900,测试数据:100 4.3 编程实现 %% 基于神经网络遗传算法的系统极值寻优 %% 清空环境变量 c

3.1 案例背景 遗传算法(Genetic Algorithms)是一种模拟自然界遗传机制和生物进化论而形成的一种并行随机搜索最优化方法. 其基本要素包括:染色体编码方法.适应度函数.遗传操作和运行参数. 非线性函数:$y=x_{1}^{2}+x_{2}^{2}$ 3.2 模型建立 3.2.1 算法流程 遗传算法优化使用遗传算法优化BP神经网络的权值和阔值,种群中的每个个体都包含了一 个网络所有权值和阔值,个体通过适应度函数计算个体适应度值,遗传算法通过选择.交叉和变异操作找到最优适应度值对应个

牛顿迭代法,又名切线法,这里不详细介绍,简单说明每一次牛顿迭代的运算:首先将各个方程式在一个根的估计值处线性化(泰勒展开式忽略高阶余项),然后求解线性化后的方程组,最后再更新根的估计值.下面以求解最简单的非线性二元方程组为例(平面二维定位最基本原理),贴出源代码: 1.新建函数fun.m,定义方程组 function f=fun(x); %定义非线性方程组如下 %变量x1 x2 %函数f1 f2 syms x1 x2 f1 = sqrt((x1-4)^2 + x2^2)-sqrt(17); f2

函数文件1:real_fun.m function f=real_fun(x0,t0) f=(x0-x0^2)*exp(-t0); 函数文件2:fun.m function f=fun(x0,t0) f=(x0^2-x0)*exp(-t0)+2*exp(-t0); 函数文件3:fi.m function f=fi(x0) f=x0-x0^2; 脚本文件: tic; clc clear N=100; M=1000; t_h=1/M;%t的步长 x_h=1/N;%x的步长 x=0:x_h:1;%x的

实验一图像的滤波处理 一.实验目的 使用MATLAB处理图像,掌握均值滤波器和加权均值滤波器的使用,对比两种滤波器对图像处理结果及系统自带函数和自定义函数性能的比较,体会不同大小的掩模对图像细节的影响. 二.实验内容 使用n=3,5,9的正方形均值滤波器和加权均值滤波器对图像Fig1的滤波处理.观察处理前后图像效果,分析实验结果和算法特点. 三.实验原理 1.均值滤波器(平滑线性滤波器):其响应是包含模板内像素平均值,低通滤波器. R = (领域内所有点的值*对应点的掩模系数之和)/(掩模系数之