最简单求解一个微分方程数值解得方法:Euler法 function [x,y]=Euler_method(dufun,span,h,x0,y0) %EuLer格式, %求解方程y'=dufun(x,y);其中x \in[a,b];y0为初始值:n为自变量的离散个数:y为求解结果 x=span(1):h:span(2); n=length(x); y=zeros(1,n);%存放数值的解 x(1)=x0; y(1)=y0; for i=1:n-1 y(i+1)=y(i)+h.*feval(dufu

本科的毕业设计<Laguerre小波在数值积分与微分方程数值解中的应用>是通过Laguerre小波函数来近似表达某个需要求积分或解微分方程的函数,将原函数很难求得函数用小波函数表达出来,这样在求解数值积分时就容易了.但用Laguerre小波逼近的函数有一定的误差性,这里的误差取决于小波函数的两个变量.在编写程序时由于未能根据用户的需要调节小波函数的两个变量,这就造成了此程序的局限性和误差不够好.另外对于错误的输入没有正确的提示,这也会造成用户的时间的浪费.从软件工程的角度来说这个程序并没有良好

提出混合模型主要是为了能更好地近似一些较复杂的样本分布,通过不断添加component个数,能够随意地逼近不论什么连续的概率分布.所以我们觉得不论什么样本分布都能够用混合模型来建模.由于高斯函数具有一些非常有用的性质.所以高斯混合模型被广泛地使用. GMM与kmeans相似,也是属于clustering,不同的是.kmeans是把每一个样本点聚到当中一个cluster,而GMM是给出这些样本点到每一个cluster的概率.每一个component就是一个聚类中心. GMM(Gaussian Mi

昨天我们大致了解了有关Vue的基础知识和语法:今天我们继续在大V这条路上前进. 首先,我们回忆一下昨天提到的相关知识点: 1.了解Vue的核心理念------"数据驱动视图" 2.了解Vue的特色功能-------"双向绑定" 3.了解Vue的基础语法-------"{{bigSurprise}},el:'',data{},vm.project,method{},等 首先,昨天我们提到了很好用的双向绑定,但是如果在某些情况下我们不需要双向绑定应该怎么办呢,

这里说声抱歉,周末因为有其他事,没有更新博客,那么我们今天继续上周5的说. 老规矩,先回顾一下上一次的重点: 1.利用V-if和v-else来提到show()和hide(),同时要记住,v-else一定要跟在v-if后面才有效 2.v-show和v-if的区别( v-show不会渲染dom,只会改变display属性:所以v-if切换速度比v-show慢,而v-show初次渲染比v-if慢 ) 3.v-for循环,及循环中每一个参数所对应的值,这里不具体指出,详情请看学习之路No.3 4.当我们

我们还是先回顾一下上一次的重点: 1.事件绑定,我们可以对分别用方法和js表达式对事件进行处理 2.当方法名带括号的时候,在方法中一定要传参:而不带括号的时候,vm会自动配置默认event 3.各类事件修饰器 之前我们提到过表单绑定,那么现在我们来深入了解一下,Vue这一令人惊奇的双向表单绑定功能: 直接进入正题:   <input v-model=" message "> <p>{{ message }}</p> 这是最简单的表单双向绑定,标签P中

老规矩,先回顾一下上回的重点: 1.对于input框,若为单选框,如果没有对其设置value,那么其checked的值将在true Or false之间切换:如果设置了value,那么将会切换value值 2.而多选框和单选框有相同的原理,只是多选框是以数组的方式返回值 3.option如果没有设置value,那么渲染的值就为option中的内容 4.各类修饰器,详情见上回分解 回顾完上期的重点,我们来看一下今天的内容,之前几期我们对vue的基础进行了详细的学习:现在我们来看一看组件的知识: 组

同样的,我们先来回顾一下昨天学习的内容: 1.利用v-once来组织双向绑定 2.filter{}过滤器的使用(详情请看上一章) 3.computed(计算属性),利用computed属性实现filters同样的效果 4.利用method{}来实现与computed和filters同样的效果 5.比较filters.computed.method的区别 6.利用v-bind{}属性绑定HTML自带属性:如class,style等 7.v-bind{}属性绑定HTML自带属性的三种写法------

因为我也才开始学习微信小程序不久,下文也是现在的一时之言,大家有不同的想法也可以在评论里共同交流讨论,希望文章能给大家提供一点点帮助. 最近接触到了一些前端框架,像Vue.js,React,发现小程序的框架体系跟它们很像.它们都推崇模块化,组件化,数据与元素绑定.这样没有繁琐的DOM操作,组件之间完全分离,样式和逻辑全都封装在模板里,别人写好的组件可以拿来直接用,这会明显地提高我们前端开发的速度. 另外,微信小程序界面小,样式好调.这意味着,我们从纸面原型到能跑的APP的实现将会是很快的,所以我

一.原理 重点:明白偏导数含义,是该函数在该点的切线,就是变化率,一定要理解变化率. 1)什么是梯度 梯度本意是一个向量(矢量),当某一函数在某点处沿着该方向的方向导数取得该点处的最大值,即函数在该点处沿方向变化最快,变化率最大(为该梯度的模). 2)代价函数有哪些 0-1损失函数(0-1 loss function): L(Y,f(X))={1,0,Y≠f(X)Y=f(X) 平方损失函数(quadratic loss function) L(Y,f(X))=(Y−f(X))2 绝对损失函数(a

求解五维偏序 给定 \(n(\le 3\times 10^4)\) 个五元组,对于每个五元组 \((a_i, b_i, c_i, d_i, e_i)\),求存在多少个 \(1\le j\le n\) 满足 \(a_i > a_j\) 且 \(b_i > b_j\) 且 \(c_i > c_j\) 且 \(d_i > d_j\) 且 \(e_i > e_j\).保证每一维都是 \(1\cdots n\) 的排列. 第一感觉 传统的做法有 cdq 分治或 树套树,但是在本题中复杂

 1.lambda表达式 lanbda表达式简单地来讲就是一个匿名函数,就是没有名称的函数,如果以前有接触过python或者erlang的人都比较熟悉这个,这个可以很方便地和STL里面的算法配合 std::for_each(list.begin(),list.end(), [ &tmp,id ](struct ComingVesselInfo *info) { if( info->m_nShipID == id) { tmp = info; return ; } } ); 这个是我在项目里面

最近又看了一遍JS DOM编程艺术,照例来写一写读后感. 其实,我从中学到最深的是几个概念:1.平稳退化.当浏览器并不支持JS的时候网页的基本核心功能是还可以用的:2.逐渐增强.在原始的信息层上用其他层去增加其他信息.用CSS去增加效果,用JS去添加行为.当然某些浏览器可以支持部分的js,为了使旧浏览器可以用,不至于因为某些代码挂掉.3.将结构.表现.行为分离,而且分离越大越好. 然后我学到了简单的一点关于对象检测的技术,这在运用向后兼容原则时必要的,但文章太过保守,像:document.get

首先为了打消大家对Vue.js存在的顾虑,先通过大家所熟知的JQ作为对比. 都知道JQ的语法相对简单.清楚.使用方便.功能齐全: 那么Vue.js呢,同样的,Vue.js与JQ在很多地方都是相同之处,JQ能处理的事情,Vue.js同样能处理 但是,令人兴奋的就在于,Vue.js在处理某些需求,完成某些功能的时候,比JQ更简单,更快捷,更方便. 那么,我们首先来了解一下Vue.js的关键句 --- --- --- "数据驱动视图". 按照通俗一点的解释就是,视图随着数据的改变而改变. 我

同样,首先我们还是回顾一下昨天讲到的东西: 1.常用的Vue修饰器 2.当利用js方法不修改数据,但也可以改变视图时,我们需要整体返回再整体接收 (如: items.example1 = items.example1.filter(function(){})) 3.当我们不能直接对数组进行修改的时候,我们通常要么利用vue内置set(),要么利用整体接收来修改 4.对数组中的数据进行过滤和排序,可以用computed也可以用methods 下面我们开始今天的内容::: 事件和事件的方法:   <

>> A=[2 1 3;1 3 2];B=[5;10] B = 5 10 >> X=lsqnonneg(A,B) X = 0 2.8571 0.7143 >> A\B ans = 0 2.8571 0.7143 >> p=[1 -7 10] %表示x^2-7x+10 p = 1 -7 10 >> r=roots(p) r = 5 2 >> p=poly(r)%由根创建多项式 p = 1 -7 10 >> A=ones(3)

本文在Creative Commons许可证下发布 市面上的分析工具大致分为两大类,菜单式的工具和命令行式的工具.前者适合于初学入门,类似于跟团旅游,提供了固定的路线.分析套路比较固定化,点几下鼠标就可以搞定也很省事.后者适合于老手玩家,类似于自由行,需要自己规划数据工作流,适用于自定义的灵活分析.大多数用户害怕命令行,然而使用命令行才能掌握真正的力量. 在命令行工具类别中,最耀眼的是R和Python这对双星.他们有非常多的相似之处,第一个相似之处是“快”.这种快不是纯计算速度快,而是从想法到结

一  简单介绍 SciPy是基于NumPy开发的高级模块,它提供了许多数学算法和函数的实现,用于解决科学计算中的一些标准问题.例如数值积分和微分方程求解,扩展的矩阵计算,最优化,概率分布和统计函数,甚至包括信号处理等. 作为标准科学计算程序库,SciPy类似于Matlab的工具箱,它是Python科学计算程序的核心包,它用于有效地计算NumPy矩阵,与NumPy矩阵协同工作. SciPy库由一些特定功能的子模块构成,如下表所示: 模块 功能 cluster 矢量量化 / K-均值 constan

1. python中数据结构:矩阵,数组,数据框,通过关键列相互联系的多个表(SQL主键,外键),时间序列 2. python 解释型语言,程序员时间和CPU时间衡量,高频交易系统 3. 全局解释器锁GIL, Global Interpreter Lock防止解释器同时执行多个python字节码指令的机制 Cpython 可以继承OpenMP 实行并行处理循环而大幅度提高数值算法的速度 4. Numpy, pandas,matplotlib,Ipython,Scipy Numpy:Python科

有关学习java是几天来的心得体会: 十天学习java遇到很多问题,每个问题都是经过反复的看书本以及上网查找资料来解决的,发现这一点真的需要自己来而不是去遇到什么问题就去依靠他人(师兄.同学).在其中也发现了一些不错的论坛和资料并学会了写博客,把自己遇到的问题的解决办法以及一些问题的好的资料写出来,以便以后的重复工作.甲骨文有个官方的参考手册(API),但是却没有每个分栏的搜索功能.IBM有一些资源,也很好. 另外学习完基本的语法过后就要学会自己动手编程,这一点很重要,这有这样才能把这些东西变成

在强化学习(三)用动态规划(DP)求解中,我们讨论了用动态规划来求解强化学习预测问题和控制问题的方法.但是由于动态规划法需要在每一次回溯更新某一个状态的价值时,回溯到该状态的所有可能的后续状态.导致对于复杂问题计算量很大.同时很多时候,我们连环境的状态转化模型$P$都无法知道,这时动态规划法根本没法使用.这时候我们如何求解强化学习问题呢?本文要讨论的蒙特卡罗(Monte-Calo, MC)就是一种可行的方法. 蒙特卡罗法这一篇对应Sutton书的第五章和UCL强化学习课程的第四讲部分,第五讲部分