搜索结果

找到约 85,541 项符合 LPC2368最小系统原理 的查询结果

数值算法/人工智能 遗传算法-偏最小二乘法,用于分析定量GA-PLS

遗传算法-偏最小二乘法,用于分析定量GA-PLS
https://www.eeworm.com/dl/518/178062.html
下载: 174
查看: 1127

数值算法/人工智能 多元曲线解析-交替最小二乘法,MCR-ALS

多元曲线解析-交替最小二乘法,MCR-ALS
https://www.eeworm.com/dl/518/178064.html
下载: 191
查看: 1176

matlab例程 报童问题的计算机仿真 %tm一轮实验的预定模拟天数 %t一轮实验的仿真天数累积值 %z订报量 %z 最优订报量 %g订报量z之上界 %s1损失值之累计值 %s最小损失值值 %r按概率分

报童问题的计算机仿真 %tm一轮实验的预定模拟天数 %t一轮实验的仿真天数累积值 %z订报量 %z 最优订报量 %g订报量z之上界 %s1损失值之累计值 %s最小损失值值 %r按概率分布产生随机售报量样本
https://www.eeworm.com/dl/665/178120.html
下载: 138
查看: 1078

matlab例程 应用MATLAB编写的偏最小二乘法程序,且具有画图功能

应用MATLAB编写的偏最小二乘法程序,且具有画图功能
https://www.eeworm.com/dl/665/178142.html
下载: 136
查看: 1132

matlab例程 拉格朗日插值多项式拟合,牛顿插值多项式,欧拉方程解偏微分方程,使用极限微分求解导数(微分),微分方程组的N=4龙格库塔解法,雅可比爹迭代法解方程AX=B,最小二乘多项式拟合,组合辛普生公式求解积分,用

拉格朗日插值多项式拟合,牛顿插值多项式,欧拉方程解偏微分方程,使用极限微分求解导数(微分),微分方程组的N=4龙格库塔解法,雅可比爹迭代法解方程AX=B,最小二乘多项式拟合,组合辛普生公式求解积分,用三角分解法解方程AX=B
https://www.eeworm.com/dl/665/178166.html
下载: 167
查看: 1684

其他嵌入式/单片机内容 本程序为最小二乘法

本程序为最小二乘法,已经在kei 上运行过,非常适应与pid的运算中
https://www.eeworm.com/dl/687/178342.html
下载: 82
查看: 1030

人工智能/神经网络 用最小二乘法计算分形图案的维数。试试看怎么样。请多包涵!!

用最小二乘法计算分形图案的维数。试试看怎么样。请多包涵!!
https://www.eeworm.com/dl/650/178644.html
下载: 46
查看: 1085

人工智能/神经网络 我们解决八数码问题,广度优先搜索可能会导致内存不够用,采用启发式搜索,启发函数为f(x)=g(x)+h(x) g(x)为该结点不同于目标结点的个数,h(x)为该结点的深度,选择那f(x)结点最小的那个

我们解决八数码问题,广度优先搜索可能会导致内存不够用,采用启发式搜索,启发函数为f(x)=g(x)+h(x) g(x)为该结点不同于目标结点的个数,h(x)为该结点的深度,选择那f(x)结点最小的那个结点进行扩展, 引入了一个"扩展数组[4]"(因为扩展的结点最多只有4个),该数组保存着某个结点的0点向各个方向的扩展的结点对象,然后对该扩展数 ...
https://www.eeworm.com/dl/650/178648.html
下载: 193
查看: 1963

人工智能/神经网络 我们解决八数码问题,广度优先搜索可能会导致内存不够用,采用启发式搜索,启发函数为f(x)=g(x)+h(x) g(x)为该结点不同于目标结点的个数,h(x)为该结点的深度,选择那f(x)结点最小的那个

我们解决八数码问题,广度优先搜索可能会导致内存不够用,采用启发式搜索,启发函数为f(x)=g(x)+h(x) g(x)为该结点不同于目标结点的个数,h(x)为该结点的深度,选择那f(x)结点最小的那个结点进行扩展, 引入了一个"扩展数组[4]"(因为扩展的结点最多只有4个),该数组保存着某个结点的0点向各个方向的扩展的结点对象,然后对该扩展数 ...
https://www.eeworm.com/dl/650/178650.html
下载: 144
查看: 1083

文件格式 * 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

* 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, * ...
https://www.eeworm.com/dl/639/179184.html
下载: 48
查看: 1102