代码搜索：矩阵分析

找到约 10,000 项符合「矩阵分析」的源代码

代码结果 10,000
热门代码： main.c GPIO I2C SPI UART timer interrupt ADC PWM LED
www.eeworm.com/read/442265/7656135

m multout.m

% multout.m P = [ 0.1 0.5; 0.3 -0.2 ]; % 已知输入矢量数据 S1 = 2; S2 =3; S3 = 5; % 已知各层节点数 [ R, Q ] = size (P); % 求出输入矢量的行和列 [ W1, B1 ] = rands (S1, R); % 给第一隐含层权值赋(-1, 1)之间的随机值 [ W2, B2 ] =
·
www.eeworm.com/read/198282/7942344

m examp1_3.m

function c1ex3 A=hilb(20); % 生成 20x20 的 Hilbert 矩阵，数值值 det(A) % 用数值算法求解该矩阵的行列式值，有很大的误差 B=sym(A); % 将矩阵转换成符号矩阵 det(B) % 用符号方法求矩阵行列式的精确值
·
www.eeworm.com/read/397761/8023563

m learning_c.m

function d=learning_c(x,c) %中心的学习 %x为np×ni的输入矩阵。 %c为ni×m的初始中心。 %d为ni×m训练好的中心。 d=even_k(x,c); %对输入进行聚类 tr(1)=sumsqr(d-c); i=0; while tr(i+1)~=0 c=d; d=even_k(x,c); i=i+1; tr(i
·
www.eeworm.com/read/197111/8028651

m 例程14-12.m

% 定义劳伦矩阵 M1 = laurmat(eye(2,2)) Z = laurpoly(1,1); M2 = laurmat({1 Z;0 1}) % 计算劳伦多项式 P = M1 * M2 d = det(P)
·
www.eeworm.com/read/397363/8054491

m multout.m

% multout.m P = [ 0.1 0.5; 0.3 -0.2 ]; % 已知输入矢量数据 S1 = 2; S2 =3; S3 = 5; % 已知各层节点数 [ R, Q ] = size (P); % 求出输入矢量的行和列 [ W1, B1 ] = rands (S1, R); % 给第一隐含层权值赋(-1, 1)之间的随机值 [ W2, B2 ] =
·
www.eeworm.com/read/141202/13033981

m multout.m

% multout.m P = [ 0.1 0.5; 0.3 -0.2 ]; % 已知输入矢量数据 S1 = 2; S2 =3; S3 = 5; % 已知各层节点数 [ R, Q ] = size (P); % 求出输入矢量的行和列 [ W1, B1 ] = rands (S1, R); % 给第一隐含层权值赋(-1, 1)之间的随机值 [ W2, B2 ] =
·
www.eeworm.com/read/138656/13226893

m multout.m

% multout.m P = [ 0.1 0.5; 0.3 -0.2 ]; % 已知输入矢量数据 S1 = 2; S2 =3; S3 = 5; % 已知各层节点数 [ R, Q ] = size (P); % 求出输入矢量的行和列 [ W1, B1 ] = rands (S1, R); % 给第一隐含层权值赋(-1, 1)之间的随机值 [ W2, B2 ] =
·
www.eeworm.com/read/238634/13870847

m multout.m

% multout.m P = [ 0.1 0.5; 0.3 -0.2 ]; % 已知输入矢量数据 S1 = 2; S2 =3; S3 = 5; % 已知各层节点数 [ R, Q ] = size (P); % 求出输入矢量的行和列 [ W1, B1 ] = rands (S1, R); % 给第一隐含层权值赋(-1, 1)之间的随机值 [ W2, B2 ] =
·
www.eeworm.com/read/489202/6296152

m c1ex3.m

function c1ex3 A=hilb(20); % 生成 20x20 的 Hilbert 矩阵，数值值 det(A) % 用数值算法求解该矩阵的行列式值，有很大的误差 B=sym(A); % 将矩阵转换成符号矩阵 det(B) % 用符号方法求矩阵行列式的精确值
·
www.eeworm.com/read/492695/6419519

m learning_c.m

function d=learning_c(x,c) %中心的学习 %x为np×ni的输入矩阵。 %c为ni×m的初始中心。 %d为ni×m训练好的中心。 d=even_k(x,c); %对输入进行聚类 tr(1)=sumsqr(d-c); i=0; while tr(i+1)~=0 c=d; d=even_k(x,c); i=i+1; tr(i
·