1、深度优先搜索遍历图的算法：首先访问指定的起始顶点V0，从V0出发，访问V0的一个未被访问过的邻接顶点W1，再从W1出发，访问W1的一个未被访问过的顶点W2，然后从W2出发，访问W2的一个未被访问过邻接顶点W3，依次类推，直到一个所有邻接点都被访问过为止。
上传时间： 2014-01-18
上传用户：ayfeixiao
2、广度优先搜索遍历图的算法：首先访问指定的起始顶点V0，从V0出发，访问V0的所有未被访问过的邻接顶点W1，W2……，Wk,然后再依次从W1，W2……，Wk出发，访问它们的所有未被访问过的邻接顶点，依次类推，直到图中所有未被访问过的邻接顶点都被访问过为止。
上传时间： 2013-12-08
上传用户：2404
Batch version of the back-propagation algorithm. ％ Given a set of corresponding input-output pairs and an initial network ％ [W1,W2,critvec,iter]=batbp(NetDef,W1,W2,PHI,Y,trparms) trains the ％ network with backpropagation. ％ ％ The activation functions must be either linear or tanh. The network ％ architecture is defined by the matrix NetDef consisting of two ％ rows. The first row specifies the hidden layer while the second ％ specifies the output layer. ％
标签： back-propagation corresponding input-output algorithm
上传时间： 2016-12-26
上传用户：exxxds
This function calculates Akaike s final prediction error ％ estimate of the average generalization error. ％ ％ [FPE,deff,varest,H] = fpe(NetDef,W1,W2,PHI,Y,trparms) produces the ％ final prediction error estimate (fpe), the effective number of ％ weights in the network if the network has been trained with ％ weight decay, an estimate of the noise variance, and the Gauss-Newton ％ Hessian. ％
标签： generalization calculates prediction function
上传时间： 2014-12-03
上传用户：maizezhen
％ Train a two layer neural network with the Levenberg-Marquardt ％ method. ％ ％ If desired, it is possible to use regularization by ％ weight decay. Also pruned (ie. not fully connected) networks can ％ be trained. ％ ％ Given a set of corresponding input-output pairs and an initial ％ network, ％ [W1,W2,critvec,iteration,lambda]=marq(NetDef,W1,W2,PHI,Y,trparms) ％ trains the network with the Levenberg-Marquardt method. ％ ％ The activation functions can be either linear or tanh. The ％ network architecture is defined by the matrix NetDef which ％ has two rows. The first row specifies the hidden layer and the ％ second row specifies the output layer.
标签： Levenberg-Marquardt desired network neural
上传时间： 2016-12-26
上传用户：jcljkh
This function calculates Akaike s final prediction error ％ estimate of the average generalization error for network ％ models generated by NNARX, NNOE, NNARMAX1+2, or their recursive ％ counterparts. ％ ％ [FPE,deff,varest,H] = nnfpe(method,NetDef,W1,W2,U,Y,NN,trparms,skip,Chat) ％ produces the final prediction error estimate (fpe), the effective number ％ of weights in the network if it has been trained with weight decay, ％ an estimate of the noise variance, and the Gauss-Newton Hessian. ％
标签： generalization calculates prediction function
上传时间： 2016-12-26
上传用户：脚趾头
一个简化的背包问题：一个背包能装总重量为 T，现有 n 个物件，其重量分别为（W1、W2、…、Wn）。问能否从这 n 个物件中挑选若干个物件放入背包中，使其总重量正好为 T ？若有解则给出全部解，否则输出无解。
标签： 背包问题
上传时间： 2017-01-16
上传用户：tianyi223
专家点评: Y P7 `. @ {$ r％ pa.功能很强大，可以看出花了很多心血在算法上，非常好。算法上还有一点瑕疵，例如在删除一个员工的同时没有办法自动建立其他员工的上下级关系，必须删除全部下级员工，不是非常合理。此外，界面设计过于简单，应该加强. " W" R+ b* g$ a$ Sb.程序运用了自己的算法来提高Tree控件显示的速度和资源分配，这个非常值得肯定和鼓励。* C. c4 D0 e9 ` J$ w# U c.基本实现所有规定的功能，在所有参赛者中唯一熟 : O) l- F6 F9 f) S7 Q. l练使用面向对象设计方式开发程序的工程师，很不错！程序体现了作者非常扎实的数据结构功底，值得大家学习。工程管理也做得非常好，体现了作者在软件工程方面也有很深入的研究，该代码是很好的学习范例。 ％ G* H$ ~3 W1 ]. e! id.算法的创新是独特之处(hashtable算法建立),可见作者在数据结构方面的熟练掌握.此程序是很多专家会员学习典范.
上传时间： 2017-01-19
上传用户：奇奇奔奔
一个旅行者有一个最多能用m公斤的背包，现在有n件物品，它们的重量分别是W1，W2，...,Wn,它们的价值分别为C1,C2,...,Cn.若每种物品只有一件求旅行者能获得最大总价值。
标签： 旅行
上传时间： 2017-01-22
上传用户：奇奇奔奔
中断方式的A/D采集系统使用ADC0809的通道0，接入0-5V的直流电压，用W1调整模拟电压值，A/D的转换结束信号EOC接在8259A的IRQ3上，采集100个数据并存入内存中，同时将采集的16进制数据显示在数码管上。请多次调整0-5V的电压值（旋动W1旋钮），进行A/D采集，并观测内存中的数据的变化情况。
上传时间： 2014-08-23
上传用户：3到15
