//下面是画圆的程序， //画线、画圆、画各种曲线其实都很简单，归根到底就是x、y的二元方程嘛 //对算法感兴趣的话建议去找本《计算机图形学》看看，不是卖关子哦。实在是几句话说不清除，呵呵 // ---------------------------------------------- //字节 void circleDot(unsigned char x,unsigned char y,char xx,char yy)//内部函数，对称法画圆的8个镜像点 {//对称法画圆的8个镜像点
标签： 程序
上传时间： 2014-01-07
上传用户：秦莞尔w
实验题目：Hermite插值多项式 相关知识：通过n+1个节点的次数不超过2n+1的Hermite插值多项式为： 其中，Hermite插值基函数 数据结构：三个一维数组或一个二维数组 算法设计：（略） 编写代码：（略） 实验用例： 已知函数y=f(x)的一张表(其中 )： x 0.10 0.20 0.30 0.40 0.50 y 0.904837 0.818731 0.740818 0.670320 0.606531 m -0.904837 -0.818731 -0.740818 -0.670320 -0.606531 x 0.60 0.70 0.80 0.90 1.00 y 0.548812 0.496585 0.449329 0.406570 0.367879 m -0.548812 -0.496585 -0.449329 -0.406570 -0.367879 实验用例：利用Hermite插值多项式 求被插值函数f(x)在点x=0.55处的近似值。建议：画出Hermite插值多项式 的曲线。
上传时间： 2013-12-24
上传用户：czl10052678
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： 2016-12-27
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： 2016-12-27
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： 2016-12-27
上传用户：脚趾头
【欧拉算法】 微分方程的本质特征是方程中含有导数项,数值解法的第一步就是...欧拉(Euler)算法是数值求解中最基本、最简单的方法,但其求解精度较低,一般不在...对于常微分方程: dy/dx=f(x,y),x∈[a,b] y(a)=y0 可以将区
上传时间： 2014-01-09
上传用户：www240697738
#include "iostream.h" #include "iomanip.h" #define N 20 //学习样本个数 #define IN 1 //输入层神经元数目 #define HN 8 //隐层神经元数目 #define ON 1 //输出层神经元数目 double P[IN] //单个样本输入数据 double T[ON] //单个样本教师数据 double W[HN][IN] //输入层至隐层权值 double V[ON][HN] //隐层至输出层权值 double X[HN] //隐层的输入 double Y[ON] //输出层的输入 double H[HN] //隐层的输出
标签： define include iostream iomanip
上传时间： 2014-01-01
上传用户：凌云御清风
三维曲线曲面比较演示系统程序设计 设计一个图形用户界面（GUI）演示常见的三维函数图形，至少包含“三维绘图” 、“选项” 、“退出”等菜单，三维绘图的包括：参数方程x=e-t/20cos(t), y= e-t/20sin(t),z=t其中t 为0到2π、参数方程x=t,y=t2,z=t3其中t为0到1之间（在同一图形界面中分别绘制它们的三维曲面和三维曲线图）。“选项”菜单主要包括：网格开关，图例开关，坐标边框开关，色度空间选择菜单，曲线颜色菜单。
上传时间： 2017-01-10
上传用户：hasan2015
Overview Input Clock = 24Mhz Preview VGA 15fps @ 60Hz VGA 12.5fps @ 50Hz Capture VGA 15fps @ 60Hz VGA 12.5fps @ 50Hz Output Format YCbCr 4:2:2 (ITU 656) YCbCr to RGB conversion R = Y + (351*(Cr – 128)) >> 8 G = Y – (179*(Cr – 128) + 86*(Cb – 128))>>8 B = Y + (443*(Cb – 128)) >> 8
上传时间： 2013-12-24
上传用户：远远ssad
