国产精品一区二区女厕厕,成人性生活视频,欧美日韩不卡视频

誤差函數(shù)

effrc 是誤差函數(shù)。在計算二階微分方程的時候會用到。

effrc 是誤差函數(shù)。在計算二階微分方程的時候會用到。

標簽： effrc 誤差函數(shù) 計算二階

上傳時間： 2014-01-15

上傳用戶：sz_hjbf
特殊函數(shù) 1.г函數(shù)、貝塔函數(shù)、階乘及二項式系數(shù) 2.不完全г函數(shù)、誤差函數(shù) 3.不完全貝塔函數(shù)

特殊函數(shù) 1.г函數(shù)、貝塔函數(shù)、階乘及二項式系數(shù) 2.不完全г函數(shù)、誤差函數(shù) 3.不完全貝塔函數(shù)

標簽： 函數(shù) 系數(shù) 誤差函數(shù)

上傳時間： 2016-01-04

上傳用戶：維子哥哥
這是一個用C語言編寫的計算誤差函數(shù)的程序。其主要特點是從定義出發(fā)

這是一個用C語言編寫的計算誤差函數(shù)的程序。其主要特點是從定義出發(fā)，具有很好的參考價值。

標簽： C語言編寫程序定義

上傳時間： 2014-01-19

上傳用戶：jkhjkh1982
討論了BP 小波神經(jīng)網(wǎng)絡(luò)在訓練過程中減小誤差函數(shù)時最優(yōu)方向的確定和自適應(yīng)調(diào)整學習率的方法。首先論證了小波神經(jīng)網(wǎng)絡(luò)的數(shù)學基礎(chǔ),然后討論了BP 小波神經(jīng)網(wǎng)絡(luò)的學習過程,重點討論了減小誤差函數(shù)最優(yōu)方

討論了BP 小波神經(jīng)網(wǎng)絡(luò)在訓練過程中減小誤差函數(shù)時最優(yōu)方向的確定和自適應(yīng)調(diào)整學習率的方法。首先論證了小波神經(jīng)網(wǎng)絡(luò)的數(shù)學基礎(chǔ),然后討論了BP 小波神經(jīng)網(wǎng)絡(luò)的學習過程,重點討論了減小誤差函數(shù)最優(yōu)方向的確定方法,即如何保證步長方向與負梯度方向一致,由此得出了自適應(yīng)調(diào)整學習率的簡便方法。該方法具有普遍性,有廣泛的應(yīng)用價值。仿真結(jié)果表明,采用最優(yōu)梯度下降方向可以大幅度提高BP 小波神經(jīng)網(wǎng)絡(luò)的學習速度。

標簽： 小波神經(jīng)網(wǎng)絡(luò) 減過程 誤差函數(shù)

上傳時間： 2014-01-22

上傳用戶：金宜
1.г函數(shù)、貝塔函數(shù)、階乘及二項式系數(shù) 2.不完全г函數(shù)、誤差函數(shù) 3.不完全貝塔函數(shù) 4.零階、一階和任意整數(shù)階的第一、二類貝賽函數(shù) 5.零階、一階和任意整數(shù)階的第一、二類變形貝賽函數(shù) 6

1.г函數(shù)、貝塔函數(shù)、階乘及二項式系數(shù) 2.不完全г函數(shù)、誤差函數(shù) 3.不完全貝塔函數(shù) 4.零階、一階和任意整數(shù)階的第一、二類貝賽函數(shù) 5.零階、一階和任意整數(shù)階的第一、二類變形貝賽函數(shù) 6.分數(shù)階第一類貝賽爾函數(shù)和變形貝賽爾函數(shù) 7.指數(shù)積分和定指數(shù)積分 8.連帶勒讓德函數(shù)

標簽： 函數(shù) 整數(shù) 零系數(shù)

上傳時間： 2016-12-23

上傳用戶：hjshhyy
ERF函數(shù)的原代碼,erf(x)=(2/根號下派)*(exp(-z方)對z積分

ERF函數(shù)的原代碼,erf(x)=(2/根號下派)*(exp(-z方)對z積分，積分下限是0，上限是x)，誤差函數(shù)從形式上很像正態(tài)分布的分布函數(shù)Φ(x)，是對一個形如正態(tài)分布的概率密度函數(shù)做變上限積分的結(jié)果；

標簽： ERF erf exp 函數(shù)

上傳時間： 2014-07-01

上傳用戶：wangzhen1990
一種基于BP算法學習的小波神經(jīng)網(wǎng)絡(luò)

一種基于BP算法學習的小波神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)隱層采用框架小波函數(shù)、輸出層采用Sigmoid 激勵函數(shù), 并選用“熵誤差函數(shù)”以加速網(wǎng)絡(luò)的學習速度。

標簽： BP算法小波神經(jīng)網(wǎng)絡(luò)

上傳時間： 2016-05-04

上傳用戶：TF2015
LMS

LMS，用MATLAB實現(xiàn)LMS算法，實現(xiàn)MES等值圖和誤差函數(shù)的功率譜圖

標簽： LMS

上傳時間： 2013-12-18

上傳用戶：qweqweqwe
C語言算法速查手冊書本附件

第1章　緒論　1 1.1　程序設(shè)計語言概述　1 1.1.1　機器語言　1 1.1.2　匯編語言　2 1.1.3　高級語言　2 1.1.4　C語言　3 1.2　C語言的優(yōu)點和缺點　4 1.2.1　C語言的優(yōu)點　4 1.2.2　C語言的缺點　6 1.3　算法概述　7 1.3.1　算法的基本特征　7 1.3.2　算法的復(fù)雜度　8 1.3.3　算法的準確性　10 1.3.4　算法的穩(wěn)定性　14 第2章　復(fù)數(shù)運算　18 2.1　復(fù)數(shù)的四則運算　18 2.1.1　[算法1]　復(fù)數(shù)乘法　18 2.1.2　[算法2]　復(fù)數(shù)除法　20 2.1.3　【實例5】復(fù)數(shù)的四則運算　22 2.2　復(fù)數(shù)的常用函數(shù)運算　23 2.2.1　[算法3]　復(fù)數(shù)的乘冪　23 2.2.2　[算法4]　復(fù)數(shù)的n次方根　25 2.2.3　[算法5]　復(fù)數(shù)指數(shù)　27 2.2.4　[算法6]　復(fù)數(shù)對數(shù)　29 2.2.5　[算法7]　復(fù)數(shù)正弦　30 2.2.6　[算法8]　復(fù)數(shù)余弦　32 2.2.7　【實例6】復(fù)數(shù)的函數(shù)運算　34 第3章　多項式計算　37 3.1　多項式的表示方法　37 3.1.1　系數(shù)表示法　37 3.1.2　點表示法　38 3.1.3　[算法9]　系數(shù)表示轉(zhuǎn)化為點表示　38 3.1.4　[算法10]　點表示轉(zhuǎn)化為系數(shù)表示　42 3.1.5　【實例7】　系數(shù)表示法與點表示法的轉(zhuǎn)化　46 3.2　多項式運算　47 3.2.1　[算法11]　復(fù)系數(shù)多項式相乘　47 3.2.2　[算法12]　實系數(shù)多項式相乘　50 3.2.3　[算法13]　復(fù)系數(shù)多項式相除　52 3.2.4　[算法14]　實系數(shù)多項式相除　54 3.2.5　【實例8】　復(fù)系數(shù)多項式的乘除法　56 3.2.6　【實例9】　實系數(shù)多項式的乘除法　57 3.3　多項式的求值　59 3.3.1　[算法15]　一元多項式求值　59 3.3.2　[算法16]　一元多項式多組求值　60 3.3.3　[算法17]　二元多項式求值　63 3.3.4　【實例10】　一元多項式求值　65 3.3.5　【實例11】　二元多項式求值　66 第4章　矩陣計算　68 4.1　矩陣相乘　68 4.1.1　[算法18]　實矩陣相乘　68 4.1.2　[算法19]　復(fù)矩陣相乘　70 4.1.3　【實例12】實矩陣與復(fù)矩陣的乘法　72 4.2　矩陣的秩與行列式值　73 4.2.1　[算法20]　求矩陣的秩　73 4.2.2　[算法21]　求一般矩陣的行列式值　76 4.2.3　[算法22]　求對稱正定矩陣的行列式值　80 4.2.4　【實例13】求矩陣的秩和行列式值　82 4.3　矩陣求逆　84 4.3.1　[算法23]　求一般復(fù)矩陣的逆　84 4.3.2　[算法24]　求對稱正定矩陣的逆　90 4.3.3　[算法25]　求托伯利茲矩陣逆的Trench方法　92 4.3.4　【實例14】驗證矩陣求逆算法　97 4.3.5　【實例15】驗證T矩陣求逆算法　99 4.4　矩陣分解與相似變換　102 4.4.1　[算法26]　實對稱矩陣的LDL分解　102 4.4.2　[算法27]　對稱正定實矩陣的Cholesky分解　104 4.4.3　[算法28]　一般實矩陣的全選主元LU分解　107 4.4.4　[算法29]　一般實矩陣的QR分解　112 4.4.5　[算法30]　對稱實矩陣相似變換為對稱三對角陣　116 4.4.6　[算法31]　一般實矩陣相似變換為上Hessen-Burg矩陣　121 4.4.7　【實例16】對一般實矩陣進行QR分解　126 4.4.8　【實例17】對稱矩陣的相似變換　127 4.4.9　【實例18】一般實矩陣相似變換　129 4.5　矩陣特征值的計算　130 4.5.1　[算法32]　求上Hessen-Burg矩陣全部特征值的QR方法　130 4.5.2　[算法33]　求對稱三對角陣的全部特征值　137 4.5.3　[算法34]　求對稱矩陣特征值的雅可比法　143 4.5.4　[算法35]　求對稱矩陣特征值的雅可比過關(guān)法　147 4.5.5　【實例19】求上Hessen-Burg矩陣特征值　151 4.5.6　【實例20】分別用兩種雅克比法求對稱矩陣特征值　152 第5章　線性代數(shù)方程組的求解　154 5.1　高斯消去法　154 5.1.1　[算法36]　求解復(fù)系數(shù)方程組的全選主元高斯消去法　155 5.1.2　[算法37]　求解實系數(shù)方程組的全選主元高斯消去法　160 5.1.3　[算法38]　求解復(fù)系數(shù)方程組的全選主元高斯-約當消去法　163 5.1.4　[算法39]　求解實系數(shù)方程組的全選主元高斯-約當消去法　168 5.1.5　[算法40]　求解大型稀疏系數(shù)矩陣方程組的高斯-約當消去法　171 5.1.6　[算法41]　求解三對角線方程組的追趕法　174 5.1.7　[算法42]　求解帶型方程組的方法　176 5.1.8　【實例21】解線性實系數(shù)方程組　179 5.1.9　【實例22】解線性復(fù)系數(shù)方程組　180 5.1.10　【實例23】解三對角線方程組　182 5.2　矩陣分解法　184 5.2.1　[算法43]　求解對稱方程組的LDL分解法　184 5.2.2　[算法44]　求解對稱正定方程組的Cholesky分解法　186 5.2.3　[算法45]　求解線性最小二乘問題的QR分解法　188 5.2.4　【實例24】求解對稱正定方程組　191 5.2.5　【實例25】求解線性最小二乘問題　192 5.3　迭代方法　193 5.3.1　[算法46]　病態(tài)方程組的求解　193 5.3.2　[算法47]　雅克比迭代法　197 5.3.3　[算法48]　高斯-塞德爾迭代法　200 5.3.4　[算法49]　超松弛方法　203 5.3.5　[算法50]　求解對稱正定方程組的共軛梯度方法　205 5.3.6　[算法51]　求解托伯利茲方程組的列文遜方法　209 5.3.7　【實例26】解病態(tài)方程組　214 5.3.8　【實例27】用迭代法解方程組　215 5.3.9　【實例28】求解托伯利茲方程組　217 第6章　非線性方程與方程組的求解　219 6.1　非線性方程求根的基本過程　219 6.1.1　確定非線性方程實根的初始近似值或根的所在區(qū)間　219 6.1.2　求非線性方程根的精確解　221 6.2　求非線性方程一個實根的方法　221 6.2.1　[算法52]　對分法　221 6.2.2　[算法53]　牛頓法　223 6.2.3　[算法54]　插值法　226 6.2.4　[算法55]　埃特金迭代法　229 6.2.5　【實例29】用對分法求非線性方程組的實根　232 6.2.6　【實例30】用牛頓法求非線性方程組的實根　233 6.2.7　【實例31】用插值法求非線性方程組的實根　235 6.2.8　【實例32】用埃特金迭代法求非線性方程組的實根　237 6.3　求實系數(shù)多項式方程全部根的方法　238 6.3.1　[算法56]　QR方法　238 6.3.2　【實例33】　用QR方法求解多項式的全部根　240 6.4　求非線性方程組一組實根的方法　241 6.4.1　[算法57]　梯度法　241 6.4.2　[算法58]　擬牛頓法　244 6.4.3　【實例34】用梯度法計算非線性方程組的一組實根　250 6.4.4　【實例35】用擬牛頓法計算非線性方程組的一組實根　252 第7章　代數(shù)插值法　254 7.1　拉格朗日插值法　254 7.1.1　[算法59]　線性插值　255 7.1.2　[算法60]　二次拋物線插值　256 7.1.3　[算法61]　全區(qū)間插值　259 7.1.4　【實例36】拉格朗日插值　262 7.2　埃爾米特插值　263 7.2.1　[算法62]　埃爾米特不等距插值　263 7.2.2　[算法63]　埃爾米特等距插值　267 7.2.3　【實例37】埃爾米特插值法　270 7.3　埃特金逐步插值　271 7.3.1　[算法64]　埃特金不等距插值　272 7.3.2　[算法65]　埃特金等距插值　275 7.3.3　【實例38】埃特金插值　278 7.4　光滑插值　279 7.4.1　[算法66]　光滑不等距插值　279 7.4.2　[算法67]　光滑等距插值　283 7.4.3　【實例39】光滑插值　286 7.5　三次樣條插值　287 7.5.1　[算法68]　第一類邊界條件的三次樣條函數(shù)插值　287 7.5.2　[算法69]　第二類邊界條件的三次樣條函數(shù)插值　292 7.5.3　[算法70]　第三類邊界條件的三次樣條函數(shù)插值　296 7.5.4　【實例40】樣條插值法　301 7.6　連分式插值　303 7.6.1　[算法71]　連分式插值　304 7.6.2　【實例41】驗證連分式插值的函數(shù)　308 第8章　數(shù)值積分法　309 8.1　變步長求積法　310 8.1.1　[算法72]　變步長梯形求積法　310 8.1.2　[算法73]　自適應(yīng)梯形求積法　313 8.1.3　[算法74]　變步長辛卜生求積法　316 8.1.4　[算法75]　變步長辛卜生二重積分方法　318 8.1.5　[算法76]　龍貝格積分　322 8.1.6　【實例42】變步長積分法進行一重積分　325 8.1.7　【實例43】變步長辛卜生積分法進行二重積分　326 8.2　高斯求積法　328 8.2.1　[算法77]　勒讓德-高斯求積法　328 8.2.2　[算法78]　切比雪夫求積法　331 8.2.3　[算法79]　拉蓋爾-高斯求積法　334 8.2.4　[算法80]　埃爾米特-高斯求積法　336 8.2.5　[算法81]　自適應(yīng)高斯求積方法　337 8.2.6　【實例44】有限區(qū)間高斯求積法　342 8.2.7　【實例45】半無限區(qū)間內(nèi)高斯求積法　343 8.2.8　【實例46】無限區(qū)間內(nèi)高斯求積法　345 8.3　連分式法　346 8.3.1　[算法82]　計算一重積分的連分式方法　346 8.3.2　[算法83]　計算二重積分的連分式方法　350 8.3.3　【實例47】連分式法進行一重積分　354 8.3.4　【實例48】連分式法進行二重積分　355 8.4　蒙特卡洛法　356 8.4.1　[算法84]　蒙特卡洛法進行一重積分　356 8.4.2　[算法85]　蒙特卡洛法進行二重積分　358 8.4.3　【實例49】一重積分的蒙特卡洛法　360 8.4.4　【實例50】二重積分的蒙特卡洛法　361 第9章　常微分方程(組)初值問題的求解　363 9.1　歐拉方法　364 9.1.1　[算法86]　定步長歐拉方法　364 9.1.2　[算法87]　變步長歐拉方法　366 9.1.3　[算法88]　改進的歐拉方法　370 9.1.4　【實例51】歐拉方法求常微分方程數(shù)值解　372 9.2　龍格-庫塔方法　376 9.2.1　[算法89]　定步長龍格-庫塔方法　376 9.2.2　[算法90]　變步長龍格-庫塔方法　379 9.2.3　[算法91]　變步長基爾方法　383 9.2.4　【實例52】龍格-庫塔方法求常微分方程的初值問題　386 9.3　線性多步法　390 9.3.1　[算法92]　阿當姆斯預(yù)報校正法　390 9.3.2　[算法93]　哈明方法　394 9.3.3　[算法94]　全區(qū)間積分的雙邊法　399 9.3.4　【實例53】線性多步法求常微分方程組初值問題　401 第10章　擬合與逼近　405 10.1　一元多項式擬合　405 10.1.1　[算法95]　最小二乘擬合　405 10.1.2　[算法96]　最佳一致逼近的里米茲方法　412 10.1.3　【實例54】一元多項式擬合　417 10.2　矩形區(qū)域曲面擬合　419 10.2.1　[算法97]　矩形區(qū)域最小二乘曲面擬合　419 10.2.2　【實例55】二元多項式擬合　428 第11章　特殊函數(shù)　430 11.1　連分式級數(shù)和指數(shù)積分　430 11.1.1　[算法98]　連分式級數(shù)求值　430 11.1.2　[算法99]　指數(shù)積分　433 11.1.3　【實例56】連分式級數(shù)求值　436 11.1.4　【實例57】指數(shù)積分求值　438 11.2　伽馬函數(shù)　439 11.2.1　[算法100]　伽馬函數(shù)　439 11.2.2　[算法101]　貝塔函數(shù)　441 11.2.3　[算法102]　階乘　442 11.2.4　【實例58】　伽馬函數(shù)和貝塔函數(shù)求值　443 11.2.5　【實例59】　階乘求值　444 11.3　不完全伽馬函數(shù)　445 11.3.1　[算法103]　不完全伽馬函數(shù)　445 11.3.2　[算法104]　誤差函數(shù)　448 11.3.3　[算法105]　卡方分布函數(shù)　450 11.3.4　【實例60】　不完全伽馬函數(shù)求值　451 11.3.5　【實例61】　誤差函數(shù)求值　452 11.3.6　【實例62】　卡方分布函數(shù)求值　453 11.4　不完全貝塔函數(shù)　454 11.4.1　[算法106]　不完全貝塔函數(shù)　454 11.4.2　[算法107]　學生分布函數(shù)　457 11.4.3　[算法108]　累積二項式分布函數(shù)　458 11.4.4　【實例63】　不完全貝塔函數(shù)求值　459 11.5　貝塞爾函數(shù)　461 11.5.1　[算法109]　第一類整數(shù)階貝塞爾函數(shù)　461 11.5.2　[算法110]　第二類整數(shù)階貝塞爾函數(shù)　466 11.5.3　[算法111]　變型第一類整數(shù)階貝塞爾函數(shù)　469 11.5.4　[算法112]　變型第二類整數(shù)階貝塞爾函數(shù)　473 11.5.5　【實例64】　貝塞爾函數(shù)求值　476 11.5.6　【實例65】　變型貝塞爾函數(shù)求值　477 11.6　Carlson橢圓積分　479 11.6.1　[算法113]　第一類橢圓積分　479 11.6.2　[算法114]　第一類橢圓積分的退化形式　481 11.6.3　[算法115]　第二類橢圓積分　483 11.6.4　[算法116]　第三類橢圓積分　486 11.6.5　【實例66】　第一類勒讓德橢圓函數(shù)積分求值　490 11.6.6　【實例67】　第二類勒讓德橢圓函數(shù)積分求值　492 第12章　極值問題　494 12.1　一維極值求解方法　494 12.1.1　[算法117]　確定極小值點所在的區(qū)間　494 12.1.2　[算法118]　一維黃金分割搜索　499 12.1.3　[算法119]　一維Brent方法　502 12.1.4　[算法120]　使用一階導(dǎo)數(shù)的Brent方法　506 12.1.5　【實例68】　使用黃金分割搜索法求極值　511 12.1.6　【實例69】　使用Brent法求極值　513 12.1.7　【實例70】　使用帶導(dǎo)數(shù)的Brent法求極值　515 12.2　多元函數(shù)求極值　517 12.2.1　[算法121]　不需要導(dǎo)數(shù)的一維搜索　517 12.2.2　[算法122]　需要導(dǎo)數(shù)的一維搜索　519 12.2.3　[算法123]　Powell方法　522 12.2.4　[算法124]　共軛梯度法　525 12.2.5　[算法125]　準牛頓法　531 12.2.6　【實例71】　驗證不使用導(dǎo)數(shù)的一維搜索　536 12.2.7　【實例72】　用Powell算法求極值　537 12.2.8　【實例73】　用共軛梯度法求極值　539 12.2.9　【實例74】　用準牛頓法求極值　540 12.3　單純形法　542 12.3.1　[算法126]　求無約束條件下n維極值的單純形法　542 12.3.2　[算法127]　求有約束條件下n維極值的單純形法　548 12.3.3　[算法128]　解線性規(guī)劃問題的單純形法　556 12.3.4　【實例75】　用單純形法求無約束條件下N維的極值　568 12.3.5　【實例76】　用單純形法求有約束條件下N維的極值　569 12.3.6　【實例77】　求解線性規(guī)劃問題　571 第13章　隨機數(shù)產(chǎn)生與統(tǒng)計描述　574 13.1　均勻分布隨機序列　574 13.1.1　[算法129]　產(chǎn)生0到1之間均勻分布的一個隨機數(shù)　574 13.1.2　[算法130]　產(chǎn)生0到1之間均勻分布的隨機數(shù)序列　576 13.1.3　[算法131]　產(chǎn)生任意區(qū)間內(nèi)均勻分布的一個隨機整數(shù)　577 13.1.4　[算法132]　產(chǎn)生任意區(qū)間內(nèi)均勻分布的隨機整數(shù)序列　578 13.1.5　【實例78】　產(chǎn)生0到1之間均勻分布的隨機數(shù)序列　580 13.1.6　【實例79】　產(chǎn)生任意區(qū)間內(nèi)均勻分布的隨機整數(shù)序列　581 13.2　正態(tài)分布隨機序列　582 13.2.1　[算法133]　產(chǎn)生任意均值與方差的正態(tài)分布的一個隨機數(shù)　582 13.2.2　[算法134]　產(chǎn)生任意均值與方差的正態(tài)分布的隨機數(shù)序列　585 13.2.3　【實例80】　產(chǎn)生任意均值與方差的正態(tài)分布的一個隨機數(shù)　587 13.2.4　【實例81】　產(chǎn)生任意均值與方差的正態(tài)分布的隨機數(shù)序列　588 13.3　統(tǒng)計描述　589 13.3.1　[算法135]　分布的矩　589 13.3.2　[算法136]　方差相同時的t分布檢驗　591 13.3.3　[算法137]　方差不同時的t分布檢驗　594 13.3.4　[算法138]　方差的F檢驗　596 13.3.5　[算法139]　卡方檢驗　599 13.3.6　【實例82】　計算隨機樣本的矩　601 13.3.7　【實例83】　t分布檢驗　602 13.3.8　【實例84】　F分布檢驗　605 13.3.9　【實例85】　檢驗卡方檢驗的算法　607 第14章　查找　609 14.1　基本查找　609 14.1.1　[算法140]　有序數(shù)組的二分查找　609 14.1.2　[算法141]　無序數(shù)組同時查找最大和最小的元素　611 14.1.3　[算法142]　無序數(shù)組查找第M小的元素　613 14.1.4　【實例86】　基本查找　615 14.2　結(jié)構(gòu)體和磁盤文件的查找　617 14.2.1　[算法143]　無序結(jié)構(gòu)體數(shù)組的順序查找　617 14.2.2　[算法144]　磁盤文件中記錄的順序查找　618 14.2.3　【實例87】　結(jié)構(gòu)體數(shù)組和文件中的查找　619 14.3　哈希查找　622 14.3.1　[算法145]　字符串哈希函數(shù)　622 14.3.2　[算法146]　哈希函數(shù)　626 14.3.3　[算法147]　向哈希表中插入元素　628 14.3.4　[算法148]　在哈希表中查找元素　629 14.3.5　[算法149]　在哈希表中刪除元素　631 14.3.6　【實例88】　構(gòu)造哈希表并進行查找　632 第15章　排序　636 15.1　插入排序　636 15.1.1　[算法150]　直接插入排序　636 15.1.2　[算法151]　希爾排序　637 15.1.3　【實例89】　插入排序　639 15.2　交換排序　641 15.2.1　[算法152]　氣泡排序　641 15.2.2　[算法153]　快速排序　642 15.2.3　【實例90】　交換排序　644 15.3　選擇排序　646 15.3.1　[算法154]　直接選擇排序　646 15.3.2　[算法155]　堆排序　647 15.3.3　【實例91】　選擇排序　650 15.4　線性時間排序　651 15.4.1　[算法156]　計數(shù)排序　651 15.4.2　[算法157]　基數(shù)排序　653 15.4.3　【實例92】　線性時間排序　656 15.5　歸并排序　657 15.5.1　[算法158]　二路歸并排序　658 15.5.2　【實例93】　二路歸并排序　660 第16章　數(shù)學變換與濾波　662 16.1　快速傅里葉變換　662 16.1.1　[算法159]　復(fù)數(shù)據(jù)快速傅里葉變換　662 16.1.2　[算法160]　復(fù)數(shù)據(jù)快速傅里葉逆變換　666 16.1.3　[算法161]　實數(shù)據(jù)快速傅里葉變換　669 16.1.4　【實例94】　驗證傅里葉變換的函數(shù)　671 16.2　其他常用變換　674 16.2.1　[算法162]　快速沃爾什變換　674 16.2.2　[算法163]　快速哈達瑪變換　678 16.2.3　[算法164]　快速余弦變換　682 16.2.4　【實例95】　驗證沃爾什變換和哈達瑪?shù)暮瘮?shù)　684 16.2.5　【實例96】　驗證離散余弦變換的函數(shù)　687 16.3　平滑和濾波　688 16.3.1　[算法165]　五點三次平滑　689 16.3.2　[算法166]　α-β-γ濾波　690 16.3.3　【實例97】　驗證五點三次平滑　692 16.3.4　【實例98】　驗證α-β-γ濾波算法　693

標簽： C 算法附件源代碼

上傳時間： 2015-06-29

上傳用戶：cbsdukaf
現(xiàn)代無線通信系統(tǒng)盲處理技術(shù)新進展基于智能算法

《現(xiàn)代通信系統(tǒng)盲處理技術(shù)新進展---基于智能算法》主要由以下8章組成：第1章簡要介紹無線通信系統(tǒng)的結(jié)構(gòu)和發(fā)展概況，以及其盲處理算法的相關(guān)知識。第2章介紹人工神經(jīng)網(wǎng)絡(luò)及相應(yīng)知識，從BP神經(jīng)網(wǎng)絡(luò)若手研究盲處理問題,同時給出復(fù)數(shù)域BP神經(jīng)網(wǎng)絡(luò)的信號盲處理方法和該類方法的優(yōu)缺點說明。在第3章中介紹智能體的概念，并給出基于多智能體系統(tǒng)的盲處理方法。第4章介紹基于支持向量機框架下的盲處理算法，介紹支持向批機的原理，給出基于ε- 支持向量回歸機的信道估計新方法，并介紹基千支持向批回歸方法的MPSK和QAM的盲信號處理方法，然后引入星座匹配誤差函數(shù)，并根據(jù)線性支持向攪回歸和有序風險最小化原則，由恒模和星座匹配誤差函數(shù)聯(lián)合組成的新經(jīng)驗風險項構(gòu)造一個新的代價函數(shù)，進而通過迭代求解優(yōu)化問題獲得均衡器。第5章介紹神經(jīng)動力學和反饋神經(jīng)網(wǎng)絡(luò)的相關(guān)知識，特別地從神經(jīng)動力學角度論述連續(xù)反饋神經(jīng)網(wǎng)絡(luò)可有效飛作的原因，論述反饋神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣對吸引子和相軌跡的影響。并給出如何根據(jù)系統(tǒng)接收信號與發(fā)送信號之間的子空間關(guān)系，構(gòu)造一個適用于現(xiàn)代通信系統(tǒng)中的盲檢測的特定性能函數(shù)和優(yōu)化問題。第6章分別展示如何基于連續(xù)多閾值神經(jīng)元Hopfield網(wǎng)絡(luò)模型實現(xiàn)通信信號盲處理的理論和方法，針對多相制信號的特點給出兩種連續(xù)相位多闕值激勵函數(shù)形式，并分析討論該兩類激勵函數(shù)參數(shù)的選擇、分別給出連續(xù)多閾值神經(jīng)元 Hopfield 網(wǎng)絡(luò)工作于同步和異步模式下的新能隊函數(shù)及其相關(guān)證明。介紹采用幅相連續(xù)激勵法解決稀疏QAM 信號的盲檢測思路，并針對 QAM 信號的特點，分別給出連續(xù)幅度和相位多闕值激勵函數(shù)形式，分析討論該類激勵函數(shù)的特點。第7章則電在從另一個角度提出采用同相正交振幅連續(xù)激勵法解決密集QAM信號盲檢測方法。介紹如何從激勵函數(shù)角度分析放大因子選擇的范圍；給出該特定問題的同步和異步運行模式下的新能量函數(shù)形式；并證明和分析所設(shè)計的能量函數(shù)部分定理；介紹在基于反饋神經(jīng)網(wǎng)絡(luò)的信號盲處理方法這一研究課題中發(fā)現(xiàn)的幾類現(xiàn)象，包括當信號的統(tǒng)計信息缺失或失真情況下，連續(xù)多閾值神經(jīng)元反饋神經(jīng)網(wǎng)絡(luò)的盲檢測能力：通用高階QMA的激勵函數(shù)被使用作為低階QAM信號盲檢測問題時的適用性......

標簽： 無線通信系統(tǒng) 智能算法

上傳時間： 2022-07-09

上傳用戶：

亚洲欧美第一页_禁久久精品乱码_粉嫩av一区二区三区免费野_久草精品视频

誤差函數(shù)

effrc 是誤差函數(shù)。在計算二階微分方程的時候會用到。

特殊函數(shù) 1.г函數(shù)、貝塔函數(shù)、階乘及二項式系數(shù) 2.不完全г函數(shù)、誤差函數(shù) 3.不完全貝塔函數(shù)

這是一個用C語言編寫的計算誤差函數(shù)的程序。其主要特點是從定義出發(fā)

ERF函數(shù)的原代碼,erf(x)=(2/根號下派)*(exp(-z方)對z積分

一種基于BP算法學習的小波神經(jīng)網(wǎng)絡(luò)

LMS

C語言算法速查手冊書本附件

現(xiàn)代無線通信系統(tǒng)盲處理技術(shù)新進展基于智能算法