量化交易策略之动量与反转交易python版，用户可修改参数进行自定义，可借助米匡、聚宽等网站平台实现量化交易。
动量反转策略被证实为长久以来仍有明显效果的交易策略。

采用动量梯度下降算法训练BP网络。
训练样本定义如下：输入矢量为p=[-1-231-115-3]目标矢量为t=[-1-111]有注释

流体力学的实验报告其中有思考题包含的实验为伯努利实验泵特性曲线实验毕托管测速实验不可压缩流体恒定流动动量定律实验沿程水头损失实验雷诺实验局部阻力损失实验

采用动量梯度下降算法训练BP网络matlab代码

一本目前为止最好的fluent学习书本第一章流体力学基础与FLUENT简介第一节概论一、流体的密度、重度和比重二、流体的黏性——牛顿流体与非牛顿流体三、流体的压缩性——可压缩与不可压缩流体四、液体的表面张力第二节流体力学中的力与压强一、质量力与表面力二、绝对压强、相对压强与真空度三、液体的汽化压强四、静压、动压和总压第三节能量损失与总流的能量方程一、沿程损失与局部损失二、总流的伯努里方程三、人口段与充分发展段第四节流体运动的描述一、定常流动与非定常流动二、流线与迹线三、流量与净通量四、有旋流动与有势流动五、层流与湍流第五节亚音速与超音速流动一、音速与流速二、马赫数与马赫锥三、速度系数与临界参数四、可压缩流动的伯努里方程五、等熵滞止关系式第六节正激波与斜激波一、正激波二、斜激波第七节流体多维流动基本控制方程一、物质导数二、连续性方程三、N—S方程第八节边界层与物体阻力一、边界层及基本特征二、层流边界层微分方程三、边界层动量积分关系式四、物体阻力第九节湍流模型第十节FLUENT简介一、程序的结构二、FLUENT程序可以求解的问题三、用FLUENT程序求解问题的步骤四、关于FLUENT求解器的说明五、FLUENT求解方法的选择六、边界条件的确定第二章二维流动与传热的数值计算第一节冷、热水混合器内部二维流动一、前处理——利用GAMBIT建立计算模型第1步确定求解器第2步创建坐标网格图第3步由节点创建直线第4步创建圆弧边第5步创建小管嘴第6步由线组成面第7步确定边界线的内部节点分布并创建结构化网格第8步设置边界类型第9步输出网格并保存会话二、利用FLUENT进行混合器内流动与热交换的仿真计算第1步与网格相关的操作第2步建立求解模型第3步设置流体的物理属性第4步设置边界条件第5步求解第6步显示计算结果第7步使用二阶离散化方法重新计算第8步自适应性网格修改功能小结课后练习第二节喷管内二维非定常流动一、利用GAMBIT建立计算模型第1步确定求解器第2步创建坐标网格图和边界线的节点第3步由节点创建直线第4步利用圆角功能对I点处的角倒成圆弧第5步由边线创建面第6步定义边线上的节点分布第7步创建结构化网格第8步设置边界类型第9步输出网格并保存会话二、利用FLUENT进行喷管内流动的仿真计算第1步与网格相关的操作第2步确定长度单位第3步建立求解模型第4步设置流体属性第5步设置工作压强为0atm第6步设置边界条件第7步求解定常流动第8步非定常边界条件设置以及非定常流动的计算第9步求解非定常流第10步对非定常流动计算数据的保存与后处理小结课后练习第三节三角翼的可压缩外部绕流一、利用GAMBIT建立计算模型第1步启动Gambit，并选择求解器为FLUENT5／6第2步创建节点第3步由节点连成线第4步由边线创建面第5步创建网格第6步设置边界类型第7步输出网格文件二、利用FLUENT进行仿真计算第1步启动FLUENT2D求解器并读入网格文件第2步网格检查与确定长度单位第3步建立计算模型第4步设置流体材料属性第5步设置工作压强第6步设置边界条件第7步利用求解器进行求解第8步计算结果的后处理小结课后练习第四节三角翼不可压缩的外部绕流(空化模型应用)第1步启动FLUENT2D求解器并读入网格文件第2步网格检查与确定长度单位第3步设置求解器第4步设置流体材料及其物理性质第5步设置流体的流相第6步设置边界条件第7步求解第8步对计算结果的后处理小结课后练习第五节VOF模型的应用一、利用GAMBIT建立计算模型第1步启动GAMBIT并选择FLUENT5／6求解器第2步建立坐标网格并创建节点第3步由节点连成直线段第4步创建圆弧第5步创建线段的交点G第6步将两条线在G点处分别断开第7步删除DG直线和FG弧线第8步由边创建面第9步定义边线上的节点分布第10步在面上创建结构化网格第11步设置边界类型第12步输出网格文件并保存会话二、利用FLUENT2D求解器进行求解第1步读入、显示网格并设置长度单位第2步设置求解器第3步设置流体材料及属

C#实现BP神经网络算法，可以实现训练、泛化，自己设定动量因子和学习速率，还可以实现动态绘制相对误差图

误差反向传播（Backpropagation，简称BP）是深度学习领域中最常见的训练人工神经网络（Artificial Neural Network，ANN）的算法。
它主要用于调整网络中权重和偏置，以最小化预测结果与实际值之间的误差。
在本项目中，我们看到的是如何利用BP算法构建一个两层神经网络来识别MNIST手写数字数据集。
MNIST数据集包含60,000个训练样本和10,000个测试样本，每个样本都是28x28像素的灰度图像，代表0到9的手写数字。
BP算法通过迭代过程，对每个样本进行前向传播计算预测结果，并使用梯度下降优化方法更新权重，以提高模型在训练集上的表现。
文件"bp_two_layer_net.py"可能包含了实现BP算法的主体代码，它定义了网络结构，包括输入层、隐藏层和输出层。
"net_layer.py"可能是定义神经网络层的模块，包括前向传播和反向传播的函数。
"train_bp_two_neuralnet.py"很可能是训练脚本，调用前面的网络和训练数据，执行多次迭代以优化权重。
"buy_orange_apple.py"、"layer_naive.py"、"gradient_check.py"和"buy_apple.py"这四个文件的名称看起来与主题不太直接相关，但它们可能是辅助代码或者示例程序。
"buy_orange_apple.py"可能是一个简单的决策问题，用于帮助理解基本的逻辑操作；
"layer_naive.py"可能包含了一个基础的神经网络层实现，没有使用高级库；
"gradient_check.py"可能是用来验证反向传播计算梯度正确性的工具，这对于调试深度学习模型至关重要；
而"buy_apple.py"可能是另一个类似的小示例，用于教学或练习目的。
在BP算法中，计算图的概念很重要。
计算图将计算过程表示为一系列节点和边，节点代表操作，边代表数据。
在反向传播过程中，通过计算图的反向遍历，可以高效地计算出每个参数对损失函数的影响，从而更新参数。
在深度学习中，神经网络的优化通常依赖于梯度下降算法，它根据梯度的方向和大小来更新权重。
对于大型网络，通常采用随机梯度下降（Stochastic Gradient Descent, SGD）或其变种，如动量SGD、Adam等，以提高训练速度和避免局部最优。
总结来说，这个项目涉及了误差反向传播算法在神经网络中的应用，特别是在解决MNIST手写数字识别问题上的实践。
通过理解和实现这些文件，我们可以深入理解BP算法的工作原理，以及如何在实际问题中构建和训练神经网络。
同时，它也展示了计算图和梯度检查在深度学习模型开发中的关键作用。

本文概括总结了梯度下降算法的内容，给出了详细的收敛性证明，复杂度分析以及随机梯度下降法，动量梯度下降法等经典的梯度下降算法，个人原创作品

迭代50次，动量调节值0.5，隐层数量50，学习率0.3以及训练数据集选取40000，每类2000

根据色散方程、能量和动量守恒,研究非线性晶体ZnGeP2(ZGP)的光参变特性,得到2μm抽运时的I和II类ZGP-OPO角度调谐曲线。
在I类匹配时角度调谐范围为50.7°～57°,对应的波长连续调谐范围在2.4～11μm;在II类相位匹配时,波长调谐范围2.4～11.5μm(在3～6μm不连续),对应的角度调谐范围为58°～87°。
同时对调谐过程中的允许角、走离角进行了分析,对ZGP与AgGaS2(AGS)和AgGaSe2(AGSe)晶体做了分析比较,结果表明ZGP为较好的中红外激光晶体。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。