Logistic回归C语言实现,采用了newton梯度下降法，包含了来自UCI数据库的测试数据，可以直接对程序结果进行测试

第一章人工神经网络…………………………………………………3§1.1人工神经网络简介…………………………………………………………31．1人工神经网络的起源……………………………………………………31．2人工神经网络的特点及应用……………………………………………3§1.2人工神经网络的结构…………………………………………………42．1神经元及其特性…………………………………………………………52．2神经网络的基本类型………………………………………………62.2.1人工神经网络的基本特性……………………………………62.2.2人工神经网络的基本结构……………………………………62.2.3人工神经网络的主要学习算法………………………………7§1.3人工神经网络的典型模型………………………………………………73．1Hopfield网络…………………………………………………………73．2反向传播(BP)网络……………………………………………………83．3Kohonen网络…………………………………………………………83．4自适应共振理论(ART)……………………………………………………93．5学习矢量量化（LVQ）网络…………………………………………11§1.4多层前馈神经网络（ＢＰ）模型…………………………………………124．1BP网络模型特点 ……………………………………………………124．2BP网络学习算法………………………………………………………134.2.1信息的正向传递………………………………………………134.2.2利用梯度下降法求权值变化及误差的反向传播………………144．3网络的训练过程………………………………………………………154．4BP算法的改进………………………………………………………154.4.1附加动量法………………………………………………………154.4.2自适应学习速率…………………………………………………164.4.3动量-自适应学习速率调整算法………………………………174．5网络的设计………………………………………………………………174.5.1网络的层数…………………………………………………174.5.2隐含层的神经元数……………………………………………174.5.3初始权值的选取………………………………………………174.5.4学习速率…………………………………………………………17§1.5软件的实现………………………………………………………………18第二章遗传算法………………………………………………………19§2.1遗传算法简介………………………………………………………………19§2.2遗传算法的特点…………………………………………………………19§2.3遗传算法的操作程序………………………………………………………20§2.4遗传算法的设计……………………………………………………………20第三章基于神经网络的水布垭面板堆石坝变形控制与预测§3.1概述…………………………………………………………………………23§3.2样本的选取………………………………………………………………24§3.3神经网络结构的确定………………………………………………………25§3.4样本的预处理与网络的训练……………………………………………254．1样本的预处理………………………………………………………254．2网络的训练……………………………………………………26§3.5水布垭面板堆石坝垂直压缩模量的控制与变形的预测…………………305．1面板堆石坝堆石体垂直压缩模量的控制……………………………305．2水布垭面板堆石坝变形的预测……………………………………355．3BP网络与COPEL公司及国内的经验公式的预测结果比较…35§3.6结论与建议………………………………………………………………38第四章BP网络与遗传算法在面板堆石坝设计参数控制中的应用§4.1概述………………………………………………………………………39§4.2遗传算法的程序设计与计算………………………………………………39§4.3结论与建议…………………………………………………………………40参考文献…………………………………………………………………………

具有正交结构（Pbca-BN，空间）的完全四面结合的氮化硼（BN）同素异形体组：Pbca）通过第一性原理计算进行了研究。
在这项工作中，我们调查了密度泛函理论研究Pbca-BN的结构，弹性，电子性质和弹性各向异性局部密度逼近框架中采用超软伪势方法的三维方法（LDA）和广义梯度近似（GGA）。
根据我们的计算，我们发现Pbca-BN的体积模量为344GPa，剪切模量为316GPa，大的德拜温度为1734K，较小的位置比率0.14和60.1GPa的硬度，从而使其成为具有以下特性的超硬材料：潜在的技术和工业应用。
我们的计算表明，Pbca-BN在机械上是稳定，是一个宽带隙为5.399eV的绝缘体。

研究生课程计算方法A上机作业：1.QR分解2.共轭梯度法3.三次样条4.龙格-库塔

共轭梯度法求解偏微分方程MPI并行的c++实现

BP神经网络的权值采用梯度下降法更新，不仅输出的精度不高，而且耗费时间较长，基于遗传算法来更新可以达到更好的效果，该程序可以直接运行，没有错误

基于非局部扩散的图像去噪源代码，该算法利用空间非局部梯度构造了图像的非局部结构张量,通过对非局部结构张量的特征分解得到图像的一个特征空间,依据特征空间的特性设计了非局部扩散张量,建立了基于非局部扩散张量的各向异性扩散模型。
该模型和局部各向异性扩散模型的本质不同在于,在扩散的过程中充分利用了图像的全局信息。
优点是在去除噪声的同时,能更好地保护图像的边缘,尤其是纹理等图像的重要细节特征。

本书系统阐述了矩阵计算这门学科的基础理论、基本方法和近十几年来发展成熟并得到了广泛应用的新成果。
内容包括：矩阵知识的复习和补充，矩阵计算概论；
求解线性方程组的直接法和迭代法，线性最小二乘问题，共轭梯度法；
求解特征值问题的QR方法和同伦方法；
Lanczos方法以及求解Jacobi矩阵特征值反问题的正交约化方法等。
本书取材上，既注重基础理论的严谨性、方法的实用性，又保持了内容的新颖性，反映了该学科的最新进展。
本书内容自封，各章之间相对独立，可适用于不同读者的需要。
本书可作为计算数学、应用数学等有关专业高年级大学生和研究生的教材或教学参考书，也可供从事科学计算的数学工作者、工程技术人员和高校有关专业的高年级大学生和教师参考。

该数据用于sklearn的knn算法学习使用,随机森林,决策树,极限森林,梯度上升树等人工算法的学习使用素材

基于主动形状模型ＡＳＭ和主动表面模型ＡＡＭ提出了一种融合改进的ＡＳＭ和ＡＡＭ的人脸形状特征点定位算法利用ＡＳＭ定位外轮廓的形状特征点ＡＡＭ定位内部形状特征点采用对部分关键特征点使用二维梯度的方法以提高特征点搜索的准确性利用眼鼻和嘴这些关键特征点的定位信息初始化人脸的平均形状以改善初始位置不当造成的搜索失败建立多尺度的ＡＳＭ以提高收敛速度实验结果表明本文方法比传统的ＡＳＭＡＡＭ方法以及已有的改进算法ＩＡＳＭ和ＰＡＡＭ定位更精确

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。