汉字模板为200+，详见ziku.mat主文件：main.m有用到matlab2014a的函数，注意

包含QR分解法，其中有北航大作业三道题目完整版，程序运行无误，另外还收集到java版本。
保质保量

频域特征值包括频域内的中值频率，平均能量，平均功率等

电力系统分析是研究电力系统规划运营问题的基础和重要手段。
全书包括8章和1个附录。
其中第1章介绍电力网络的教学模型及求解方法;第2章、第3章讨论电力系统稳恋分析，第4章阐述直流输电果统和交流柔性输电系统的数学模型;第5章王要介绍同步发电机组和电力负荷的动怒特性及教学模型;第6章、第7章讨论电力系统在大干扰和小干扰下的稳定性问题;第8章主要论述电力系统的电压稳定问题。
现分别简述如下:第1章介绍电力网络的数学模型及求解方法。
本章除介绍节点导纳柜阵手口号点阻抗判E阵以外，还重点讨论了稀疏电力网络节点方程的求解方法，包括稀疏向量法及节点编号优化l可题，所有算法均用例题加以说明。
第2章画绝电力系统潮流计算及静毫安全分析进行讨论。
潮流计算以牛顿法及P-Q分解法为王，除详细讨论基本理论、算法流程以外，还介绍了一些新算法和改进收敛性能的措拖，供读者进一步研究。
在静态安全挣析方面，以N-l校验为中心，阐述了补偿法、直流潮流及灵敏度沽，并介绍了故障排序的慨念。
第3章讨论了在电力市场环境下电力系统稳惑分析方面的几个新进展，包括电力系统最优潮流及相关的节点电价、输电电价问题，潮流血事、潮流追踪和可用传输能力问题。
这些模型和算法反映了电力市场环境下电力调度对决策支持系统的新要求。
第4章介绍了直流输电果统的榄念为数学模型，吏直流输电系统的潮流计算·FACTS元件的榄念和教学模型，以及具有FACTS兀件的电力系统潮流计算和潮流控制，体现了现代电力电子技术对电力革统潮流问题的影响。
第5章重点讨论同步发电机姐和电力fft荷的动窍特性及教学模型。
本章严格推导了国际土通用的同步发电机、调压装置如词速装置以及负荷的教学模型。
掌握了本章的基本理论和方法，读者不难触类旁遇，根据实际情况建立相应的模型。
第6章讨论电力系统暂怒稳定性问题，也就是大干扰下的亲统稳定性问题。
首先介绍了常微分方程初值问题的教值解法，在此基石出上讨论了用改进欧拉法求解简单模型的暂在稳定分析算法及用隐式积分支解的考虑调节器的暂~稳定分析算法，对含有直流输电单纯及FACTS元件的电力旱统暂主稳定分析进行了专门的论述，最后还对暂主稳定的直接法进行了介绍。
第7章研究小干扰下电力系统稳走性问题，革数学基础是稀疏矩阵的特征值的求解方法。
本章首先讨论了反映小干扰稳定性的系统线性化微分方程的形成，然后详细阐述了特征值的求解方法和灵敏度分析方法，井对电力系统低频振荡问题进行了专题讨论。
第8章重点讨论电力系统的电压稳定司题，阐明了电压稳走的基本恍念，并介绍了两种典型的分析电压稳定的方法。
附录应用面向对象的C十十语言详细介绍了一个P-Q分解法潮流程序。
这个附录可以帮助读者对开走程序形成较为完整的概念，从而为自己研究算法和程序设计奠定基础。

C#求矩阵运算代码，特征值特征向量含加、减、乘运算，转换矩阵等等……

这个Matlab工具箱实现32种维数降低技术。
这些技术都可以通过COMPUTE_MAPPING函数或trhoughGUI。
有以下技术可用： -主成分分析（'PCA'） -线性判别分析（'LDA'） -多维缩放（'MDS'） -概率PCA（'ProbPCA'） -因素分析（'因子分析'） -Sammon映射（'Sammon'） -Isomap（'Isomap'） -LandmarkIsomap（'LandmarkIsomap'） -局部线性嵌入（'LLE'） -拉普拉斯特征图（'Laplacian'） -HessianLLE（'HessianLLE'） -局部切线空间对准（'LTSA'） -扩散图（'DiffusionMaps'） -内核PCA（'KernelPCA'） -广义判别分析（'KernelLDA'） -随机邻居嵌入（'SNE'） -对称随机邻接嵌入（'SymSNE'） -t分布随机邻居嵌入（'tSNE'） -邻域保留嵌入（'NPE'） -线性保持投影（'LPP'） -随机接近嵌入（'SPE'） -线性局部切线空间对准（'LLTSA'） -保形本征映射（'CCA'，实现为LLE的扩展） -最大方差展开（'MVU'，实现为LLE的扩展） -地标最大差异展开（'地标MVU'） -快速最大差异展开（'FastMVU'） -本地线性协调（'LLC'） -歧管图表（'ManifoldChart'） -协调因子分析（'CFA'） -高斯过程潜变量模型（'GPLVM'） -使用堆栈RBM预训练的自动编码器（'AutoEncoderRBM'） -使用进化优化的自动编码器（'AutoEncoderEA'）此外，工具箱包含6种内在维度估计技术。
这些技术可通过INTRINSIC_DIM函数获得。
有以下技术可用： -基于特征值的估计（'EigValue'） -最大似然估计器（'MLE'） -基于相关维度的估计器（'CorrDim'） -基于最近邻域评估的估计器（'NearNb'） -基于包装数量（'PackingNumbers'）的估算器 -基于测地最小生成树（'GMST'）的估计器除了这些技术，工具箱包含用于预白化数据（函数PREWHITEN），精确和估计样本外扩展（函数OUT_OF_SAMPLE和OUT_OF_SAMPLE_EST）的函数以及生成玩具数据集（函数GENERATE_DATA）的函数。
工具箱的图形用户界面可通过DRGUI功能访问

静脉识别，生物识别的一种。
静脉识别系统一种方式是通过静脉识别仪取得个人静脉分布图，依据专用比对算法从静脉分布图提取特征值，另一种方式通过红外线CCD摄像头获取手指、手掌、手背静脉的图像，将静脉的数字图像存贮在计算机系统中，实现特征值存储。
静脉比对时，实时采取静脉图，运用先进的滤波、图像二值化、细化手段对数字图像提取特征，采用复杂的匹配算法同存储在主机中静脉特征值比对匹配，从而对个人进行身份鉴定，确认身份。

使用matlab编写，提取音频特征值，如短时过零率，短时能量，频谱质心等，程序完事。

QR算法求矩阵特征值的matlab实现

现在我们回到LDA的原理上，我们在第一节说讲到了LDA希望投影后希望同一种类别数据的投影点尽可能的接近，而不同类别的数据的类别中心之间的距离尽可能的大，但是这只是一个感官的度量。
现在我们首先从比较简单的二类LDA入手，严谨的分析LDA的原理。
　　　　假设我们的数据集D={(x1,y1),(x2,y2),...,((xm,ym))}D={(x1,y1),(x2,y2),...,((xm,ym))},其中任意样本xixi为n维向量，yi∈{0,1}yi∈{0,1}。
我们定义Nj(j=0,1)Nj(j=0,1)为第j类样本的个数，Xj(j=0,1)Xj(j=0,1)为第j类样本的集合，而μj(j=0,1)μj(j=0,1)为第j类样本的均值向量，定义Σj(j=0,1)Σj(j=0,1)为第j类样本的协方差矩阵（严格说是缺少分母部分的协方差矩阵）。
　　　　μjμj的表达式为：μj=1Nj∑x∈Xjx(j=0,1)μj=1Nj∑x∈Xjx(j=0,1)　　　　ΣjΣj的表达式为：Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)　　　　由于是两类数据，因此我们只需要将数据投影到一条直线上即可。
假设我们的投影直线是向量ww,则对任意一个样本本xixi,它在直线ww的投影为wTxiwTxi,对于我们的两个类别的中心点μ0,μ1μ0,μ1,在在直线ww的投影为wTμ0wTμ0和wTμ1wTμ1。
由于LDA需要让不同类别的数据的类别中心之间的距离尽可能的大，也就是我们要最大化||wTμ0−wTμ1||22||wTμ0−wTμ1||22,同时我们希望同一种类别数据的投影点尽可能的接近，也就是要同类样本投影点的协方差wTΣ0wwTΣ0w和wTΣ1wwTΣ1w尽可能的小，即最小化wTΣ0w+wTΣ1wwTΣ0w+wTΣ1w。
综上所述，我们的优化目标为：argmaxwJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)wargmax⏟wJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)w　　　　我们一般定义类内散度矩阵SwSw为：Sw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)TSw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)T　　　　同时定义类间散度矩阵SbSb为：Sb=(μ0−μ1)(μ0−μ1)TSb=(μ0−μ1)(μ0−μ1)T　　　　这样我们的优化目标重写为：argmaxwJ(w)=wTSbwwTSwwargmax⏟wJ(w)=wTSbwwTSww　　　　仔细一看上式，这不就是我们的广义瑞利商嘛！这就简单了，利用我们第二节讲到的广义瑞利商的性质，我们知道我们的J(w)J(w)最大值为矩阵S−12wSbS−12wSw−12SbSw−12的最大特征值，而对应的ww为S−12wSbS−12wSw−12SbSw−12的最大特征值对应的特征向量!而S−1wSbSw−1Sb的特征值和S−12wSbS−12wSw−12SbSw−12的特征值相同,S−1wSbSw−1Sb的特征向量w′w′和S−12wSbS−12wSw−12SbSw−12的特征向量ww满足w′=S−12www′=Sw−12w的关系!　　　　注意到对于二类的时候，SbwSbw的方向恒为μ0−μ1μ0−μ1,不妨令Sbw=λ(μ0−μ1)Sbw=λ(μ0−μ1)，将其带入：(S−1wSb)w=λw(Sw−1Sb)w=λw，可以得到w=S−1w(μ0−μ1)w=Sw−1(μ0−μ1)，也就是说我们只要求出原始二类样本的均值和方差就可以确定最佳的投影方向ww了。

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。