大连理工大学计算机科学计算课程的ppt,一共七章，每章是单独的PDF文件

Matlab功率谱估计的详尽分析——绝对原创功率谱估计是信息学科中的研究热点,在过去的30多年里取得了飞速的发展。
现代谱估计主要是针对经典谱估计(周期图和自相关法)的分辨率低和方差性能不好的问题而提出的。
其内容极其丰富,涉及的学科和领域也相当广泛,按是否有参数大致可分为参数模型估计和非参数模型估计,前者有AR模型、MA模型、ARMA模型、PRONY指数模型等;后者有最小方差方法、多分量的MUSIC方法等。
ARMA谱估计叫做自回归移动平均谱估计,它是一种模型化方法。
由于具有广泛的代表性和实用性,ARMA谱估计在近十几年是现代谱估计中最活跃和最重要的研究方向之一。
二：AR参数估计及其SVD—TLS算法。
谱分析方法要求ARMA模型的阶数和参数以及噪声的方差已知.然而这类要求在实际中是不可能提供的,即除了一组样本值x(1),x(2),…,x(T)以供利用(有时会有一定的先验知识)外,再没有其它可用的数据.因此必须估计有关的阶数和参数,以便获得谱密度的估计.在ARMA定阶和参数之估计中,近年来提出了一些新算法，如本文介绍的SVD—TLS算法便是其中之一。
三：实验结果分析和展望1，样本数多少对估计误差的影响。
（A=[1,0.8,-0.68,-0.46]）图1上部分为N=1000；
下部分为取相同数据的前N=50个数据产生的结果。
图1N数不同：子图一N=1000,子图二N=200，子图三N=50由图可知，样本数在的多少，在对功率谱估计的效果上有巨大的作用，特别在功率谱密度函数变化剧烈的地方，必须有足够多的数据才能完整的还原原始功率谱密度函数。
2，阶数大小对估计误差的影响。
A=[1,-0.9,0.76]A=[1,-0.9,0.76,-0.776]图二阶数为二阶和三阶功率密度函数图A=[1,-0.9,0.86,-0.96,0.7]A=[1,-0.9,0.86,-0.96,0.7,-0.74]图三阶数为三阶和四阶功率密度函数图如图所示，阶数相差不是很大时，并不能对结果产生较大的影响。
但是阶数太低，如图二中二阶反而不能很好的估计出原始值。
3，样本点分布对估计误差对于相同的A=[1,-0.9,0.86,-0.96,0.7]；
样本的不同，在估计时的误差是不可避免的。
因此，我们在取得样本时，应该尽可能的减少不必要的误差。
图四：不同的样本得到不同的估计值4，奇异值的阈值判定范围不同对结果的影响。
上图是取奇异值的阈值大于等于0.02，而下图是取阈值大于等于0.06，显然在同种数据下，阈值的选取和最终结果有密切关系。
由于系数矩阵和其真实值的逼近的精确度取决于被置零的那些奇异值的平方和。
所以选取太小，导致阶数增大，选取太大会淘汰掉真实的系数。
根据经验值，一般取0.05左右为最佳。

这是一个用c#语言写成的矩阵类，可以完成矩阵的各种准确的数学计算，如：矩阵的加减乘除、转置、逆运算、复矩阵的乘法、求行列式值、求矩阵秩、一般实矩阵的奇异值分解、求广义逆、约化对称矩阵为对称三对角阵、实对称三对角阵的全部特征值与特征向量的计算、求赫申伯格矩阵全部特征值、求实对称矩阵特征值与特征向量等.可以将其做成dll用到其他的环境下。
填补了.net中没有矩阵的空白，是你进行科学计算不可或缺的插件之一。

AMG8833红外矩阵传感器stm32程序demo，需要的可以拿来参考下。
松下的这款AMG8833红外热像仪传感器是一个8x8的红外热传感器阵列。
当连接到您的微控制器（或RaspberryPi）时，它将通过I2C返回一组64个单独的红外温度读数。
这就像那些花式热像仪，但紧凑而简单，便于集成。
AMG8833是松下的下一代8x8热红外传感器，并提供比以前的AMG8831更高的性能。
传感器仅支持I2C，并且具有可配置的中断引脚，当任何单个像素高于或低于您设置的阈值时，该引脚可以触发。

最新矩阵论第四版课后答案准确无误西北工业大学程云鹏张凯院徐仲

该资源2012-2018年南昌大学研究生矩阵论期末考试试卷，资源高清无水印哦！

编写一个方阵类，其中封装有对方阵进行操作的方法，包括：两个n阶方阵的加；
两个n阶方阵的减；
求方阵的转置矩阵；
toString()方法按行、列描述矩阵（其中包含\n字符）。
试分别就3阶方阵和4阶方阵的数据验证类设计。

一个无需安装的计算耦合矩阵的软件，方便快捷，很好使用

矩阵求导详细手册-求导运算公式表文献及-PPT，文献为斯坦福大学数学系推导和总结的矩阵求导运算表，PPT为一些矩阵求导运算规则。
是我在看机器学习线性回归推导时时候要用到的内容，网上比较后找了这两个质量比较高的资料，超值了。

简单微信矩阵源码

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。