用多重网格算法求解微分方程的matlab例子。
程序采用采取四层网格，微分方程的离散选用有限差分法，每层网格上的计算采用逐次超松弛迭代法(SOR迭代)；
由细网格限制到粗网格，采用完全加权限制算子
程序采用采取四层网格，微分方程的离散选用有限差分法，每层网格上的计算采用逐次超松弛迭代法(SOR迭代)；
由细网格限制到粗网格，采用完全加权限制算子
2023/9/3 1:56:09
168KB
1
将用户评分和用户属性（性别、年龄等）加权混合推荐1、解压下载的CollaborativeFilteringBasedUserAndGener压缩文件2、操作系统中需装javajdk1.7或者以上版本3、点击start.bat，在运行过程中，会输出评分时间，然后输出用户id进行推荐，同时会输出平均绝对误差MAE4、数据集movielens
2023/8/27 9:08:41
580KB
1
matlab实现影像融合，及精度评定。
加权融合、比值变换融合、乘积变换融合，评定方式有平均梯度、差分指数评定。
代码简洁有注释，运行速度30秒左右。
加权融合、比值变换融合、乘积变换融合，评定方式有平均梯度、差分指数评定。
代码简洁有注释，运行速度30秒左右。
2023/8/23 9:34:09
45.1MB
1
线性光谱聚类（LSC）的超像素分割算法，该算法可以生成具有低计算成本的紧凑且均匀的超像素。
基本上，基于测量图像像素之间的颜色相似性和空间接近度的相似性度量，采用超像素分割的归一化切割公式。
然而，代替使用传统的基于特征的算法，我们使用核函数来近似相似性度量，导致将像素值和坐标明确映射到高维特征空间。
我们证明，通过适当地加权该特征空间中的每个点，加权K均值和归一化切割的目标函数共享相同的最佳点。
因此，通过在所提出的特征空间中迭代地应用简单的K均值聚类，可以优化归一化切割的成本函数。
LSC具有线性计算复杂性和高内存效率，并且能够保留图像的全局属性。
实验结果表明，LSC在图像分割中的几种常用评估度量方面表现出与现有技术的超像素分割算法相同或更好的性能。
基本上，基于测量图像像素之间的颜色相似性和空间接近度的相似性度量，采用超像素分割的归一化切割公式。
然而，代替使用传统的基于特征的算法，我们使用核函数来近似相似性度量，导致将像素值和坐标明确映射到高维特征空间。
我们证明，通过适当地加权该特征空间中的每个点，加权K均值和归一化切割的目标函数共享相同的最佳点。
因此，通过在所提出的特征空间中迭代地应用简单的K均值聚类，可以优化归一化切割的成本函数。
LSC具有线性计算复杂性和高内存效率，并且能够保留图像的全局属性。
实验结果表明，LSC在图像分割中的几种常用评估度量方面表现出与现有技术的超像素分割算法相同或更好的性能。
2023/8/13 15:12:13
9.55MB
1
本文实例为大家分享了用简单的神经网络来训练和测试的具体代码，供大家参考，具体内容如下刚开始学习tf时，我们从简单的地方开始。
卷积神经网络（CNN）是由简单的神经网络（NN）发展而来的，因此，我们的第一个例子，就从神经网络开始。
神经网络没有卷积功能，只有简单的三层：输入层，隐藏层和输出层。
数据从输入层输入，在隐藏层进行加权变换，最后在输出层进行输出。
输出的时候，我们可以使用softmax回归，输出属于每个类别的概率值。
借用极客学院的图表示如下：其中，x1,x2,x3为输入数据，经过运算后，得到三个数据属于某个类别的概率值y1,y2,y3.用简单的公式表示如下：在训练过程中，我们将
卷积神经网络（CNN）是由简单的神经网络（NN）发展而来的，因此，我们的第一个例子，就从神经网络开始。
神经网络没有卷积功能，只有简单的三层：输入层，隐藏层和输出层。
数据从输入层输入，在隐藏层进行加权变换，最后在输出层进行输出。
输出的时候，我们可以使用softmax回归，输出属于每个类别的概率值。
借用极客学院的图表示如下：其中，x1,x2,x3为输入数据，经过运算后，得到三个数据属于某个类别的概率值y1,y2,y3.用简单的公式表示如下：在训练过程中，我们将
2023/8/12 13:08:11
96KB
1
代码说明代码仅供学习研究，未经允许，请勿擅自商用。
1.输入文件格式输入的文件要求为N行两列的形式，两列分别对应，输入数据点的X轴坐标和Y轴坐标。
输入文件格式示例如下：0.821794-0.04621531.03929 0.0608351.12046 0.07455681.02233 0.05147392.代码支持的凝聚层次聚类算法通过简要的修改代码中函数的参数，代码可以支持不同的凝聚方法，支持的凝聚方法如下，默认的为代码本身算法：单连接算法（默认，最近邻聚类算法，最短距离法，最小生成树算法）；
全连接算法（最远邻聚类算法，最长距离法）；
未加权平均距离法；
加权平均法；
质心距离法；
加权质心距离法；
内平方距离法（最小方差算法）3.代码支持的距离（相似度）度量公式通过简要的修改代码，代码支持计算距离的过程采用不同的距离或相似度度量公式，支持的距离（相似度）公式如下，默认为代码本身才采用的距离公式：欧氏距离（默认）；
标准化欧氏距离；
马氏距离；
布洛克距离（曼哈顿距离，城市街区距离）；
闵可夫斯基（明可夫斯基）距离；
余弦相似度；
相关性相似度；
汉明距离；
Jaccard相似度；
切比雪夫距离。
1.输入文件格式输入的文件要求为N行两列的形式，两列分别对应，输入数据点的X轴坐标和Y轴坐标。
输入文件格式示例如下：0.821794-0.04621531.03929 0.0608351.12046 0.07455681.02233 0.05147392.代码支持的凝聚层次聚类算法通过简要的修改代码中函数的参数，代码可以支持不同的凝聚方法，支持的凝聚方法如下，默认的为代码本身算法：单连接算法（默认，最近邻聚类算法，最短距离法，最小生成树算法）；
全连接算法（最远邻聚类算法，最长距离法）；
未加权平均距离法；
加权平均法；
质心距离法；
加权质心距离法；
内平方距离法（最小方差算法）3.代码支持的距离（相似度）度量公式通过简要的修改代码，代码支持计算距离的过程采用不同的距离或相似度度量公式，支持的距离（相似度）公式如下，默认为代码本身才采用的距离公式：欧氏距离（默认）；
标准化欧氏距离；
马氏距离；
布洛克距离（曼哈顿距离，城市街区距离）；
闵可夫斯基（明可夫斯基）距离；
余弦相似度；
相关性相似度；
汉明距离；
Jaccard相似度；
切比雪夫距离。
2023/8/2 17:50:02
328KB
1
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。
2024-04-09 15:03
15KB