带饱和函数的二阶跟踪微分器，二阶跟踪微分器是一个这样的动态系统：对它输入一个信号v(t)，它将输出两个信号x1和x2，其中x1是跟踪v(t)，从而x2作为v(t)的“近似微分”

利用fft实现线性卷积。
已知序列x1=[1234],x2=[136542]；
利用conv函数求x1和x2的线性卷积y(n)并绘出图形；
另外，利用fft求x1和x2的9点循环卷积，并绘出图形；
在用fft求x1与x2的8点和10点循环卷积，并绘出图形，比较四次结果，说明线性卷积与循环卷积的关系。

x1为累计家庭数百分比，y为累计收入百分比，替换一下，还可以画出洛伦兹曲线

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。

Description问题描述：在一个按照东西和南北方向划分成规整街区的城市里，n个居民点散乱地分布在不同的街区中。
用x坐标表示东西向，用y坐标表示南北向。
各居民点的位置可以由坐标(x,y)表示。
街区中任意2点(x1,y1)和(x2,y2)之间的距离可以用数值|x1-x2|+|y1-y2|度量。
居民们希望在城市中选择建立邮局的最佳位置，使n个居民点到邮局的距离总和最小。
编程任务：给定n个居民点的位置,编程计算n个居民点到邮局的距离总和的最小值。
Input输入由多组测试数据组成。
每组测试数据输入的第1行是居民点数n，1≤n≤10000。
接下来n行是居民点的位置，每行2个整数x和y，-10000≤x，y≤10000。
Output对应每组输入，输出的第1行中的数是n个居民点到邮局的距离总和的最小值。
SampleInput51222133-233SampleOutput10

牛顿迭代法（Newton'smethod）又称为牛顿-拉夫逊方法（Newton-Raphsonmethod），它是牛顿在17世纪提出的一种在实数域和复数域上近似求解方程的方法。
多数方程不存在求根公式，因此求精确根非常困难，甚至不可能，从而寻找方程的近似根就显得特别重要。
方法使用函数f(x)的泰勒级数的前面几项来寻找方程f(x)=0的根。
牛顿迭代法是求方程根的重要方法之一，其最大优点是在方程f(x)=0的单根附近具有平方收敛，而且该法还可以用来求方程的重根、复根。
设r是f(x)=0的根，选取x0作为r初始近似值，过点（x0,f(x0)）做曲线y=f(x)的切线L，L的方程为y=f(x0)+f'(x0)(x-x0)，求出L与x轴交点的横坐标x1=x0-f(x0)/f'(x0)，称x1为r的一次近似值。
过点（x1,f(x1)）做曲线y=f(x)的切线，并求该切线与x轴的横坐标x2=x1-f(x1)/f'(x1)，称x2为r的二次近似值。
重复以上过程，得r的近似值序列，其中x(n+1)=x(n)－f(x(n))/f'(x(n))，称为r的n+1次近似值，上式称为牛顿迭代公式。
解非线性方程f(x)=0的牛顿法是把非线性方程线性化的一种近似方法。
把f(x)在x0点附近展开成泰勒级数f(x)=f(x0)+(x－x0)f'(x0)+(x－x0)^2*f''(x0)/2!+…取其线性部分，作为非线性方程f(x)=0的近似方程，即泰勒展开的前两项，则有f(x0)+f'(x0)(x－x0)=f(x)=0设f'(x0)≠0则其解为x1=x0－f(x0)/f'(x0)这样，得到牛顿法的一个迭代序列：x(n+1)=x(n)－f(x(n))/f'(x(n))。

【目录】-MATLAB神经网络30个案例分析(开发实例系列图书)第1章BP神经网络的数据分类——语音特征信号分类1本案例选取了民歌、古筝、摇滚和流行四类不同音乐，用BP神经网络实现对这四类音乐的有效分类。
第2章BP神经网络的非线性系统建模——非线性函数拟合11本章拟合的非线性函数为y=x21+x22。
第3章遗传算法优化BP神经网络——非线性函数拟合21根据遗传算法和BP神经网络理论，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络非线性系统拟合算法。
第4章神经网络遗传算法函数极值寻优——非线性函数极值寻优36对于未知的非线性函数，仅通过函数的输入输出数据难以准确寻找函数极值。
这类问题可以通过神经网络结合遗传算法求解，利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力寻找函数极值。
第5章基于BP_Adaboost的强分类器设计——公司财务预警建模45BP_Adaboost模型即把BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器。
第6章PID神经元网络解耦控制算法——多变量系统控制54根据PID神经元网络控制器原理，在MATLAB中编程实现PID神经元网络控制多变量耦合系统。
第7章RBF网络的回归——非线性函数回归的实现65本例用RBF网络拟合未知函数，预先设定一个非线性函数，如式y=20+x21-10cos（2πx1）+x22-10cos（2πx2）所示，假定函数解析式不清楚的情况下，随机产生x1,x2和由这两个变量按上式得出的y。
将x1,x2作为RBF网络的输入数据，将y作为RBF网络的输出数据，分别建立近似和精确RBF网络进行回归分析，并评价网络拟合效果。
第8章GRNN的数据预测——基于广义回归神经网络的货运量预测73根据货运量影响因素的分析，分别取国内生产总值（GDP），工业总产值，铁路运输线路长度，复线里程比重，公路运输线路长度，等级公路比重，铁路货车数量和民用载货汽车数量8项指标因素作为网络输入，以货运总量，铁路货运量和公路货运量3项指标因素作为网络输出，构建GRNN，由于训练数据较少，采取交叉验证方法训练GRNN神经网络，并用循环找出最佳的SPREAD。
第9章离散Hopfield神经网络的联想记忆——数字识别81根据Hopfield神经网络相关知识，设计一个具有联想记忆功能的离散型Hopfield神经网络。
要求该网络可以正确地识别0~9这10个数字，当数字被一定的噪声干扰后，仍具有较好的识别效果。
第10章离散Hopfield神经网络的分类——高校科研能力评价90某机构对20所高校的科研能力进行了调研和评价，试根据调研结果中较为重要的11个评价指标的数据，并结合离散Hopfield神经网络的联想记忆能力，建立离散Hopfield高校科研能力评价模型。
第11章连续Hopfield神经网络的优化——旅行商问题优化计算100现对于一个城市数量为10的TSP问题，要求设计一个可以对其进行组合优化的连续型Hopfield神经网络模型，利用该模型可以快速地找到最优（或近似最优）的一条路线。
第12章SVM的数据分类预测——意大利葡萄酒种类识别112将这178个样本的50%做为训练集,另50%做为测试集,用训练集对SVM进行训练可以得到分类模型,再用得到的模型对测试集进行类别标签预测。
第13章SVM的参数优化——如何更好的提升分类器的性能122本章要解决的问题就是仅仅利用训练集找到分类的最佳参数，不但能够高准确率的预测训练集而且要合理的预测测试集，使得测试集的分类准确率也维持在一个较高水平，即使得得到的SVM分类器的学习能力和推广能力保持一个平衡，避免过学习和欠学习状况发生。
第14章SVM的回归预测分析——上证指数开盘指数预测133对上证指数从1990.12.20-2009.08.19每日的开盘数进行回归分析。
第15章SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测141在这个案例里面我们将利用SVM对进行模糊信息粒化后的上证每日的开盘指数进行变化趋势和变化空间的预测。
若您对此书内容有任何疑问，可以凭在线交流卡登录中文论坛与作者交流。
第16章自组织竞争网络在模式分类中的应用——患者癌症发病预测153本案例中给出了一个含有60个个体基因表达水平的样本。
每个样本中测量了114个基因特征，其中前20个样本是癌症病人的基因表达水平的样本(其中还可能有子类),中间的20个样本是正常人的基因表达信息样本,余下的20个样本是待检测的样本(未知它们是否正常)。
以下将设法找出癌症与正常样本在基因表达水平上的区

此源码优点：1，DZ、X1建站都可以用，不受影响，因为它支持子目录与根目录。
这是与网上许多同该类源码的最大价值区别。
2，当然它更适应与增添了不管是地方站还是行业站的功能。
3，它不是调用文件，也不是一种插件，是打造真正属于你自己的查询工具百宝箱网站。
4，留有广告位，我备份在文件里了，解压后可以看到。
可以自己开启，并附说明。
此源码缺点：1，质量差的空间劝你不要用了，这个源码里89%是JS，空间太差的安装了也没人有耐心用；
2，源码一共20M

高斯·塞德尔Input.txtn=3a[][]=276-161521154b[]=8572110x0[]=000iteration=10Output.txtx1=3.148148x2=3.540741x3=1.913169x1=2.432175x2=3.572041x3=1.925848x1=2.425689x2=3.572945x3=1.925951x1=2.425492x2=3.573010x3=1.925954x1=2.425478x2=3.573015x3=1.925954x1=2.4254

第1章　声明和初始化基本类型1.1　我该如何决定使用哪种整数类型？1.2　为什么不精确定义标准类型的大小？1.3　因为C语言没有精确定义类型的大小，所以我一般都用typedef定义int16和int32。
然后根据实际的机器环境把它们定义为int、short、long等类型。
这样看来，所有的问题都解决了，是吗？1.4　新的64位机上的64位类型是什么样的？指针声明1.5　这样的声明有什么问题？char*p1,p2;我在使用p2的时候报错了。
1.6　我想声明一个指针，并为它分配一些空间，但却不行。
这样的代码有什么问题？char*p;*p=malloc(10);声明风格1.7　怎样声明和定义全局变量和函数最好？1.8　如何在C中实现不透明(抽象)数据类型？1.9　如何生成“半全局变量”，就是那种只能被部分源文件中的部分函数访问的变量？存储类型1.10　同一个静态(static)函数或变量的所有声明都必需包含static存储类型吗？1.11　extern在函数声明中是什么意思？1.12　关键字auto到底有什么用途？类型定义(typedef)1.13　对于用户定义类型，typedef和#define有什么区别？1.14　我似乎不能成功定义一个链表。
我试过typedefstruct{char*item;NODEPTRnext;}*NODEPTR;但是编译器报了错误信息。
难道在C语言中结构不能包含指向自己的指针吗？1.15　如何定义一对相互引用的结构？1.16　Struct{　}x1;和typedefstruct{　}x2;这两个声明有什么区别？1.17　“typedefint(*funcptr)();”是什么意思？const限定词1.18　我有这样一组声明：typedefchar*charp;constcharpp;为什么是p而不是它指向的字符为const?1.19　为什么不能像下面这样在初始式和数组维度值中使用const值？constintn=5;inta[n];1.20　constchar*p、charconst*p和char*constp有什么区别？复杂的声明1.21　怎样建立和理解非常复杂的声明？例如定义一个包含N个指向返回指向字符的指针的函数的指针的数组？1.22　如何声明返回指向同类型函数的指针的函数?我在设计一个状态机，用函数表示每种状态，每个函数都会返回一个指向下一个状态的函数的指针。
可我找不到任何方法来声明这样的函数——感觉我需要一个返回指针的函数，返回的指针指向的又是返回指针的函数……，如此往复，以至无穷。
数组大小1.23　能否声明和传入数组大小一致的局部数组，或者由其他参数指定大小的参数数组？1.24　我在一个文件中定义了一个extern数组，然后在另一个文件中使用，为什么sizeof取不到数组的大小？声明问题1.25　函数只定义了一次，调用了一次，但编译器提示非法重声明了。
*1.26　main的正确定义是什么？voidmain正确吗？1.27　我的编译器总在报函数原型不匹配的错误，可我觉得没什么问题。
这是为什么？1.28　文件中的第一个声明就报出奇怪的语法错误，可我看没什么问题。
这是为什么？1.29　为什么我的编译器不允许我定义大数组，如doublearray[256][256]?命名空间1.30如何判断哪些标识符可以使用，哪些被保留了？初始化1.31　对于没有显式初始化的变量的初始值可以作怎样的假定？如果一个全局变量初始值为“零”，它可否作为空指针或浮点零？1.32　下面的代码为什么不能编译?intf(){chara[]="Hello,world!";}*1.33　下面的初始化有什么问题？编译器提示“invalidinitializers”或其他信息。
char*p=malloc(10);1.34　chara[]="stringliteral";和char*p="stringliteral";初始化有什么区别？当我向p[i]赋值的时候，我的程序崩溃了。
1.35　chara{[3]}="abc";是否合法？1.36　我总算弄清楚函数指针的声明方法了，但怎样才能初始化呢？1.37　能够初始化联合吗？第2章　结构、联合和枚举结构声明2.1　structx1{　};和typedefstruct{　}x2;有什么不同？2.2　这样的代码为什么不对？structx{　};xthestruct;2.3　结构可以包含指向自己的指针吗？2.4　在C语言中用什么方法实现抽象数据类型最好?*2.5　在C语言中是否有模拟继承等面向对象程序设计特性的好方法？2.6　为什么声明externf(structx*p);给我报了一个晦涩

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。