墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
2.1k累计阅读
2.2k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
使用MATLAB对学生成绩Excel表格进行统计和分类
首行：使用MATLAB对学生成绩Excel表格进行统计和分类
在教育领域中，对学生成绩进行统计和分类是一项重要的任务。MATLAB是一种功能强大的数值计算和数据分析工具，可以帮助我们高效地完成这项任务。在本文中，我们将介绍如何使用MATLAB读取学生成绩的Excel表格数据，并对其进行统计和分类分析。
第一步：导入Excel表格数据
首先，我们需要将Excel表格中的数据导入MATLAB环境中。MATLAB提供了xlsread函数来读取Excel文件。假设我们的Excel文件名为"grades.xlsx"，数据存储在第一个工作表中。我们可以使用以下代码将数据导入MATLAB：
filename = 'grades.xlsx';
sheet = 1;
data = xlsread(filen适合经管类学生学习的几个数据分析工具
近年来经管类专业备受热议，新的时代背景下，经管专业学生的发展前景和就业方向趋于多元化。想要在激烈的竞争中立于不败之地，学好本专业理论知识很重要，扎实掌握专业技能并熟练应用也非常重要。 对于经管专业的同学来说未来将会面临开发新产品,发现新市场,采用新技术,使用新原料,设计新的生产组织管理方式等的挑战，这些工作的顺利完成都需要一定的数据分析能力和计算机基础作为支撑，主要体现在统计和编程两方面。 学好统计可以帮助我们更直观地认识数据、分析变化、预测趋势、指导下一步决策；掌握编程知识则可以自行开发实用的辅助工具，减
使用MATLAB进行表格数据计算
假设我们有一份学生成绩单数据，包含学生姓名、学号、语文成绩、数学成绩和英语成绩等信息。通过MATLAB丰富的函数库和强大的数据处理能力，我们可以快速、高效地分析各种复杂的表格数据。这里先用MATLAB的mean函数求出每个学生的平均成绩，再用sum函数求出每个学生的总成绩。在MATLAB中，我们可以方便地对表格中的数据进行各种计算和分析。接下来，我们可以用MATLAB提供的函数对表格数据进行各种计算和分析。这里用MATLAB的sortrows函数将数据按照总成绩进行排序，再选出前10条数据。
Fluent动网格+滑移网格+重叠网格对比介绍（以震荡水翼flapping foil为例）
初学fluent笔记，本文主要包含： Flapping foil在fluent内的几种实现方式 在哪设置动网格、滑移、重叠网格 flapping的UDF 示例 写在前面：Fluent在预览网格运动/提交计算之前，注意保存一个cas版本。 -------------------------Flapping foil 网格几种组合实现方式：---------------------- 直接重叠网格，overset， 需要建立两个几何part，part要重合。水翼局部区域（component），背景网格(ba
保姆级教程：用Code Blocks搞定中科蓝讯AB5768E蓝牙音响SDK开发环境（附资源包）
本文提供了一份详细的Code Blocks配置指南，帮助开发者快速搭建中科蓝讯AB5768E蓝牙音响SDK开发环境。从工具链安装、环境配置到工程导入和调试技巧，涵盖全流程避坑要点，特别适合K12开发板初学者。附资源包下载，助您高效完成蓝牙音响开发。
MATLAB双目相机标定：从工具箱实战到参数精解
本文详细讲解了使用MATLAB进行双目相机标定的完整实战流程与参数精解。从拍摄合格的棋盘格图像、设置关键参数（如径向畸变系数），到分析重投影误差、优化结果并正确导出和使用内外参，提供了从操作到原理的全面指导，帮助读者为立体视觉应用奠定精准基础。
YOLO12涨点改进| 损失函数改进篇 |AAAI 2025| 一种小目标检测SDLoss损失函数，解决现有损失函数对不同目标尺度敏感度不足的局限，提高了网络检测不同尺度目标的敏感能力，助力高效涨点
本文提出了一种改进的小目标检测方法SDLoss，通过动态调整尺度损失与位置损失的权重，优化了YOLOv12模型的性能。针对红外小目标检测中存在的两个主要问题：1）标准卷积难以捕捉目标的高斯空间分布特性；2）现有损失函数对不同尺度目标的敏感度不足，研究团队开发了Pinwheel-shaped卷积(PConv)和Scale-based Dynamic损失函数(SDLoss)。PConv通过不对称卷积核设计显著提升感受野，SDLoss则根据目标大小动态平衡尺度与位置损失的影响。
深度学习在移动开发中的应用：实时姿态估计实战
我们将使用TensorFlow Lite框架，结合专为移动端优化的MoveNet模型，实现一个能够在主流Android设备上达到30FPS的多人姿态跟踪解决方案，并深入探讨其优化技巧和实际应用场景。特别是3D姿态估计、多人长期跟踪等前沿技术的发展，将进一步推动移动端姿态估计技术的应用深度和广度。在下一篇文章中，我们将探讨深度学习在移动端的另一个创新应用：实时手势识别，包括如何在资源受限的环境中实现复杂手势的实时识别，以及这项技术在AR/VR交互、智能家居控制等场景中的应用。第四部分：典型应用场景实现。
c++对halcon的动态链接库dll封装及调用（细细讲）
本文详细介绍了将Halcon图像处理算法封装为C++动态链接库(DLL)的完整流程，包括7个关键步骤：1)封装Halcon函数并导出CPP文件；2)在C++项目中配置Halcon环境(包含目录、库目录设置)；3)验证Halcon代码；4)创建DLL项目并进行环境配置；5)编辑DLL并导出生成文件(.dll、.lib、.h)；6)在主项目中配置DLL调用环境；7)编写测试代码验证功能。通过这个流程实现了Halcon算法的模块化封装和复用，文中提供了具体的配置路径和代码示例，重点说明了环境配置细节和文件结构安排
Muse Spark：功能、性能测试及使用方法
对于一个仅用九个月时间从零开始重建的团队来说，这样的健康状况和多模态测试结果无疑是迈出了坚实的第一步，并且经受住了独立测试的考验。Muse Spark 为每个产品确定了最重要的主题（A 产品的发布策略、B 产品的定价策略、C 产品的规模化策略），并提出了切实可行的具体行动方案。抽象视觉推理也遵循同样的模式：Muse Spark 的 ARC-AGI-2 得分为 42.5，而 GPT-5.4 和 Gemini 的得分都在 70 分左右。他的离职是由于组织结构的变化限制了他的角色，以及团队转向闭源开发。
RK3568下MIPI屏幕调试技巧
通过合理配置设备树节点、精确计算像素时钟并完成编译烧录，可高效实现RK3568平台MIPI屏幕的点亮与显示调试。关键在于严格遵循屏幕规格书参数，结合内核日志定位问题，逐步优化时序配置。掌握这一流程后，开发者可快速适配不同分辨率、刷新率的MIPI屏幕，为嵌入式系统显示模块开发奠定基础。如果在调试中遇到特定问题（如驱动匹配失败、时钟计算误差），建议优先查阅屏幕规格书和RK3568芯片手册，或通过内核社区（如Linux-DRI邮件列表）获取支持。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1530
扫一扫
