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
700+累计阅读
701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软件求解多元函数积分
在Matlab中，我们可以使用符号计算工具箱来求解多元函数的积分。符号计算工具箱提供了一组函数，可以处理符号表达式，使我们能够进行符号计算和代数操作。本文将介绍如何使用Matlab来求解多元函数的积分，并提供相应的源代码示例。
首先，我们需要定义要积分的多元函数。在Matlab中，我们可以使用符号变量来表示符号表达式。以下是一个示例多元函数的定义：
syms x y;
f = x^2 + y^2;
在这个示例中，我们定义了一个二元函数 f(x, y) = x^2 + y^2。
接下来，我们可以使用int函数来计算多元函数的积分。int函数的基本语法如下：
intMATLAB中曲面积分的实现与应用
在多元微积分领域，曲面积分是一种涉及三维空间中曲面的积分运算。MATLAB作为一种强大的数学软件，提供了丰富的工具箱来简化复杂的数学计算。在实际问题中，我们经常需要对非标准曲面进行积分，这就需要自定义实现曲面积分。自定义实现曲面积分通常涉及以下几个步骤：定义曲面：首先，我们需要通过数学函数明确描述要积分的曲面，例如使用参数方程来定义。确定积分区域：接下来，我们需要确定积分的边界条件，即积分区域，可能是一个特定的曲面段或闭合曲面。编写积分函数。
MATLAB求解高等应用数学问题源代码大全（318例）
偏微分方程（Partial Differential Equations, PDE）是含有两个或多个自变量的函数的偏导数方程。这类方程在自然科学和工程学中有着广泛的应用，因为很多物理现象，如热传导、波动和流体动力学等，可以通过偏微分方程来建模。
MATLAB高等数学问题求解指南与源码
MATLAB是一种高性能的数值计算和可视化软件，广泛应用于工程计算、算法开发和数据分析等领域。它以矩阵运算为基础，结合了编程语言（如C/C++和Java）的灵活性和数学软件的计算能力。MATLAB独特的语言构造和丰富的内置函数库使得复杂的问题求解变得简单高效。极限是高等数学中的一个核心概念，它描述了函数在自变量趋向某一特定值时的行为。在数学分析中，数列的极限是指当数列的项数趋于无穷时，数列各项所趋向的值。函数的极限则是指函数在自变量趋近某一点或无穷远处，函数值所趋向的值。
基于MATLAB的二重积分计算方法
基于MATLAB的二重积分计算方法，数学建模有关，计算科学领域
基于Matlab软件求解多元函数积分.pdf
针对高等数学的一个重大难点——求解多元函数积分,充分利用Matlab在图形绘制、符号积分计算方面的强大功能,通过5个案例具体探讨了其在重积分、曲线积分和曲面积分计算中的技术应用,展现了Matlab软件辅助数学学习的特色优势。
3分钟接入满血版DeepSeek-R1：字节火山引擎手把手教程！免费50万tokens！
3分钟接入满血版DeepSeek-R1：字节火山引擎手把手教程！免费50万tokens！
yolov5部署之七步完成tensorRT模型推理加速
目录前言step 1. 下载yolov5源码以及tensorrtx源码，并将yolov5s.pt转为.wts模型step 2. 确定并下载自己准备使用的CUDA版本。step 3. 根据自己的CUDA版本下载对应版本的cuDNN以及TensorRTstep 4. 根据自己使用的VS版本下载对应版本的OpenCVstep 5. 安装CUDAstep 6. 安装cuDNN、TensorRT以及验证TensorRT是否安装成功 前言 前段时间研究了Pytorch的环境配置，之后便从github上下载了yo
强化学习在视觉导航中的应用
强化学习在视觉导航中的应用 ，人工智能，计算机视觉，大模型，AI，强化学习（Reinforcement Learning, RL）是一种通过智能体（Agent）与环境进行交互，以最大化累积奖励为目标的机器学习范式。它不依赖于预定义的规则或大量标注数据，而是让智能体在试错过程中学习最优策略。计算机视觉（Computer Vision）则赋予智能体 “观察” 环境的能力，使其能够从图像或视频中提取有用信息。
40.8K星爆火！Crawl4AI实战突破Cloudflare 5秒盾：AI反爬新范式，爬虫再也不被封
Crawl4AI的爆火（40.8K星）不是偶然——它解决了爬虫工程师最头疼的反爬问题，让爬虫从“体力活”变成“脑力活”，不用再花费大量时间配置指纹、编写行为脚本。但要注意：爬虫必须遵守目标网站的robots.txt协议，不得用于非法爬取数据（比如用户隐私、商业机密）。合理使用技术，才能长久落地。如果你在使用Crawl4AI时遇到具体问题（比如绕过更严格的反爬、批量爬取配置），欢迎在评论区交流，我会第一时间分享解决方案！
[QMT和ptrade量化交易小白入门]-125、菜场大妈加上四大现金行业指数风控，最大回撤从22%减少了一半
群里面有人建议，在菜场大妈策略的基础上，加入申万的行业指数（银行，钢铁，有色，煤炭）测算其宽度，当这四大行业其中有一个高就会清仓（用来控制回撤）。这背后的逻辑是，在存量资金博弈的市场环境中，资金总量相对固定，当银行、钢铁、有色、煤炭等大市值周期行业因基本面改善（如涨价、政策催化）或避险需求而走强时，会吸引大量资金涌入，导致其他板块（尤其是小市值股票）面临流动性虹吸。经过回测，对比上一个版本发现确实是可以降低一半的回撤，最大回撤从22.3%降到了11.4%，而且有很多时间是空仓等待。
Sigrity Power DC Package Multi-Resistor Compact ET Model Extraction模式提取封装基板电热阻模型
DIE(定义DIE的参数)：material设置为silicon(硅)，Attach material(贴片的材料，设置为Die Attach)，Attach thickness(贴片的材料的厚度,厚度设置为0.001mm，点击ok。Cap为覆盖材料，Material定义材料类型，thickness定义厚度，length和width定义长宽，Adhesive Material为胶的材料，Adhesive Material为胶的厚度，本例不定义，跳过即可。
基于STM32L4XX、HAL库的ESP32-S3-WROOM-1-N4 WIFI模块驱动程序设计
/ 检查是否收到完整的一行(以\r\n结尾)// 例如: 解析AT命令响应或MQTT消息等。// UART2初始化已在CubeMX中配置。// USART2初始化函数(由CubeMX生成)// 缓冲区溢出，重置。// 如果需要等待响应。// 处理接收到的数据。// 处理接收到的数据。// 等待ESP32模块启动。// 主循环其他任务。// 启用UART全局中断。// 发送HTTP GET请求。// 发送AT测试命令。// 连接Wi-Fi。// UART中断回调函数。
【RV1126/RV1109学习笔记】#基础篇#（2）基础入门使用
一、调试方式 1、串口调试 2、ADB调试 3、网络调试 二、基础外设使用 音频使用（aplay,arecord,amixer） 三、WIFI连接 四、屏幕背光控制
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")
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
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。
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
809
扫一扫
