2016年数学建模-A 系泊系统设计

2016年数学建模国赛A题(系泊系统设计)优秀论文.doc ​ 本博客下载链接包含修改的word版本, 可免费下载阅览学习, 也可作为数学建模相关课程作业修改上交. 阅读详情

2016年高教社杯全国大学生数学建模竞赛题目

(请先阅读“全国大学生数学建模竞赛论文格式规范”)

           

A题  系泊系统的设计

近浅海观测网的传输节点由浮标系统、系泊系统和水声通讯系统组成(如图1所示)。某型传输节点的浮标系统可简化为底面直径2m、高2m的圆柱体,浮标的质量为1000kg。系泊系统由钢管、钢桶、重物球、电焊锚链和特制的抗拖移锚组成。锚的质量为600kg,锚链选用无档普通链环,近浅海观测网的常用型号及其参数在附表中列出。钢管共4节,每节长度1m,直径为50mm,每节钢管的质量为10kg。要求锚链末端与锚的链接处的切线方向与海床的夹角不超过16度,否则锚会被拖行,致使节点移位丢失。水声通讯系统安装在一个长1m、外径30cm的密封圆柱形钢桶内,设备和钢桶总质量为100kg。钢桶上接第4节钢管,下接电焊锚链。钢桶竖直时,水声通讯设备的工作效果最佳。若钢桶倾斜,则影响设备的工作效果。钢桶的倾斜角度(钢桶与竖直线的夹角)超过5度时,设备的工作效果较差。为了控制钢桶的倾斜角度,钢桶与电焊锚链链接处可悬挂重物球。

 

图1  传输节点示意图(仅为结构模块示意图,未考虑尺寸比例)

系泊系统的设计问题就是确定锚链的型号、长度和重物球的质量,使得浮标的吃水深度和游动区域及钢桶的倾斜角度尽可能小。

问题1  某型传输节点选用II型电焊锚链22.05m,选用的重物球的质量为1200kg。现将该型传输节点布放在水深18m、海床平坦、海水密度为1.025×103kg/m3的海域。若海水静止,分别计算海面风速为12m/s和24m/s时钢桶和各节钢管的倾斜角度、锚链形状、浮标的吃水深度和游动区域。

问题2  在问题1的假设下,计算海面风速为36m/s时钢桶和各节钢管的倾斜角度、锚链形状和浮标的游动区域。请调节重物球的质量,使得钢桶的倾斜角度不超过5度,锚链在锚点与海床的夹角不超过16度。

问题3 由于潮汐等因素的影响,布放海域的实测水深介于16m~20m之间。布放点的海水速度最大可达到1.5m/s、风速最大可达到36m/s。请给出考虑风力、水流力和水深情况下的系泊系统设计,分析不同情况下钢桶、钢管的倾斜角度、锚链形状、浮标的吃水深度和游动区域。

 

 

                           附表   锚链型号和参数表

型号

长度(mm)

单位长度的质量(kg/m)

I

78

3.2

II

105

7

III

120

12.5

IV

150

19.5

V

180

28.12

表注:长度是指每节链环的长度。

 

 

 

【数学建模】2016年全国大学生数学建模-系泊系统全面解析(附MATLAB实现部分代码) 系泊系统(Mooring Systems)不论是在船舶航行,还是在海洋资源的综合利用与开发中,均得到了广泛的应用。 完整代码详见 实战应用案例:系泊系统(MATLAB实现) 本文以2016 年数学建模 A 题[1]所提供的信息为例,探究如何高效地建立系泊系统。本文是系泊系统系列的第一部分,主要内容为系泊模型的建立。 系泊系统 系泊系统[2]由系泊缆(mooring line),锚(anchor)和连接器(connectors)组成,其用于在所有水深处固定船舶或浮动平台。系泊缆线将海底的锚与浮式结构 阅读详情

相关推荐

2016年全国数学建模国赛A题基于matlab实现系泊系统的设计

近浅海观测网的传输节点由浮标系统、系泊系统和水声通讯系统组成(如图1所示)。某型传输节点的浮标系统可简化为底面直径2m、高2m的圆柱体,浮标的质量为1000kg。系泊系统由钢管、钢桶、重物球、电焊锚链和特制的抗拖移锚组成。锚的质量为600kg,锚链选用无档普通链环,近浅海观测网的常用型号及其参数在附表中列出。钢管共4节,每节长度1m,直径为50mm,每节钢管的质量为10kg。要求锚链末端与锚的链接处的切线方向与海床的夹角不超过16度,否则锚会被拖行,致使节点移位丢失。

matlab_dingdang的博客 428

全国大学生数学建模竞赛2016A题系泊系统的设计MATLAB程序

目录 一、第1问 1.1 第一次遍历寻找浮标吃水深度MATLAB程序 1.2 第二次遍历寻找浮标吃水深度MATLAB程序 1.3 代入遍历结果浮标吃水深度MATLAB程序 二、第2问 2.1 遍历寻找满足条件重物球质量最小解MATLAB程序 2.2 加入多目标优化遍历寻找满足条件重物球质量MATLAB程序 2.3 代入遍历优化结果重物球质量MATLAB程序 三、第3问 3.1遍历不同锚链型号与长度以及重物球的质量MATLAB程序 3.2三次遍历代入锚链型号与长度以及重物球的质量求浮..

qq_46646038的博客 1万+

2016年高教社杯全国大学生数学建模竞赛 A 题:《系泊系统的设计》真题解析与 MATLAB 解决方案

🏆 本文已收录于专栏:《滚雪球学数学建模(含历年真题)》,持续更新最新及历年数学建模竞赛资料,每篇内容力求做到“问题讲透、模型讲清、代码可用、论文可参考”,帮助你从零开始逐步建立完整的数学建模知识体系。

**My Coding Family** 3702

6.2016年国赛A题“系泊系统的设计”

免费的题目和评分标准下载 下面是我老师提供的标准解答,注意不要参考本文的论文格式 2016年国赛A题“系泊系统的设计” 系泊系统设计的多目标优化模型 摘要 本文针对系泊系统的设计问题,通过对影响系泊系统的各个部分和浮标进行受力分析和力矩分析,建立了使钢桶倾斜角、浮标吃水深度和游动区域半径最小的多目标优化模型,最终得到系泊系统的最优设计。当海面风速为12m/s 和24m/s 时,对于钢桶和各节钢管的倾斜角度、锚链形状、浮标的吃水深度和游动区域半径的计算问题,基于悬链线方程的推导,首先对锚链线进行微元处理,然后

大模型天花板 1万+

高教社杯数模竞赛特辑论文篇-2016年A题:系泊系统设计

其次,针对题目所给出的系泊系统设计要求,浮标所受的杆拉力与风速、吃水深度的表达式,以及钢杆、钢桶、锚链倾角的递推关系,其次,为描述系泊系统的状态,通过对该系统的各组成部分进行隔离受力分析,确定了。的考虑,对着地处的锚链进行了受力分析,从而得到了着地锚链的倾角关系,并结合未。将浮标吃水深度,浮标的游动区域,钢桶的倾角作为优化目标,以各个构件在竖直方向。再次,结合问题二对优化目标的分析,以锚链型号,锚链长度,重物球配重作为决。搜索算法,在保证了求解的精度的同时,极大地提高了运算的时间复杂程度,为日后系。

getusushu的博客 3314

2016年全国大学生数学建模竞赛A题CT系统参数标定及成像(含word论文和源代码资源)

2016年全国大学生数学建模竞赛A题CT系统参数标定及成像(含word论文和源代码资源)

亦是远方的小地方 747

【免费下载】 2016年高教社杯全国大学生数学建模竞赛A题系泊系统设计资源文件

提供系泊系统设计的数学建模解决方案与程序资源。 ## 项目介绍 在2016年高教社杯全国大学生数学建模竞赛中,A题系泊系统设计挑战了参赛者的数学建模能力。为了帮助竞赛选手更好地备战,一份详尽的资源文件应运而生。这个项目旨在通过提供系泊系统设计的程序资源,帮助参赛者掌握数学建模的核心技巧,提升解决实际问题的能力。 该资源文件是针对竞赛A题的深度解析,包括了对系泊系统设计的详细阐述和数学模型构建...

gitblog_06777的博客 1245

CT 系统参数标定及成像数学建模论文

2017CT 系统参数标定及成像数学建模论文,内有CT 系统参数标定及成像的详解,都是非常好的论文。

2016年高教社杯全国大学生数学建模竞赛 A题 系泊系统设计资源文件

2016年高教社杯全国大学生数学建模竞赛 A题 系泊系统设计资源文件 去发现同类优质开源项目:https://gitcode.com/ 此仓库提供了一份针对2016年高教社杯全国大学生数学建模竞赛A题——系泊系统设计的程序资源。该资源是准备参加2018年全国大学生数学建模竞赛时的练手项目,具有较高完成度。 资源描述 本程序资源适用于想要深入了解数学建模竞赛题目解析与解决策略的用户。资源包含了对系泊...

gitblog_06711的博客 481

CTransformers: 高效的Python语言模型绑定库

CTransformers是一个为C/C++实现的Transformer模型提供Python绑定的开源库。它基于GGML库构建,旨在为开发者提供一种高效且易用的方式来在Python中使用各种流行的语言模型。支持多种流行的语言模型,如GPT-2、LLaMA、Falcon等提供统一的简单API接口支持GPU加速(CUDA和Metal)与Hugging Face Transformers和LangChain集成支持流式输出和嵌入计算。

helloaiworld的博客 1267

算法-基于MACD的Adaboost股价涨跌预测模型

MACD是一个指标,具体用法是MACD>0看涨,反之看跌,果真是这样的吗?由于所有的技术指标都基于对历史数据的统计,指标的滞后性也就难免,有时候MACD明明大于0,股价仍然跌,有时候macd小于0,股价仍然涨。 本文基于Adaboost算法提出了一种基于macd的线性阀值分类器作为若分类器,通过在限定的解空间内寻找使得错误率最小的阀值和偏置,这样做避免了训练若分类器的复杂性,经验证,这种方法有效。

mtaxot的博客 8023

【亲测免费】 2016年国赛A题“系泊系统的设计”附件

2016年国赛A题“系泊系统的设计”附件 去发现同类优质开源项目:https://gitcode.com/ 欢迎来到本仓库!这里提供了2016年数学建模国赛A题“系泊系统的设计”的相关附件,供您免费学习和参考。 本附件包含以下内容: 题目背景资料 数据集 参考文献资料 请根据需要下载并使用,希望对您的学习有所帮助。祝您学习愉快! 去发现同类优质开源项目:https://gitcode.com...

gitblog_06725的博客 412

Veristand simulink 集成 simulink 非正版如何处理

1、安装 veristand model Generation Support add-on。matlab 安装veristand model support 记录。下载 以后 如果非正版matlab 直接拖命令行执行。下载后直接命令行执行即可。

flik9527的博客 598

2016年国赛高教杯数学建模A题系泊系统的设计解题全过程文档及程序

2016年国赛高教杯数学建模A题系泊系统的设计解题全过程文档及程序

weixin_43292788的博客 1976

SCI、中科院1区算法应用:(BWO-CNN-BiGRU-Attention)白鲸优化深度学习-融合注意力机制预测程序代码!包含特征可视化,数据Excel导入,直接运行!

BWO 白鲸优化算法,于2022年发表在SCI、中科院1区期刊《Knowledge-Based Systems》上。我们利用该高创新算法对我们的CNN-BiGRU-Attention时序和空间特征结合-融合注意力机制的回归预测程序代码中的超参数进行优化。

weixin_48747334的博客 3262

机器人在果园内行巡检仿真(2D雷达、realsense相机)

DiffBot是一种具有两个轮子的自主差动驱动机器人。它的主要处理单元是一个运行Ubuntu Mate 20.04和ROS 1 (ROS Noetic)中间件的Raspberry pi4b。该存储库包含ROS驱动包、真实机器人的ROS控制硬件接口和模拟DiffBot的配置。修改配置文件orchard_world.launch。

如果想成为中心,那么就到中心去吧。 1311

建模国赛2016A-系泊系统设计优秀论文全文

建模国赛2016A-系泊系统设计优秀论文全文 去发现同类优质开源项目:https://gitcode.com/ 此资源为建模国赛2016A题目“系泊系统的设计”的优秀论文全文,以PDF格式呈现。本文针对系泊系统的设计进行了深入的研究与探讨,内容详实,结构严谨,为相关领域的研究者提供了有价值的参考。 论文涵盖了系泊系统设计的相关理论、方法以及实际应用,主要包括以下几个方面: 系泊系统的概述 系泊系...

gitblog_06701的博客 464

16、保障Azure应用安全:密钥管理与身份认证

本文深入探讨了保障Azure应用安全的关键措施,包括使用网络安全工具(如Application Gateway和Azure Front Door)防范攻击,解决传统密钥和机密存储方式的安全隐患,以及通过Azure Key Vault实现敏感信息的安全管理。同时,介绍了使用托管标识实现Azure资源间安全访问的方法,并结合实际操作步骤展示了如何配置Key Vault、设置访问策略、存储机密以及授予Web应用对SQL Server的访问权限。最后,对不同安全措施进行了比较,并提出了在开发、测试及生产环境中的综合

rock5的博客 72

建模国赛2016A-系泊系统设计优秀论文全文:为研究者提供有价值的参考

建模国赛2016A-系泊系统设计优秀论文全文:为研究者提供有价值的参考 去发现同类优质开源项目:https://gitcode.com/ 系泊系统设计优秀论文全文,深入探讨理论与应用,助力相关领域研究。 项目介绍 在众多科研竞赛中,建模国赛2016A的题目“系泊系统的设计”吸引了众多研究者的关注。本次推荐的资源为该题目的优秀论文全文,以PDF格式呈现,为广大科研工作者提供了宝贵的参考和学习资料。 ...

gitblog_06767的博客 307

多物理场光学仿真软件:COMSOL_(10).激光器与谐振腔仿真

定义Nd:YAG晶体的材料属性% 折射率% 吸收系数% 发射截面% 定义光泵浦源% 泵浦光波长% 泵浦光强度% 泵浦光方向% 定义全反射镜% 选择边界% 完美电导体边界条件% 定义部分反射镜% 选择边界% 反射率边界条件% 反射率通过 COMSOL 对激光器和光学谐振腔进行仿真,可以全面评估激光器的性能,包括输出功率、效率、稳定性和模式选择等。这些仿真结果为激光器的设计和优化提供了重要的参考依据。

kkchenjj的博客 1648

【Autosar COM】Marvell 88Q5050 以太网交换机驱动技术解析

本驱动实现了对Marvell 88Q5050交换机的全面控制,通过模块化设计满足AUTOSAR规范要求。增加DMA加速机制提升大数据量处理性能实现TSN(时间敏感网络)特性支持引入异步通知机制替代轮询操作增强安全特性,如MACsec支持该驱动架构为车载以太网交换机控制提供了可靠基础,其设计思想可推广到其他车载网络控制器开发中。随着车载网络技术的演进,驱动需持续迭代以支持新特性与更高通信速率需求。

1450

【大学生数学建模竞赛】2016年数模竞赛A题通关指南

本文针对2016年全国大学生数学建模竞赛A题"系泊系统设计"展开研究。首先分析了题目背景和实际工程意义,提取了浮标、钢管、钢桶、锚链等关键部件的物理参数和环境条件。通过建立力学平衡模型,结合悬链线方程,计算不同风速下系统的受力状态和几何参数。针对问题二采用蚁群算法优化重物球质量,使钢桶倾角不超过5度;对问题三建立了考虑水深变化的多目标优化模型。使用MATLAB实现了模型求解,并通过灵敏度分析验证了结果的合理性。研究过程展现了数学建模从问题分析、模型构建到算法实现的全流程,为复杂工程系统设

大雨淅淅的博客 1242

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

全国大学生数学建模2016年A题——系泊系统的设计

本文针对系泊系统的设计问题,建立系泊系统的受力平衡模型,求解系泊 系统所处环境的状态;建立基于重物球质量的优化模型,调节重物球质量;增 加影响因素,设计稳定性最好的系泊系统设计方案。

Fancy_x_l的博客 1035

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

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

2016年数学建模A题题目、解题思路、matlab代码(二)

问题: 海洋边界作为国家的领土区分线,对国家安全具有极其重要的战略用途,建立和完善近浅海观测网势在必行。近浅海观测网由若干传输节点组合而成,每个传输节点由浮标系统、系泊系统和水声通讯系统组成。其中水声通讯系统用于探测监控和传输水域信息,浮标系统和系泊系统用于实现节点和水声通讯系统的定位。单点浮标和系泊系统由于其结构简单、成本低廉、方向性好、可靠性高等特点被广泛应用,成为近浅海观测网构成的中坚力量。...

猫猫虫/的博客 9473

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

数学建模-2016A系泊系统的设计

近浅海观测网的传输节点由浮标系统、系泊系统和水声通讯系统组成(如图1所示)某型传输节点的浮标系统可简化为底面直径2m、高2m的圆柱体浮标的质量为1000kg。系泊系统由钢管、钢桶、重物球、电焊锚链和特制的抗拖移锚组成。锚的质量为600kg,锚链选用无档普通链环,近浅海观测网的常用型号及其参数在附表中列出。钢管共4节,每节长度1m,直径为50mm,每节钢管的质量为10kg。要求锚链末端与锚的链接处的切线方向与海床的夹角不超过16度否则锚会被拖行,致使节点移位丢失。

weixin_73960493的博客 1770

2016年国赛A题系泊系统的设计附件:国赛数学建模的宝藏资源

2016年国赛A题系泊系统的设计附件:国赛数学建模的宝藏资源 去发现同类优质开源项目:https://gitcode.com/ 项目核心功能/场景 提供2016年数学建模国赛A题“系泊系统的设计”相关附件,助力学术研究。 项目介绍 2016年国赛A题“系泊系统的设计”附件是一个专为数学建模爱好者和国赛参赛者准备的宝贵资源。在这个项目中,你将找到与国赛A题相关的所有背景资料、数据集和参考文献资料。这...

gitblog_06797的博客 642
上一篇: 2015年数学建模-A影子定位
下一篇: 学习SSM有感001
jy0921_
博客等级 码龄11年 329粉丝 193原创
评论 10
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值