31、风速振荡动力学建模与聚合核建模相关研究

风速振荡动力学建模与聚合核建模相关研究

1. 代用数据对比分析

在对数据进行分析时,若底层系统是确定性的,前一节所揭示的 DMWS 数据呈现的特征是混沌的标志。不过,由噪声驱动的随机系统也可能展现出其中一些特征。代用数据方法常被用于判别时间序列数据中随机波动的来源是确定性还是随机性。

该方法的基本流程如下:
1. 提出原假设 :通常假设观测数据是随机的。
2. 生成代用数据 :生成一组满足原假设但在其他方面与原始数据相似的随机数时间序列,即代用数据。
3. 计算判别统计量 :计算如关联维数等判别统计量,并将原始数据计算得到的值与代用数据的分布进行比较。若值有显著差异,则可拒绝原假设。

在后续分析中,从给定时间序列生成了 40 个与原假设(观测时间序列是线性高斯噪声过程)一致的代用数据。这些代用数据在幅度分布、功率谱和自相关方面与原始数据相似。采用虚假近邻分数、关联和的局部斜率以及 S(Δn)曲线等不变量作为判别统计量来检验原假设。

判别原假设是否成立的依据是差异显著性值 S,计算公式为 (S = (\mu - \mu_{orig}) / \sigma),其中 (\mu) 和 (\sigma) 是代用数据计算得到的特征的均值和标准差,(\mu_{orig}) 是原始数据特征的均值。当 (S > 2) 时,有 95% 的置信度拒绝原假设,即观测时间序列不是高斯随机过程的实现。

预测误差也是判别非线性的有效工具。通过局部常数近似预测未来值,计算了 40 个代用数据和原始数据的均方根预测误差。结果显示

相关推荐

【信息科学与工程学】【制造工程】第六十二篇 芯片封装01

①有效热导率:k_eff = k_matrix[(1+2φ(β-1)/(β+2))/(1-φ(β-1)/(β+2))],β=k_filler/k_matrix;:①热导率:k_parallel = V_f·k_f + (1-V_f)·k_m,k_perp = k_m·k_f/(V_f·k_m + (1-V_f)·k_f);②热导率:k_eff = k_m[(k_f+2k_m+2φ(k_f-k_m))/(k_f+2k_m-φ(k_f-k_m))];

weixin_49199313的博客 367

【信息科学与工程学】【通信工程】第七十七篇 城域网+FTTR/FTTB/FTTC/FTTO的数学分析01

总带宽 Btotal​需考虑各业务带宽 Bi​及统计复用性(按80%计算):Btotal​=0.8∑i=1n​Bi​​。调度延迟 Di​=ri​li​​,其中 li​为包长。:dtdN2​​=hνp​APp​σap​​(Nt​−N2​)−τN2​​−hνs​APs​σes​​N2​,N2=上能级粒子数,N_t=总Er³⁺浓度,σ_ap/σ_es=吸收/发射截面,τ=荧光寿命(≈10ms),A=纤芯面积。调度分数 Scorej​=w1​umax​−umin​umax​−uj​​+w2​mmax​mj​​。

weixin_49199313的博客 427

【信息科学与工程学】【制造工程】【产品体系】第一百三十五篇 MLCC的材料物理、材料科学与制造体系01

编号类型领域核心物理问题数学表达式与参数设计关联知识A16模型材料科学建立I类瓷(COG/NP0)与II类瓷(X5R/X7R/X8R/Y5V)的材料体系与性能对比模型。I类瓷(非铁电)- 材料:SrZrO₃、CaZrO₃、SiO₂- ε_r:个位数到数百- 温度稳定性:±30 ppm/℃- 应用:高频、高稳定、低损耗II类瓷(铁电BaTiO₃基)- X5R/X7R:BaTiO₃+CaO+Y₂O₃等稀土,ε_r 2000-4000。

weixin_49199313的博客 65

【信息科学与工程学】计算机科学与自动化-第十一篇 机械工程05 机械中的数学分析01

参数:叶片长度L=30~100 m,铺层角度θ=0°,±45°,90°,分层面积A_del=100~10000 mm²,疲劳循环N=1e6~1e8,G_IC=200~500 J/m²,G_IIC=500~1000 J/m²;边界条件:锚固端位移≤5 mm,索力偏差≤±2%,长期松弛率≤2% (1000h)。参数:建筑高度H=100~600 m,质量比μ=0.01~0.05,TMD质量m=100~1000 t,摆长L=1~10 m,粘滞阻尼系数C=10~1000 kN·s/m,风速V=10~50 m/s;

weixin_49199313的博客 376

【信息科学与工程学】计算机科学与自动化-第十一篇 机械工程04 机械结构

上述表格总结了常见机械几何结构的参数特性及其应用场景,涵盖宏观几何参数、微观物理特性等多个层面。这些参数在设计、制造、分析和优化机械结构时都需要综合考虑,以确保结构满足功能、性能、可靠性和寿命要求。注意:微观层面特性通常涉及材料科学、纳米技术和表面工程等领域,对结构的疲劳、磨损、腐蚀、摩擦和润滑等性能有重要影响。宏观层面特性则决定结构的运动学、动力学、强度、刚度和稳定性等整体性能。实际应用中,需根据具体工况(载荷、速度、温度、环境等)选择合适的参数组合,并进行多学科优化设计。上表整理了常见机械几何结构的参数

weixin_49199313的博客 1158

【信息科学与工程学】【物理/化学和工程科学】第三十九篇 流体力学库01

​复杂度本质​:预填充是计算密集型,生成是显存带宽密集型。​趋势​:​硬件协同​:NVIDIA H100的FP8指令集进一步加速量化。​算法突破​:Mamba类SSM架构替代Attention,将预填充复杂度降至。​实践建议​:优先采用LMDeploy的在线INT4量化​()与动态分块,兼顾效率与易用性。

weixin_49199313的博客 1155

【信息科学与工程学】【通信工程】第十二篇 信息论03 电磁信息论

的三重保障,平时状态下资源利用率提升40%+,运维效率提升300%。该解决方案已应用于金融、能源、国防等关键领域,在战时场景下可实现。注:某政务云平台实测数据,战时指模拟极端攻击场景。​:区域性云计算中心遭受物理摧毁。

weixin_49199313的博客 1018

【信息科学与工程学】【物理/化学科学和工程技术】知识体系073——电学基础04

​。

weixin_49199313的博客 2620

【信息科学与工程学】【物理/化学和工程技术】第一百五十九篇 材料力学-晶体力学01

编号类型领域子领域模块子模块问题问题的数学分析离散/连续特性分析算法逐步推理思考求解的数学方程式及参数列表及参数的数值/数字及常数、变量、因变量、数值范围和边界条件关联知识1闭式解析型固体力学→材料微观力学晶体弹塑性初始屈服晶体屈服判定Schmid定律应用FCC纯铝(99.99%)单晶试样晶体学取向为[001]轴向拉伸,求首个滑移系启动对应的临界宏观拉伸应力σ_c宏观外载的Cauchy应力张量是二阶对称连续张量,滑移系是晶体结构中离散的独立几何单元,滑移启动的充要条件是:任意滑移系上的投影分切应力达到材料固

weixin_49199313的博客 66

【信息科学与工程学】【物理/化学和工程技术】第一百七十三篇 电力系统设计01

2. 图注意力层:计算注意力系数 αij​=∑k∈N(i)​exp(LeakyReLU(aT[Whi​∥Whk​]))exp(LeakyReLU(aT[Whi​∥Whj​]))​,更新节点特征 hi′​=σ(∑j∈N(i)​αij​Whj​)。我们被要求继续补充表格,按照之前给定的格式,每个字段包含逐步推理的数学表达式。3. 对比损失(NT-Xent):L=−log∑j=i​exp(sim(zi​,zj​)/τ)exp(sim(zi​,zi+​)/τ)​,其中 sim(u,v)=uTv/∥u∥∥v∥。

weixin_49199313的博客 701

【信息科学与工程学】【物理/化学科学和工程技术】知识体系081 磁学——系列三 电磁学设计01

编号类型领域子领域问题问题的数学分析【含尺寸、时间、几何/拓扑/堆叠/材料】算法名称算法逐步推理思考的数学方程式及参数列表及参数的数字/数值和边界分布和边界条件/离散情况及连续性情况关联知识1解析解电磁学静电真空中两个点电荷之间的静电力点电荷间距 r=0.1m;时间无关;几何为两点间直线;材料为真空(相对介电常数 εr​=1)库仑定律直接计算库仑定律:F=4πε0​1​r2q1​q2​​r^ 参数:q1​=1×10−6C,q2​=−2×10−6C,r=0.1m,ε0​=8.854×10−12F/m。

weixin_49199313的博客 115

【信息科学与工程学】【物理/化学和工程技术】第七十五篇 电气工程 系列二 电路电气基础05 电感原理、电工材料

Umn​=mπ4Ud​​Jn​(mπM/2), 其中m为载波比索引,n为基波带索引,M为调制度,Jn​为贝塞尔函数。主要谐波位于fc​±2f1​, 2fc​±f1​等处。非线性环节的描述函数N(A)=AY1​​ejϕ1​, 其中Y1​, ϕ1​为输出基波分量的幅值和相位。对于简单一维模型,存在一个临界电压Ucr​,当U>Ucr​时,无稳定热平衡解,发生热击穿。对带通信号(中心频率fc​, 带宽B)进行采样时,只要采样频率fs​满足一定条件,可避免频谱混叠,且fs​可远低于2fc​。

weixin_49199313的博客 478

【信息科学与工程学】【解决方案体系】第一篇 黑灯工厂解决方案03

方程类别方程名称数学表达式参数说明物理意义应用场景晶体结构与对称性​布拉维格子平移矢量T=ua1​+va2​+wa3​a1​,a2​,a3​: 基矢; u,v,w: 整数晶体周期性平移对称性晶格定义, 倒格子计算晶面间距(立方晶系)dhkl​=h2+k2+l2​a​a: 晶格常数; (hkl): 晶面指数相邻平行晶面间的距离X射线衍射, 晶向计算晶面间距(六方晶系)dhkil​=34​(h2+hk+k2)+(ca​)2l2​a​a,c: 六方晶格常数; (hkil): 四指数晶面六方晶体(如4H-SiC)晶

weixin_49199313的博客 762

【信息科学与工程学】【物理/化学和工程技术】第一百五十五篇 结构力学中的计算方法01

编号类型领域子领域问题问题的数学分析算法/方程式逐步推理思考的数学表达式及参数列表参数的数值范围及常数及变量及因变量关联知识1力学计算工程力学结构力学用力法分析超静定刚架在多种作用(荷载、支座移动、温度变化、制造误差)下的内力和位移力法是求解超静定结构的基本方法之一。其理论基础是:超静定结构的多余约束导致内力无法仅由静力平衡方程确定,必须补充变形协调条件。力法通过将超静定结构转化为静定的基本结构(去掉多余约束,代以多余未知力),利用基本结构在多余约束处沿多余未知力方向的位移与原结构实际位移相等的条件,建立一

weixin_49199313的博客 93

【信息科学与工程学】【物理/化学和工程技术】第七十五篇 电气工程 系列二 电路电气基础04 电场、电网

电网

weixin_49199313的博客 1405

【信息科学与工程学】【物理/化学和工程技术】第一百五十九篇 材料力学-晶体力学02

编号类型领域子领域模块子模块问题问题的数学分析离散/连续特性分析算法逐步推理思考求解的数学方程式及参数列表及参数的数值/数字及常数、变量、因变量、数值范围和边界条件关联知识285闭式解析型固体力学→材料微观力学晶体光学电光调制器的偏振模色散计算LiNbO₃调制器的PMDTE和TM模的群速度差导致脉冲展宽连续:电磁场连续推理步骤: 1. PMD = Δτ = L1/v_g_TE - 1/v_g_TM 2. v_g = c/n_g,n_g为群折射率 3. 对于LiNbO₃,n_g_TE≈2.2

weixin_49199313的博客 42

正点原子ATK-LORA-01无线串口代码移植+STM32F103C8T6(标准库)

目录 一、ATK-LORA-01无线串口资料 二、代码移植 1.分析 (1)usart3(也可以是其他的串口)用于接收数据的串口 usart.h (2)time3(也可以是其他的定时器)用于时序的设置 (3)lora.c 三、演示 1.主机(发送方) (1)主机接线 (2)主机代码(发送方) (3)主机实物 插上无线串口通电即可发送​ 2.从机(接收方) (1)从机接线(LORA与主机相同) (2)从机代码(接收方) (3)从机实物 接上TTL和LORA并通电即...

m0_56942354的博客 8969

FreeRTOS --(15)信号量之概述

FreeRTOS 中使用信号量来做同步,信号量可以在任务中使用作为任务与任务间的同步,也可以在中断中使用(带 FromISR 的版本)中断与任务间的同步; 针对不同的应用场景,信号量分为两种: 1、二值信号量; 2、计数信号量; 1、二值信号量 1.1、Usage 顾名思义,二值信号量只有两个值:0 和 1;它用于简单场景下的任务与任务、中断与任务之间的同步,比如:一个任务,在等待某个资源到位后,才能够继续执行,在得到这个资源之前,它处于阻塞状态,假如一个中断来了,给出了这个资源,那么.

StephenZhou 6520

NR/5G - On demand SI

NR中系统消息如MIB -可用于无线帧同步等,SIB1 -小区物理信道公共配置等,是驻留一个小区所必需获得的信息,这类系统信息小区是进行周期性广播。 在SI的配置中,系统消息分为BroadCasting和non-BroadCasting,BroadCasting类系统消息基站也是周期性进行广播的,而non-BroadCasting类系统消息则是通过一种on-demand的方式,即如果需要读取这类系统消息,那么UE需要先发送请求给基站,基站响应UE之后,再下发系统消息。 ...

6778

我在腾讯上构建了一个人人能用的机载适航知识库

当ChatGPT掀起生成式AI的浪潮时,工程师们发现了一个尴尬的现实:询问“如何编写软件合格审定计划”,AI的回答可能充满似是而非的术语,却无法精确关联FDO-178C的对应内容。现在市面上有许多的AI大模型+适航知识库的方案,之前我的文章介绍了一种本地大模型加知识库的解决方法。此外,ima知识库的容量大小可以到30GB(企鹅大气),只要管理好文件的格式,理论上是完全可以把机载适航相关的内容容纳进去的。后续会不断增加适航法规,适航规章,适航标准,适航书籍,适航相关的论文,以及网上其他一些优秀的内容。

qq_41854911的博客 1227

[AI] 嵌入模型选择:bge / text-embedding-3 / Jina Embeddings 对比与选型指南

摘要: 本文对比了BGE-M3、OpenAI和Jina三种主流嵌入模型在语言覆盖、性能、延迟、维度和成本等维度的差异。BGE-M3适合中文场景,本地部署成本低;OpenAI API多语能力强但依赖网络;Jina在多语表现突出但需关注商用许可。测试显示BGE-M3本地延迟3-6ms,OpenAI API延迟200-600ms。选型建议:隐私场景选BGE本地部署,多语低维护选OpenAI,高精度选Jina。部署时需注意批处理优化、向量库压缩和商用许可等问题,建议建立评测指标并监控关键指标。

每日出拳老爷子的博客 428

【YOLOv11】014、YOLOv11模型导出:PyTorch到ONNX格式转换与优化

摘要:本文详细介绍了如何将PyTorch训练的YOLOv11模型高效转换为ONNX格式。重点包括:分离模型特征提取与后处理、设置动态维度、优化ONNX算子、验证转换正确性等关键步骤。作者分享了实际项目中的经验教训,如版本对齐、算子兼容性处理、后处理分离等实用技巧,并推荐使用onnx-simplifier工具优化模型。文章强调模型转换是一个需要反复调试的过程,建议保留转换记录形成知识库,以提高部署效率并避免常见错误。

企鹅码农的专属播客,分享10多年的实战案例和经验解读,包含YOLO、RT-DETR、AI等各个工作领域。 307

2025_NIPS_RAGRouter: Learning to Route Queries to Multiple Retrieval-Augmented Language Models

该研究聚焦检索增强生成(RAG)场景下的大语言模型(LLM)路由问题,提出了首个RAG感知的路由框架RAGRouter。核心解决现有路由方法依赖静态参数知识、忽略检索文档动态影响的缺陷,通过融合文档嵌入、RAG能力嵌入与对比学习,捕捉RAG引发的模型知识表征变化,为每个查询-文档对选择最优LLM。实验覆盖5个知识密集型任务、15个开源/闭源LLM,验证了RAGRouter在性能上超越最佳单LLM和非RAG感知路由方法,且通过阈值机制实现低延迟约束下的性能-效率平衡。

UnknownBody_2的博客 274

一步步带你用C#开发Modbus通信上位机(附完整代码与工程思路)

Modbus上位机开发指南(C#实现) 本文详细介绍使用C#开发Modbus上位机系统的全过程,覆盖RTU和TCP两种协议。内容包含:1)需求分析与技术选型(WinForms+NModbus4);2)分层架构设计(UI/业务/通信层);3)通信层核心代码实现(串口/以太网连接、数据读写);4)功能模块开发(设备管理、数据采集、远程控制)。提供可直接复用的Modbus RTU客户端代码示例,包含连接管理、线圈读写、寄存器操作等工业场景必备功能。通过系统化的开发流程,帮助开发者快速构建稳定可靠的Modbus监控

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 823

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

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")

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

上一篇: 23、游戏开发:射击游戏与粒子效果全解析
下一篇: 23、SQL Server 2000 高级特性全解析
糖果HTML
博客等级 码龄3年 76粉丝 1357原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 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