现代综合评价软件 模糊 灰色 AHP等方法

matlab 从3个TXT文件读出一副RGB图像（内有TXT文件与matlab代码）

基于正点原子开发板stm32f407的LittleVGL的移植，可以实现官网的demo以及多theme测试，使用的屏幕为电阻屏，分辨率为240×320，驱动为9341。

欢迎使用Live-DL保存直播，本工具通过FFmpeg保存直播流，CPU占用极低。支持录制所有RTMP方式推流的直播网站，如哔哩哔哩等Step1.复制直播流地址到窗口（直播流地址可以通过Chrome浏览器F12“检查”功能获得，切换到Network选项卡，刷新页面，最长的一条就是）Step2.输入保存的文件名（文件会保存为“当天日期+你输入的名字.mp4”）Step3.选择保存路径a.保存在当前文件夹 b.保存在E:ReliveSave c.自定义路径（例如C:usersyournamedesktop）按Q可停止

资源中包含神经网络、遗传算法、支持向量机、退火算法、粒子群算法等算法matlab源码、工具包及数据集。

这是司守奎黄皮书的习题答案 大家可以参考一下普通高等院校“十二五”规划教材数学建模算法与应用习题解答司守奎孙玺菁张德存周刚韩庆龙编著263所一荤出版北京内容简介本书是国防工业出版社出版的《数学建模算法与应用》的配套书籍。本书给出了《数学建模算法与应用》中全部习题的解答及程序设计,另外针对选修课的教学内容,又给出一些补充习题及解答。本书的程序来自于教学实践,有许多经验心得体现在编程的技巧中。这些技巧不仅实用,也很有特色。书中提供了全部习题的程序,可以将这些程序直接作为工具箱来使用本书可作为讲授数学建模课程和辅导数学建模竞赛的教师的参考资料,也可作为《数学建模算法与应用》自学者的参考书,也可供参加数学建模竞赛的本科生和研究生以及科技工作者使用。图书在版编目(CIP)数据数学建模算法与应用习题解答/司守奎等编著.一北京:国防工业出版社,2013.1普通高等院校“十二五”规划教材ISBN978-7-11808543-3I.①数.Ⅱ.①司.Ⅲ.①数学模型一高等学校—题解Ⅳ.①O141.4-44中国版本图书馆CP数据核字(2013)第001100号囤所社出版发行(北京市海淀区紫竹院南路23号邮政编码100048)北京奥鑫印刷厂印刷新华书店经售开本787×10921/16印张101字数240千字2013年1月第1版第1次印刷印数1—4000册定价25.00元(本书如有印装错误,我社负责调换)国防书店:(010)8854077发行邮购:(010)88540776发行传真:(010)88540755发行业务:(010)88540717前言本书是国防工业出版社出版的《数学建模算法与应用》的配套书籍。《数学建模算法与应用》的前7章、第14章和第15章可以作为选修课的讲授内容,其余部分可以作为数学建模竞赛的培训内容。对于选修课部分的章节,我们又补充了一些习题,并且给出了全部习题的解答及程序设计。习题是消化领会教材和巩固所学知识的重要环节,是学习掌握数学建模理论和方法不可或缺的手段。学习数学建模的有效方法之一是实例研究,实例研究需要亲自动手,认真做一些题目,包括构造模型、设计算法、上机编程求解模型。书中提供了全部习题的程序,因而读者不仅可以从中学到解题的方法,还可以将这些程序直接作为工具箱来使用。对于数学建模的一些综合性题目,本书提供的解答可以作为参考,因为这类题目的解答是不唯一的。作为读者,应该努力开发自己的想象力和创造力,争取构造有特色的模型。作者布望学习数学建模的读者,对于这部分综合性题目不要先看本书给出的解答,可以等自己做出来之后,再与本书解答比较。由于作者水平有限,书中难免有不妥和错误之处,恳请广大读者批评指正最后,作者十分感谢国防工业出版社对本书出版所给予的大力支持,尤其是责任编辑丁福志的热情攴持和帮助。需要本书源程序电子文档的读者,可以用电子邮件联系索取:896369667qqcom,sishoukui@163.comoⅢ目录第1章线性规划习题解答第2章整数规划习题解答……………………………13第3章非线性规划习题解答………………26第4章图与网络模型及方法习题解答…………………33第5章插值与拟合习题解答…56第6章微分方程建模习题解答第7章目标规划习题解答第8章时间序列习题解答……………………………………………87第9章支持向量机习题解答s102第10章多元分析习题解答106第11章偏最小二乘回归分析习题解答…130第12章现代优化算法习题解答136第13章数字图像处理习题解答……………………………143第14章综合评价与决策方法习题解答147第15章预测方法习题解答…………*………………153参考文献………162第1章线性规划习题解答1.1分别用 Matlab和 Lingo求解下列线性规划问题maxzx2x,+x;≤11-4x1+x2+2x3≥3,2x1+x3=1x1,x2,x3≥0解(1)求解的 Matlab程序如下:clc. clearC=[3:-1-’;===a=[1--21;4-1=2];b=[11,-3]’;aeq=[-2.01];beq=1;Ex,y]=linprog(-cs a, b, aeq, beg, zeros(3, 1 ))y=-y8换算到目标函数极大化求得=49,z=2.(2)求解的 Lingo程序如下:modele setsco1:.3/c,x;row:2/blinks( row, col):a;:nse.endsetsdata.a.=1-214-=1-2.;2b=11--3∵,enda三:max=esum( col: C *x)afor(row(i): esum(col(3):a(1 3)*x())

editplus中文版是一款功能强大的文字处理软件。EditPlus汉化版可以充分的替换记事本，EditPlus也提供网页作家及程序设计师许多强悍的功能。支持 HTML、CSS、PHP、ASP、Perl、C/C++、Java、JavaScript、VBScript 等多种语法的着色显示。程序内嵌网页浏览器，其它功能还包含 FTP 功能、HTML 编辑、URL 突显、自动完成、剪贴文本、行列选择、强大的搜索与替换、多重撤销/重做、拼写检查、自定义快捷键，等等。

2017最全华为机试题C/C++（含答案源码)，包含111道上机考试题，欢迎下载，觉得资源好请好评。分别将字符串中的字符转换成整型数字,进行计算后,再转换成字符类型存储起来数为其中和是输入,是的长度,是的长度。是输出4.删除子串,只要是原串中有相同的子串就删掉,不管有多少个,返回子串个数输出删除后的字符串删除子串5.约瑟夫环是一个数学的应用问题:已知n个人(以编号1,2,3..n分别表示)围坐在一张圆桌周围。从编号为k的人开始报数,数到m的那个人出列:他的下一个人又从1开始报数,数到m的那个人又出列;依此规律重复下去,直到圆桌周围的人仝部出列。6.比较一个数组的元素是否为回文数组比较两个数组,要求从数组最后一个元素廾始逐个元素冋前比较,如果2个数组长度不等,则只比较较短长度数组个数元素。请编程实现上述比较,并返回比较中发现的不相等元素的个数比如:数组{1,3,5}和数组77,21,1,3,5}按题述要求比较,不相等元素个数为0数组{1,3,5}和数组:77,21,1,3,5,7按题述要求比较,不相等元素个数为3要求实现函数int array compare(int len1, int array1[], int len2, int array2[l输入】 int len1:输入被比较数组1的元素个数;int array l[]:输入被比较数组1;int lcn2:输入被比较数组2的元素个数;int array2L]:输入被比较数组2【输出】无【返回】不相等元素的个数,类型为int小例1)02: int array1[ =11,3, 5, int len1=3, int array 2=77, 21, 1, 3, 51int e函数返回:02)输入: int array1[]=:1,3,5),int1en1=3, int array2={7,21,1,3,5,7int lend6函数返回:3约瑟大环变种:输入一个由随机数组成的数列(数列中每个数均是大于0的整数,长度已知),和初始计数值m。从数列首位置开始计数,计数到m后,将数列该位置数值替换计数值m,并将数列该位置数值出列,然后从下一位置从新开始计数,直到数列所有数值出列为止。如果计数到达数列尾段,则返回数列首位置继续计数。请编程实现上述计数过程,同时输出数值岀列的顺序比如:输入的随机数列为:3,1,2,4,初始计数值m-7,从数列首位置开始计数(数值3所在位置)第一轮计数出列数字为2,计数值更新m2,出列后数列为3,1,4,从数值4所在位置从新开始计数第二轮计数出列数字为3,计数值更新m3,出列后数列为1,4,从数值1所在位置开始计数第三轮计数出列数字为1,计数值更新m=1,出列后数列为4,从数值4所在位置开始计数最后一轮计数出列数字为4,计数过程完成。输出数值出列顺序为:2,3,1,4。要求实现函数id array iterate(int len, int input array [, int m, int output array [)输入】 int len:输入数列的长度;int Intput array[]:输入的初始数列intm:初始计数值【输出】 int output array[]:输出的数值出列顺序【返回】无示例输入: int input array[13,1,2,4}, int lcn4输出: output array[]2,3,1,4手机弓码合法性:问题描述:我国大陆运营商的手机号码标准格式为:国家码+手机号何,例如:8613912345678。特点如下:、长度13位2、以86的国家码打头3、手机号码的每一位都是数字。请实现手机号码合法性判断的函数要求1)如果手机号码合法,返回02)如果手机号码长度不合法,返回13)如果于机号码中包含非数字的字符,返回24)如果于机号码不是以86打头的,返回3:【注】除成功的情况外,以上其他合法性判断的优先级依次降低。也就是说,如果判断出长度不合法,直接返回1即可,不需要再做其他合法性判断。要求实现函数int verifyMsisdn (chark inMsisdn)【输入】char* inmsisdn,表示输入的手机号码字符串。【输出】无【返回】判断的结果,类型为int示例输入: inMsisdn=“869123456789“输出:无返回:1输入: msisdn=“88139123456789输出:无输入: inMsisdn=“86139123456789“输出:无返简单的四则运算问题描述:输入一个只包含个位数字的简单四则运算表达式字符串,计算该表达式的值注:1、表达式只含,,(,),四则运算符2、表达式数值只包含个位整数(0-9),且不会出现0作为除数的情况3、要考虑加减乘除按通常四则运算规定的计算优先级4、除法用整数除法,即仅保留除法运算结果的整数部分。比如8/3=2。输入表达式保证无0作为除数情况发生5、输入字符串一定是符合题意合法的表达式,其屮只包括数字字符和四则运算符字符,除此之外不含其它任何字符,不会出现计算溢出情况要求实现函数:int calculatc(int lcn, char *cxpStr输入】 int cn:字符串长度;char* cxpStr:表达式字符串【输出】无【返回】计算结果示例1)输入:char* expstr“1+4*5-8/3函数返回:192)输入:char* expStr=“8/3*3”函数返回:6

包含了张先迪 李正良 图论及其应用课后题全部答案，以及经典图论教材的所有答案，在下用这些资料对付了电子科技大学图论课程的所有课后题

对单相桥式整流进行multisim仿真，通过仿真可以观察到与书上理论相仿的结论

完整版，带目录，机器学习必备经典；大部头要用力啃。Machine learning A Probabilistic PerspectiveMachine LearningA Probabilistic PerspectiveKevin P. MurphyThe mit PressCambridge, MassachusettsLondon, Englando 2012 Massachusetts Institute of TechnologyAll rights reserved. No part of this book may be reproduced in any form by any electronic or mechanicalmeans(including photocopying, recording, or information storage and retrieval)without permission inwriting from the publisherFor information about special quantity discounts, please email special_sales@mitpress. mit. eduThis book was set in the HEx programming language by the author. Printed and bound in the UnitedStates of AmLibrary of Congress Cataloging-in-Publication InformationMurphy, Kevin Png:a piobabilistctive/Kevin P. Murphyp. cm. -(Adaptive computation and machine learning series)Includes bibliographical references and indexisBn 978-0-262-01802-9 (hardcover: alk. paper1. Machine learning. 2. Probabilities. I. TitleQ325.5M872012006.31-dc232012004558109876This book is dedicated to alessandro, Michael and stefanoand to the memory of gerard Joseph murphyContentsPreactXXVII1 IntroductionMachine learning: what and why?1..1Types of machine learning1.2 Supervised learning1.2.1Classification 31.2.2 Regression 83 Unsupervised learning 91.3.11.3.2Discovering latent factors 111.3.3 Discovering graph structure 131.3.4 Matrix completion 141.4 Some basic concepts in machine learning 161.4.1Parametric vs non-parametric models 161.4.2 A simple non-parametric classifier: K-nearest neighbors 161.4.3 The curse of dimensionality 181.4.4 Parametric models for classification and regression 191.4.5Linear regression 191.4.6Logistic regression1.4.7 Overfitting 221.4.8Model selection1.4.9No free lunch theorem242 Probability2.1 Introduction 272.2 A brief review of probability theory 282. 2. 1 Discrete random variables 282. 2.2 Fundamental rules 282.2.3B292. 2. 4 Independence and conditional independence 302. 2. 5 Continuous random variable32CONTENTS2.2.6 Quantiles 332.2.7 Mean and variance 332.3 Some common discrete distributions 342.3.1The binomial and bernoulli distributions 342.3.2 The multinomial and multinoulli distributions 352. 3.3 The Poisson distribution 372.3.4 The empirical distribution 372.4 Some common continuous distributions 382.4.1 Gaussian (normal) distribution 382.4.2Dte pdf 392.4.3 The Laplace distribution 412.4.4 The gamma distribution 412.4.5 The beta distribution 422.4.6 Pareto distribution2.5 Joint probability distributions 442.5.1Covariance and correlation442.5.2 The multivariate gaussian2.5.3 Multivariate Student t distribution 462.5.4 Dirichlet distribution 472.6 Transformations of random variables 492. 6. 1 Linear transformations 492.6.2 General transformations 502.6.3 Central limit theorem 512.7 Monte Carlo approximation 522.7.1 Example: change of variables, the MC way 532.7.2 Example: estimating T by Monte Carlo integration2.7.3 Accuracy of Monte Carlo approximation 542.8 Information theory562.8.1Entropy2.8.2 KL dive572.8.3 Mutual information 593 Generative models for discrete data 653.1 Introducti653.2 Bayesian concept learning 653.2.1Likelihood673.2.2 Prior 673.2.3P683.2.4Postedictive distribution3.2.5 A more complex prior 723.3 The beta-binomial model 723.3.1 Likelihood 733.3.2Prior743.3.3 Poster3.3.4Posterior predictive distributionCONTENTS3.4 The Dirichlet-multinomial model 783. 4. 1 Likelihood 793.4.2 Prior 793.4.3 Posterior 793.4.4Posterior predictive813.5 Naive Bayes classifiers 823.5.1 Model fitting 833.5.2 Using the model for prediction 853.5.3 The log-sum-exp trick 803.5.4 Feature selection using mutual information 863.5.5 Classifying documents using bag of words 84 Gaussian models4.1 Introduction974.1.1Notation974. 1.2 Basics 974. 1.3 MlE for an mvn 994.1.4 Maximum entropy derivation of the gaussian 1014.2 Gaussian discriminant analysis 1014.2.1 Quadratic discriminant analysis(QDA) 1024.2.2 Linear discriminant analysis (LDA) 1034.2.3 Two-claSs LDA 1044.2.4 MLE for discriminant analysis 1064.2.5 Strategies for preventing overfitting 1064.2.6 Regularized LDA* 104.2.7 Diagonal LDA4.2.8 Nearest shrunken centroids classifier1094.3 Inference in jointly Gaussian distributions 1104.3.1Statement of the result 1114.3.2 Examples4.3.3 Information form 1154.3.4 Proof of the result 1164.4 Linear Gaussian systems 1194.4.1Statement of the result 1194.4.2 Examples 1204.4.3 Proof of the result1244.5 Digression: The Wishart distribution4.5. 1 Inverse Wishart distribution 1264.5.2 Visualizing the wishart distribution* 1274.6 Inferring the parameters of an MVn 1274.6.1 Posterior distribution of u 1284.6.2 Posterior distribution of e1284.6.3 Posterior distribution of u and 2* 1324.6.4 Sensor fusion with unknown precisions 138