本篇博文为追忆以前写过的算法系列第四篇 温故知新 本篇于2009年发表于百度博客,当时还没接触CSDN.所以是文学和技术博客混淆,只是这个程序博文訪问量突破2000,有不少网友评论互动.应该对非常多人有一定的帮助. 程序介绍了数学建模中经典问题的两种解法,即席位分配问题! %适用于全部情况 BY Gu clear all clc %惯例Q值法分配席位,wy为席位数.ps为人数总和,R为分配方案 wy=19; P=[103 63 34] %菜单选项 MENUN=menu('选择方法','

MATLAB插  值  法 作者:凯鲁嘎吉 - 博客园http://www.cnblogs.com/kailugaji/ 一.实验目的 二.实验原理 三.实验程序 四.实验内容 五.解答 1. 程序 (1)Lagrange插值多项式 function [C, L,L1,l]=lagran1(X,Y) %输出C为插值多项式的系数,L为插值多项式,L1为l的系数,l为小l %输入数据表X=[];Y=[];行向量 m=length(X); L=ones(m,m); for k=1: m V=1; fo

在某些图像处理当中一个关键步是二值法,二值化一方面能够去除冗余信息,另一方面也会使有效信息丢失.所以有效的二值化算法是后续的处理的基础.比如对于想要最大限度的保留下面图的中文字,以便后续的定位处理. 二值化算法包括全局二值化和局部二值化, 全局二值化具有速度快但效果相对差的特点, 局部二值化算法具有速度慢效果好的特点. 原图 全局阈值              方法一:直接采用im2bw ;手动阈值 方法二:迭代法求阈值 迭代式阈值选取的基本思路是:首先根据图像中物体的灰度分布情况,选取一个近似

滑动窗口法--Leetcode例题(连更未完结) 1. 方法简介 滑动窗口法可以理解为一种特殊的双指针法,通常用来解决数组和字符串连续几个元素满足特殊性质问题(对于字符串来说就是子串).滑动窗口法的显著特征是:两个指针同方向运动,且往往要对窗口内每个元素都加以处理. 滑动窗口法(以鄙人目前的程度)来看,大概可以分为两类: 窗口的长度已知,此时双指针可以用一个指针和窗口长度常数来表示. 窗口长度未知,往往对窗口内的元素都加以处理. 滑动窗口法实际上可以理解为是对暴力破解的优化,很多问题复杂度很高的

#-*- coding: utf-8 -*- #确定最佳p.d.q值 import pandas as pd #参数初始化 discfile = '../data/discdata_processed.xls' data = pd.read_excel(discfile, index_col = 'COLLECTTIME') data = data.iloc[: len(data)-5] #不使用最后5个数据 xdata = data['CWXT_DB:184:D:\\'] from stats

Q值基本概念 Q值, 品质因素, Quality Factor 是广泛使用于物理和工程领域的一个参数, 这指的是一个机械或非机械的组件里, 共振(谐振)的能量损失比例, 是衡量一个元件或谐振回路性能的一个无量纲单位. 这个元件可以是电感, 电容, 介质谐振器, 声表面波谐振器, 晶体谐振器或LC谐振器等, 对于谐振电路, 当Q值关联损耗时, 直接影响到谐振电路的中间频率及其频率带宽. Q值越高, 那么存储在谐振中的能量损耗就越慢, 谐振就能存在更长的时间.Q值的大小取决于实际应用, 对不同的应用

Dijkstra的双栈算术表达式求值法,即是计算算术表达式的值,如表达式(1 + ( (2+3) * (4*5) ) ). 该方法是 使用两个栈分别存储算术表达式的运算符与操作数 忽略左括号 遇到右括号时,操作数栈弹出两个操作数,运算符栈弹出一个运算符,两个操作数按运算符计算,将结果压入操作数栈 如表达式(1 + ( (2+3) * (4*5) ) )的计算流程如下: public class StackTest { public static void main(String[] args)

本文从以下四个方面,介绍用Python实现熵值法确定权重: 一. 熵值法介绍 二. 熵值法实现 三. Python实现熵值法示例1 四. Python实现熵值法示例2 一. 熵值法介绍 熵值法是计算指标权重的经典算法之一,它是指用来判断某个指标的离散程度的数学方法.离散程度越大,即信息量越大,不确定性就越小,熵也就越小:信息量越小,不确定性越大,熵也越大.根据熵的特性,我们可以通过计算熵值来判断一个事件的随机性及无序程度,也可以用熵值来判断某个指标的离散程度,指标的离散程度越大,该指标对综合评价

电感的Q值又称为品质因数,即在通过一定频率信号时,感抗与等效损耗之比.品质因数越高即系统损耗越小效率越高,一般为50`100,最高500左右,再大就会烧毁.一般Q值与很多因素有关:绕线粗细,长度与直径比.绕线骨架等,频率越高Q越大,介电陶瓷比铁氧体Q大.,高Q值指高频电感使用时的低损耗和高适应性. 电感的高准确率不等于高Q值. 利用 高Q值场合:调谐回路. 避免高Q值场合:电源退耦电路中,LC自谐振不利于频率的消除. 电感的感抗X=2PIFL,设计时谐振频率点应该远高于工作频率,否则谐振时损毁几

NTC热敏电阻计算器使用方法 NTC热敏电阻计算器 V1.0 10K负温度系数热敏电阻(NTC)温度与阻值对应关系表 Rt = R(25℃)*EXP[B*(1/T - 1/(T+25))] 说明: 1.Rt 是热敏电阻在T1温度下的阻值: 2.R是热敏电阻在T2常温下的标称阻值: 3.B值是热敏电阻的重要参数: 4.EXP是e的n次方: 5.这里T1和T2指的是K度即开尔文温度,K度=273.15(绝对温度)+摄氏度: NTC热敏电阻温度计算方法,Steinhart-Hart方程和B值法 NTC

1, 电容模型 电容阻抗可以表示为: 可算得自谐振频率点为: 在该点,容抗与感抗差为0,电容表现出纯电阻性. 2, 阻抗曲线 自谐点是区分电容器呈容性还是感性的分界点.从阻抗曲线看,在自谐点附近阻抗较小,因此去耦电容都有一定的工作范围,只有在自谐点附近电容才有较好的去耦作用. 3, Q值 因为电容可以等效为RLC串行电路, 因此它也会存在品质因素,即Q值. RLC串联电路Q值定义为谐振时感抗(容抗)与串联电阻的比值: 可见Q值仅与电路参数有关,与工作频率无关. 4, Q值与滤波 Q值与电路频率选

一.mapminmax Process matrices by mapping row minimum and maximum values to [-1 1] 意思是将矩阵的每一行处理成[-1,1]区间,此时对于模式识别或者其他统计学来说,数据应该是每一列是一个样本,每一行是多个样本的同一维,即对于一个M*N的矩阵来说,样本的维度是M,样本数目是N,一共N列N个样本. 其主要调用形式有: 1. [Y,PS] = mapminmax(X,YMIN,YMAX)     % 将矩阵的每一行压缩到 [

那些要求列举所有的情况,或者说所有的情况都要探讨一下的例题,一般都可以考虑回溯法. 当遇到一个可以用到回溯法的时候需要按照如下步骤进行: 1.确定问题一个可以用到回溯法的时候需要按照如下步骤进行: 1.确定问题的一个解空间树,这个解空间树至少包括一个你需要的那个解,否则这个树就完全 没有意义了 2.组织好这棵树,弄明白这棵树的每个节点代表什么,每个分支代表什么 3.从这棵树的根节点不断的向下深搜,当遇到不合适的节点的时候直接跳过以这个节点为根的子树 4.当搜索到了叶子节点的时候就回溯 5.不断的

I=imread('C:\Users\wangd\Desktop\result3.png'); % m = rgb2gray(I); % r = unidrnd(,,); %产生一个1*100的数组,数组中的值为1至255中的随机值 % r1 = randi([,],,); %在开区间(,)生成10 * 100型随机矩阵 subplot(,,);imshow(I); title('原始图像'); : j= randi([,],,); i= randi([,],,); x= randi([,],,

题目传送门 题意:告诉你存在一个未知项系数最高为10的$f(x)$,你最多可以有50次询问,每次询问给出一个$x'$,系统会返回你$f(x')$的值,你需要猜一个$x''$,使得$f(x'')=0$,所有运算都是取模1e6+3下进行的. 思路:拉格朗日插值法的模板题.yyb聚聚的公式 $p(x)=$\sum\limits_{n}^{i=0}$(-1)n-i*p(i)*x*(x-1)*(x-2)*(x-3)*……*(x-n)/((n-i)! * i! * (x-i))$ 所以先暴力询问0-10的所

一.简介 做下记录,今天看了一篇很有意思的文章,学到了这个取值的小技巧 正常的话我们一般都是用对象直接去'.'对应的属性名(也就是键值对的键)来获取对应的值 这里记录的是另一种取值方式,他是采用中括号'[]'来获取对应属性的值 这样写的好处有: 如果事先属对象性的名称未知,或者说调用的属性是动态变化的, 而且这里的属性不存在,也不会报错,只会给出undefined未定义,就可以摆脱点的束缚 用中括号的方式可以最大程度地提升对象调用属性的灵活度! 二.格式 例子:pro["dakeai"

输入成对比较矩阵,输出权重值和一致性检验结果. disp('请输入判断矩阵A(n阶)'); A=input('A='); [n,n]=size(A); x=ones(n,100); y=ones(n,100); m=zeros(1,100); m(1)=max(x(:,1)); y(:,1)=x(:,1); x(:,2)=A*y(:,1); m(2)=max(x(:,2)); y(:,2)=x(:,2)/m(2); p=0.0001;i=2;k=abs(m(2)-m(1)); while k>p

一:上代码 #比例法def rate_method(p,n):    lst =[] #保存各组席位数    sum_ =sum(p)    #人数和    k =0#临时变量    for i in p:        lst.append(i/sum_*n)        k += int(i/sum_*n)     while k!=n:        max_ =0        for i in lst:            max_ =i if (i -int(i)) > max_

目录 一.先定个小目标 二.层次分析法部分 2.1 思路总括 2.2 构造两两比较矩阵 2.3 权重计算方法 2.3.1 算术平均法求权重 2.3.2 几何平均法求权重 2.3.3 特征值法求权重 2.3.4 归一化处理过程 2.4 一致性检验 2.5 对一级指标求解 2.6 对二级指标求解 三.模糊综合评测法部分 3.1 整体思路阐述 3.2 模型的建立和求解 3.2.1 模型的建立 3.2.2 模型的举例求解 四.MATLAB代码 4.1 层次分析法-MATLAB代码 4.2 模糊综合评测法

参考原理博客地址https://blog.csdn.net/u013713294/article/details/53407087 一.基本原理 在信息论中,熵是对不确定性的一种度量.信息量越大,不确定性就越小,熵也就越小:信息量越小,不确定性越大,熵也越大. 根据熵的特性,可以通过计算熵值来判断一个事件的随机性及无序程度,也可以用熵值来判断某个指标的离散程度,指标的离散程度越大,该指标对综合评价的影响(权重)越大,其熵值越小. 二.熵值法步骤 1. 选取n个国家,m个指标,则为第i个国家的第j