2017年03月_lijil168

12月 04月 03月

转载决策树熵

为了使决策树最优，哪一个属性将在树的根节点被测试？分类能力最好的属性被选作树的根结点的测试。采用不同测试属性及其先后顺序将会生成不同的决策树。定义一个统计属性，称为“信息增益”（information gain），用来衡量给定的属性区分训练样例的能力。度量信息增益的标准为“熵”（entropy）。信息量就是不确定性的多少，熵越大，信息的不确定性越大熵代表一个系

2017-03-31 17:10:54 640

原创利用坐标变换证明惯性主轴方向是惯性矩的极值方向

为了简单，以平面图形为例来证明其惯性矩的主轴方向为惯性矩的极值方向，惯性矩为主惯性矩，主惯性轴相互垂直。令平面图形的主惯性轴作为基矢量的基（主惯性基）为Er，逆时针转α的基为Eb，Eb相对Er的过渡矩阵为Arb，Arb=cos α-sin αsin αcos αEr相对Eb的过渡矩阵为AbrAbr=cos

2017-03-29 22:41:44 2358

原创龙格-库塔（Runge-Kutta）法解微分方程

龙格-库塔(Runge-Kutta)方法是一种在工程上应用广泛的高精度单步算法。由于此算法精度高，采取措施对误差进行抑制，所以其实现原理也较复杂。该算法是构建在数学支持的基础之上的。对于一阶精度的欧拉公式有：　　yi+1=yi+h*K1 　　K1=f(xi,yi) 　　当用点xi处的斜率近似值K1与右端点xi+1处的斜率K2的算术平均值作为平均斜率K*的近似值，那么就

2017-03-29 22:39:01 14973

原创拉氏变换法求解线性常微分方程（系统的零状态响应）

线性微分方程的概念可参考：维基百科http://zh.wikipedia.org/wiki/%E7%BA%BF%E6%80%A7%E5%BE%AE%E5%88%86%E6%96%B9%E7%A8%8B 对于系统的零状态响应求系统的单位脉冲响应函数与输入函数的卷积积分，求系统的单位脉冲响应函数可用系统函数拉氏逆变换求。系统函数H（s）=B(s)/A(s)，对应的单位脉冲响

2017-03-29 22:36:59 10101

原创前n个自然数的平方和的求解方法--经典与独创

用数数办法求解： O OO OOO。。。n个O OO OOO。。。n个O OOO。。。n个O 。。。n个O f(n)=1+2+3+...+n +2+3+...+n +3+...+n ...

2017-03-29 22:34:32 4726

原创常系数线性微分方程的直接解法-利用特征方程

线性系统的最重要的特征是：系统对激励的反应是线性的，而且系统本身是线性的，牢记叠加组合性。例如：二阶线性微分方程 X"＋2Xˊ＋5X=0 ， X︱t=0 =0 ，Xˊ︱t=0 =0 这是个齐次二阶常系数微分方程，对应的初始条件为均0，意味着系统初始状态为0，由于系统无激励，系统的初始状态又为0，所以系统不运动，即X=0。对这种方程，最简单的是根

2017-03-29 22:24:52 7182

原创根2是无理数的几种证明方法

一、几何证明法：对应于欧几里德的辗转相除法求最大公因子。此方法是找BD和BC的公度量，BC为单位长（有理数长度，可公度），如果能找到，则BD长是有理数（可公度），否则是无理数（不可公度）。求公度量的方法是：不断地用较长的那个线段减短的线段，直到两者相等。如上图所示：1、用BD-BC=DE=CF；2、BC-CF=BC-DE=DF；3、DF-DE回到第一步，所以永无止境，故找不到共度量

2017-03-29 22:18:50 5836

原创算术基本定理“质数分解唯一性的证明”：古典方法与现代方法

算术基本定理的最早证明是由欧几里得给出的。每一个比1大的自然数N只能有一种方式分解成质数的乘积。推论：若一个质数p是乘积ab的因子，则p不是a的因子就是b的因子。大于1的自然数必可写成质数之积用反证法：假设存在大于1的自然数不能写成质数的乘积，把最小的那个称为n。自然数可以根据其可除性（是否能表示成两个不是自身的自然数的乘积）分成3类：质数、合数和1。首先，按照定义，n 大于1

2017-03-29 22:14:20 11275 1

转载代数数、超越数、代数函数、超越函数

代數數是滿足整係數代數方程的數。這即是說若是一個代數數，那麼必然存在整数令是以下方程的根：在数论中，超越数是指任何一个不是代数数的数字（通常它是复数）。它满足以下条件——只要它不是任何一个整系数代数方程的根，它即是超越数。最著名的超越数是e以及π。定义超越数是代数数的相反，也即是说若是一个超越数，那么对于任何整数都符合：例子超越数的例子包括：

2017-03-29 22:11:37 10518

原创概率的定义与计算

概率，又称“或然率”、“几率”，它是对一个随机事件的可能性的大小所作的数量方面的估计。随机事件（random event），通常简称为事件，是一个现代归纳逻辑名词，指在一定条件下可能发生也可能不发生的事态或事件，可用大写英文字母A、B、C表示。不同随机事件发生的可能性的大小是不同的，概率就是人们用来表示随机事件发生的可能性大小的一个量。在一定条件下，事件A一定会出现，称之为必然

2017-03-29 22:04:57 7186

原创随机变量与随机过程

随机过程是大量现象的数学抽象。在同样条件下重复同样的试验。下面以汽车车架上一点z向位移的道路试验为例来说明随机变量与随机过程。在同样道路同样车速条件下进行n次汽车道路试验，记录下车架上某点z向位移的时间历程x1(t)， x2(t)， ... xk(t)，... xn(t)。每次记录称作一个样本函数。随机过程是所有样本函数的集合，记作X(t)。在任一采样时刻t1，随机过程的每个样本值都不

2017-03-29 22:02:22 4709

在统计学习理论中发展起来的支持向量机（Support Vector Machines, SVM）方法是一种新的通用学习方法，表现出理论和实践上的优势。SVM在非线性分类、函数逼近、模式识别等应用中有非常好的推广能力，摆脱了长期以来形成的从生物仿生学的角度构建学习机器的束缚。此外，基于SVM的快速迭代方法和相关的简化算法也得到发展。与神经网络相比，支持向量机方法具有更坚实的数学理论基础，可以有效地解

2017-03-29 21:56:51 33977 1

原创数值分析-泰勒公式及泰勒级数

数值分析-由原数据经构造推测数据及误差泰勒级数的定义：若函数f（x）在点的某一临域内具有直到（n+1）阶导数，则在该邻域内f（x）的n｛1,(x-x0),(x-x0)2,(x-x0)3,…,(x-x0)n,…｝看成无限维函数空间的一个坐标系, 其中的函数就是相应的坐标向量,则f(x)就可以看作这个空间的一个点（或一个向量）,则级数的系数组成的数列:

2017-03-29 21:45:14 7198

转载数值分析-拉格朗日中值定理与积分中值定理

拉格朗日中值定理主条目：拉格朗日中值定理拉格朗日中值定理的几何意义如果函数f(x)满足在闭区间[a,b]上连续；在开区间(a,b)内可导，那么在(a,b)内至少有一点ξ(a b)，使等式成立。此定理称为拉格朗日中值定理。拉格朗日中值定理是罗尔中值定理的推广，同时也是柯西中值定理的特殊情形。积分中值定理积分中值定理分为积分

2017-03-29 21:39:30 24519 1

原创数据积分-牛顿科茨法与高斯勒让德法对比及示例

在结点xi上插值f的次数最多是n次的多项式p(x)=∑f(xi)li(x)拉格朗日插值多项式:li(x)= ∏(x-xj)/(xi-xj) 基于插值的数值积分：∫f(x)dx≈∫p(x)dx=∑f(xi) ∫li(x) dx =∑Aif(xi)当结点等距即为牛顿-科茨公式例：设插值多项式是2次，积分区间[0,1],设f(x) ≈p(x)=c0+c1x+c2x2

2017-03-29 21:26:27 3561

原创实模态与复模态分析

实模态与复模态分析对于LTI系统，各点的运动状态在模态条件下具有重要的特征：各点以模态频率做简谐振动，且相互位置保持一定的关系。对于实模态而言，各点的振幅比不变，相位差为0或者pi.设r模态下i质点的振动为xi=фirAircos(prt+φr)фir为模态系数，Air和φr由初始条件确定。对于复模态而言，r模态下i质点的振动为xi=2qre-αrt

2017-03-29 21:20:17 7662 2

转载数学符号大全

1 几何符号 ⊥ ∥ ∠ ⌒ ⊙ ≡ ≌ △ 2 代数符号 ∝ ∧ ∨ ～ ∫ ≠ ≤ ≥ ≈ ∞ ∶ 3运算符号 × ÷ √ ± 4集合符号 ∪ ∩ ∈ 5特殊符号 ∑ π（圆周率） 6推理符号 |

2017-03-29 17:38:20 3949

原创线性代数—学习笔记

对分类超平面方程：+b=0W=∑aj Xj,∑aj +b=0设Xj,Xi均为列矩阵，aj 为数值，则dot([a1,a2,...,am],dot([X1,X2,...,Xm],[Xi,Xi,...,Xi]))=dot([X1,X2,...,Xm],[Xi,Xi,...,Xi])*[a1,a2,...,am]'=Xi' * [X1,X2,...,Xm]*[a1,a2,

2017-03-29 17:34:40 2536

原创 matlab用卷积积分求单自由度阻尼系统响应（零极点模型）

%spring1.m-用卷积积分求单自由度阻尼系统的强迫振动（先求系统的零极点模型）m=1;c=4;K=100;dt=0.015; %dt为卷积积分时的采样间隔w0=sqrt(K/m); %固有频率zeta=c/sqrt(m*K)/2; %固有阻尼系数%系统方程为:y" + 2ζωn y' +ωn^2 y = δ(t) 单位脉冲输入δ(t)%H(s)=Y(s)/F(s)=1/

2017-03-28 21:47:43 2458

原创 matlab用解析法求二自由度阻尼系统的自由振动（先求系统状态方程

%spring2.m-用解析法求二自由度阻尼系统的自由振动（先求系统状态方程组）m1=1;m2=9;k1=4;k2=2; c1=input('c1=');c2=input('c2='); %输入阻尼系数 x0=[1;0];xd0=[0;-1]; %初始条件tf=50;dt=0.1; %时间向量M=[m1,0;0,m2];K=[k1+k2,-k2;-k2,k2]; %二阶参数矩阵

2017-03-28 21:45:05 13066 2

原创 matlab特征值分解法求多自由度系统的固有频率和主振型

多自由度系统的固有频率和主振型可根据系统的无阻尼自由振动方程得到。MX˝+KX=0设解为X=Ae^iωnt可推出：主振型方程（K-ωn^2M）A=0（M^(-1)*K-ωn^2E）A=0特征方程：|M^(-1)*K-ωn^2E|=0 ，此时A有非零解。对矩阵M^(-1)*K特征值分解，即得系统的特征值ωn^2，开方后得到固有频率。将固有频率ωnr带入主振型方程（K-

2017-03-28 21:41:29 36588 6

原创 SH760模态分析-多种解析与数字计算方法

详细分析参考：https://wenku.baidu.com/view/6915c300f08583d049649b6648d7c1c708a10b62 主振型与固有频率；偏频（假设分配系数=1）模态分析：可以清楚地看到模态和主模态之间的关系！！！！！！当取初值x10=1时，仿真的结果为：x1=A11sin(ω1t+φ1)+A12sin(ω2

2017-03-28 21:34:03 2135

原创振型矩阵与正则振型矩阵

%由振型矩阵mode_vec（特征列向量组成）、质量矩阵M求正则振型矩阵mode_vec_nfunction mode_vec_n= mode_n(mode_vec,M)M_p=mode_vec'*M*mode_vec; %求主质量阵n=length(mode_vec);mode_vec_n=zeros(n);for i=1:n mode_vec_n(:,i)=m

2017-03-28 20:22:36 6925

原创非正交坐标系-模态正交的物理及几何意义

模态正交不是指模态向量正交，而是指模态向量关于质量矩阵与刚度矩阵正交，即 Ф(i)TMФ(j) =0Ф(i)TKФ(j) =0物理上表示一模态方向上的力无法影响另一模态方向上的位移及加速度等，故各模态能量独立，不存在能量流动。关于模态的几何意义见下图。系统在主坐标系中绕主坐标轴做主运动，为轨迹在坐标轴上的投影（非垂直投影）。

2017-03-28 20:20:07 4620

原创 SH760二自由度系统自由振动解析法求解

解析方法：先求系统主模态，再将模态向量正则化，将系统转换到正则坐标系进行解耦，求解完成再转换回来。 %解析法求通解：零输入响应。%SH760小轿车空载主要参数clear;m=1340;a=1.54;b=1.29;l=a+b;Ic=2395; %绕质心的转动惯量rou=sqrt(Ic/m);k1=40*1000;k2=44*1000;M=[m*(b

2017-03-28 20:16:15 1118

原创 SH760二自由度系统解析法求全解-过渡及稳态过程

%解析法求特解及全解：简谐力激励的稳态受迫响应与过渡过程。%SH760小轿车空载主要参数clear;m=1340;a=1.54;b=1.29;l=a+b;Ic=2395; %绕质心的转动惯量rou=sqrt(Ic/m);k1=40*1000;k2=44*1000;M=[m*(b^2+rou^2)/l^2,m*(a*b-rou^2)/l^2;m*(a*b-

2017-03-28 20:13:59 651

原创 SH760二自由度系统非周期激励解析法求解

%解析法求非周期激励的响应。采样、卷积积分法。%SH760小轿车空载主要参数clear;m=1340;a=1.54;b=1.29;l=a+b;Ic=2395; %绕质心的转动惯量rou=sqrt(Ic/m);k1=40*1000;k2=44*1000;M=[m*(b^2+rou^2)/l^2,m*(a*b-rou^2)/l^2;m*(a*b-rou^2)

2017-03-28 20:10:04 412

原创 matlab虚拟现实仿真

clear;%SH760小轿车空载主要参数m=1340;a=1.54;b=1.29;Ic=2395; %绕质心的转动惯量k1=40000;k2=44000;M=[m,0;0,Ic];K=[k1+k2,-(k1*a-k2*b);-(k1*a-k2*b),k1*a^2+k2*b^2]; [eig_vec,eig_val] = eig(inv(M)*K);

2017-03-28 20:05:11 1968

原创 matlab几何计算程序集

一、求矢量长度（模） function x=leng(a)x=sqrt(sum(a.^2)); 二、求矢量的夹角 function ang=ang(a,b)ang=acos((a'*b)/leng(a)*leng(b)); 三、求点到线上的垂足 %求点到线上的垂足；P0线外点，P1线上点，n线的方向；function P=point_po2l(P

2017-03-28 20:00:54 1105

原创 ss状态空间方程matlab计算

k1=1000;k2=2000;k3=3000;m1=1;m2=2;alpha=1;beta=0.005;M=[m1,0;0,m2];K=[k1+k2,-k2;-k2,k2+k3];n=size(M,1);C=alpha*M+beta*K;ssA=[zeros(n),eye(n);-M\K,-M\C];ssB=[C,M;M,zeros(n)]\[eye(n)

2017-03-28 19:57:27 11262

原创 ss模型复模态的物理意义及adams复模态振型求解

adams可以线性化输出SS状态空间ABCD矩阵，根据A可以进行系统复模态计算。A可看作是角频率张量矩阵，由模态矩阵进行坐标变换解耦后可以得到所有的模态参数，特征向量（模态系数）为复数不仅影响幅值，还影响相位角，而特征值为复数，其虚部为阻尼频率，而实部会使振动随时间衰减。 GX˙+HX=0ФTGФ Ф-1X˙+ФTHФ Ф-1X=0将X˙转换到主模态基下，G转换

2017-03-28 19:48:37 1932

转载 SVM分类方法

http://blog.csdn.net/v_july_v/article/details/76248371、要对特征值Xi进行分类，可设决策函数是所有Xi的函数，分类函数是这样的：或者 f(x)= W'*x+b;W=Σαi*yi*xi 分类函数由所有特征值Xi的权重αi和阀值b决定。

2017-03-27 23:12:52 1896

原创核函数的充要条件-Mercer定理的证明

核函数的充要条件是K矩阵是半正定的。将K特征值分解，有V'KV=∧,K=V∧V' 经特征映射将属性值映射到特征空间Ф：xi->sqrt(λ:)*Vi: （根号对角特征值阵*第i点对应的特征向量阵的第i行阵）核函数K(x,z)对应于特征映射Ф的核函数=

2017-03-27 23:04:24 14722 2

原创机器学习：利用核函数进行非线性分类

%Preceptron4.m%感知机算法（对偶形式）利用核函数完成分类算法%f(X)=W'*X+b%f([X;1])=[W;b]'*[X;1] 增加维数，简化计算%设W初始为0时，权重W是训练点的线性组合：W=Σaj*yj*Xj%类别yi决定了Xi的系数，ai>=0,正比于被误分后权重更新的次数，可看作Xi信息量的指示%误分判据 yi*((W'*Xi)+b)%%%%%%

2017-03-27 22:55:48 2417

原创机器学习：空间变换进行非线性分类

%Preceptron3.m%感知机算法（对偶形式）%f(X)=W'*X+b%f([X;1])=[W;b]'*[X;1] 增加维数，简化计算%设W初始为0时，权重W是训练点的线性组合：W=Σaj*yj*Xj%类别yi决定了Xi的系数，ai>=0,正比于被误分后权重更新的次数，可看作Xi信息量的指示%误分判据 yi*((W'*Xi)+b)%%%%%%%%%%%%%%%%%

2017-03-27 22:09:54 1881

原创 Python矩阵计算

# coding=gbk #防止出现中文编译错误import numpy as np list_x=[[1,1],[92,2]] #列表array_x=np.array(list_x) #将列表转化成二维数组mat_x=np.mat(list_x) #将列表转化成矩阵mat_x_t=mat_x.T #矩阵转置mat_x_p=mat_x.I #矩阵求逆sum_r=ma

2017-03-26 22:28:37 2752

原创数理统计概念

1、总体：研究对象的全体X。2、个体：组成总体的每一个元素。3、简单抽样：从总体X中抽出X1,...,Xn个体。代表性：样本与总体同分布，各个体抽到的机会均等。独立性：各样本元素相互独立，抽出样本后，总体元素近似不变。4、样本：简单抽样对应的随机向量（X1,...,Xn)为总体X的一个样本，其所有可能的取值的集合为样本空间，每次抽样所得的具体数值

2017-03-23 18:12:15 2621

原创概率论基本概念

1、随机试验T：同条件可重复进行，结果预知但不能确定。2、基本事件（样本点）：随机试验的每一个可能结果，其集合（所有结果）构成样本空间。3、随机事件A：随机试验中，对一次试验而言，可能出现或者不出现的事情。为基本事件的集合，样本空间的子集。4、概率：随机事件出现可能性大小的数值。5、古典概型：结果有限，机会均等。6、古典概型中，事件A的概率P（A）=事件A包含的基本事件数/基本

2017-03-22 16:55:10 1822