寻找三元素集合上所有拓扑

设集合X={a,b,c}

以三元素向量表示一个集合,1表示含有此位置元素,0表示不含,如(1,1,0)表示集合{a,b},(0,0,1)表示集合{c}。

 

编写n个集合交运算的函数:

 

function f=intersection(x)
%求交集,x每列为一集合
f=sum(x,2);
f(f==length(x(1,:)))=10000;
f(f~=10000)=0;
f=f/10000;
end

编写n个集合并运算的函数:

 

function f=union(x)
%求并集,x每一列为一个集合
f=sum(x,2);
f(f>0)=1;
end

 编写u是否含于x的函数,含于返回1,否则返回0:

function flag=hanyu(u,x)
for i=1:length(x(1,:))
    if u==x(:,i)
        flag=1;
        break
    else 
        flag=0;
    end
end

编写主程序:

 

clc,clear
%寻找三元素集合上的所有拓扑
%下面生成所有非平凡子集
X_subsets=[[0 1 0]',[1 0 0]',[0 0 1]',[1 1 0]',[1 0 1]',[0 1 1]'];
n=length(X_subsets(1,:));%所有子集个数
sol=[];%可行解初始化
numm=0;
for i=1:n-1
    spacename=nchoosek(1:n,i);
    for j=1:length(spacename(:,1))
        space=[X_subsets(:,spacename(j,:)),[0 0 0]',[1 1 1]'];
        dimspace=length(space(1,:));%目前选出来的空间的含的集合数
        flag1=0;flag=[];flag2=0;
        %有限交的检查
        for k=1:dimspace
            jiancha=nchoosek(1:dimspace,k);
            for o=1:length(jiancha(:,1))
                space(:,jiancha(o,:));
                jiann=intersection(space(:,jiancha(o,:)));
                jian=hanyu(jiann,space);
                if jian==0
                    flag1=1;
                    break
                end
            end
            
            if flag1==1
                break
            end
        end
        flag=[flag,jian];
        %并的检查
        for q=1:dimspace
            jiancha=nchoosek(1:dimspace,q);
            for p=1:length(jiancha(:,1))
                jiann2=union(space(:,jiancha(p,:)));
                jian2=hanyu(jiann2,space);
                if jian2==0
                    flag2=1;
                    break
                end
            end
            if flag2==1
                break
            end
        end
        flag=[flag,jian2];
        if flag==1
            sol=[sol,[8;8;8],space];
            numm=numm+1;
        end
    end
    
end

fprintf('sol中每个拓扑之间以8为界,其中包含所有X上非平凡拓扑')

运行成功,numm=27,共27个非平凡拓扑。

下面将matlab语言翻译为python语言

 交运算:

def intersection(x):
    import numpy 
    x=numpy.array(x)
    f=numpy.sum(x,1)
    f[f==len(x[1,...])]=1000
    f[f!=1000]=0
    f[f==1000]=1
    return f

并运算:

def union(x):
    import numpy
    x=numpy.array(x)
    f=numpy.sum(x,1)
    f[f>0]=1
    return f

含于:

 


def hanyu(u,x):
    import numpy as np
    x=np.array(x)
    u=np.array(u)
    u=np.transpose(u)
    n=len(x[1,...])
    for i in range(0,n-1):
     if all(u==x[...,i]):
         flag=1
         break
     else:
         flag=0
    return flag

主程序:

 

import numpy as np
from itertools import combinations
from baohan import hanyu
from bing import union
from jiao import intersection
#下面生成所有非平凡子集
X_subsets=np.array([[0,1,0,1,1,0],[1,0,0,1,0,1],[0,0,1,0,1,1]])
n=len(X_subsets[0,...])
sol=np.array([])
num=0
for i in range(1,n-1):
    spacename=np.array(list(combinations(range(0,n-1),i)))
    for j in range(0,len(spacename[...,0])-1):
        space=np.concatenate((X_subsets[...,spacename[j,...]],np.array([[0],[0],[0]]),np.array([[1],[1],[1]])),axis=1)
        dimspace=len(space[0,...])
        flag1=0,flag=1,falg2=0
#有限交的检查
        for k in range(1,dimspace):    
            jiancha=np.array(list(combinations(range(0,dimspace-1),k)
            for o in range(0,len(jiancha[...,0])-1):
                jiann=intersection(space[...,jiancha[o,...]])
                jian=hanyu(jiann,space)
                if jian==0:
                    flag1=1
                    break
            if flag1==1:
                break

        flag=flag*jian
        #所有并的检查
        for q in range(1,dimspace):
            
            jiancha=np.array(list(combinations(range(0,dimspace-1),q)
            for p in range(0,len(jiancha[...,0])):
                jiann2=union(space[...,jiancha[p,...]])
                jian2=hanyu(jian2,space)
                if jian2==0:
                    flag2=1
                    break
            if flag2==1:
                break
        
        flag=flag*jian2
        if flag==1:
            sol=space
            print('---------------------------')
            print(space)
            print('----------------------------')
            num=num+1
num=num+2
print('总数是:\n')
print('       ')
print(num)

 

运行失败,反馈语法错误在第二十行 ,尝试改也找不出来,还是matlab找错误方便。

掰掰

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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