矩阵乘法

题目描述:如果A是个x行y列的矩阵,B是个y行z列的矩阵,把A和B相乘,其结果将是另一个x行z列的矩阵C。这个矩阵的每个元素是由下面的公式决定的
在这里插入图片描述

矩阵的大小不超过100*100

题目地址:
https://www.nowcoder.com/questionTerminal/ebe941260f8c4210aa8c17e99cbc663b


import java.util.Scanner;

public class Main {
	public static void main(String[] args) {
		Scanner sc = new Scanner(System.in);
		while(sc.hasNext()) {//多组矩阵输入
			
			
			int r = sc.nextInt();
			int c = sc.nextInt();
			int n = sc.nextInt();
			 
			int[][] array1 = new int[r][c];
			int[][] array2 = new int[c][n];
			int[][] result = new int[r][n];
			
			
			for (int i = 0; i < array1.length; i++) {// 初始化
				for (int j = 0; j < array1[i].length; j++) {
					array1[i][j] = sc.nextInt();
					
				}
			}
			for (int i = 0; i < array2.length; i++) {// 初始化
				for (int j = 0; j < array2[i].length; j++) {
					array2[i][j] = sc.nextInt();
					
				}
			}
			solve(array1,array2,result);
		
			for (int i = 0; i < result.length; i++) {//输出矩阵
				for (int j = 0; j < result[i].length; j++) {
					System.out.print(result[i][j] + " ");
				}
				System.out.println();//换行
			}
		}

	}
	public static int[][] solve(int[][] a,int[][] b,int[][] result){
		int x=a.length;
		int z=b[1].length;
		for (int k = 0; k < x; k++) {// r
			for (int i = 0; i < z; i++) {//  n
				int temp=0;
				for (int j = 0; j < b.length; j++) {// c
					
					temp += a[k][j] * b[j][i];// result[k][i]+= array1[k][j] * array2[j][i];
					
				}
				result[k][i] = temp;
				
				
			}
			
		}
		return result;
	}

}

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
作为一种重要的身份认证的手段,人脸识别已经广泛地应用于管理、安全等各个领域。人脸识别的一个关键性的问题是特征抽取,即如何从众多的特征中寻找最有效的特征。子空间分析法是一种有效的特征抽取方法,而本文所研究讨论的非负矩阵分解(Non-negative Matrix Factorization, NMF)具有一些独特的优点,成为构建特征子空间的一种有效的方法。 非负矩阵分解是一种新的矩阵分解方法,它将一个非负矩阵分解为左右两个非负矩阵的乘积。由于分解前后的矩阵中仅仅包含非负元素,因此原来矩阵中的列向量可解释为对左矩阵中所有列向量(称基向量)的加权和;而权重系数为右矩阵中对应列向量中的元素。这种基于基向量组合的表示形式具有直观的语义解释,反映了人们思维中局部构成整体的概念。与一般矩阵分解方法相比,NMF具有其独特的优点。例如实现起来比较简单,分解的形式和结果具有实际的物理意义等。典型的非监督学习算法,如主分量分析(PCA)、矢量量化(VQ)、独立分量分析(ICA)、因子分析(FA)等,均可以理解为对原始数据矩阵在一定条件限制下进行分解。本文的非负矩阵分解(NMF)算法与上述算法模型类似,是国际上新近提出的一种矩阵分解方法。与其他方法相比,NMF特殊之处在于其对于矩阵分解过程的非负限制,这会得到原始数据基于部分的表示,从而能更好的反映原始数据的局部特征,NMF的这一特性使得其可在诸多领域的应用得到很好的效果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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