该代码实现了所谓的 Faddeev-Leverrier 算法来计算给定矩阵的特征多项式的系数，并在没有额外成本的情况下获得矩阵的逆。

针对一类多关节机器鱼推进速度的调节, 提出一种运动学建模与控制匹配设计的新方法. 以可控性为目标, 建立了基于能量转化系数的鱼尾摆动规律与推进速度性能参考(SSPR) 模型, 系统已知参数把能量转化率收敛到一个可控可调节范围. 自适应迭代学习控制策略与之匹配, 能适时辨识并周期性地更新该模型的能量转化系数, 实现机器鱼在陌生水环境中的推进速度自调节. 仿真分析验证了该模型和控制方法的正确性.

icp手写svd以及迭代算法求解旋转平移矩阵

基于迭代时间反演方法的周期性分层介质相对介电常数的确定

四、背景音乐数据;五、人物属性数据;六、脚本文件，AVGSCRIPT封装: 1. 将所有的人物属性设置为私有变量封装;2. 将所有图片封装,将所有音乐封装;3.

Q-learning with epsilon-greedy explore Algorithm for Deterministic Cleaning Robot V1 确定性清洁机器人 MDP 清洁机器人必须收集用过的罐子也必须为其充电电池。 状态描述了机器人的位置和动作描述运动的方向。 机器人可以向左移动或向左移动正确的。 第一个 (1) 和最后 (6) 个状态是终端状态。 目标是找到最大化回报的最优策略从任何初始状态。 这里是 Q-learning epsilon-greedy 探索使用算法（在强化学习中）。 算法 2-3，来自： @book{busoniu2010reinforcement, title={使用函数逼近器的强化学习和动态规划}， 作者={Busoniu，Lucian 和 Babuska，Robert 和 De Schutter，Bart 和 Ernst，Damien

机器人控制仿真程序，全书以机器人为对象，共分10章，包括先进PID控制、神经网络自适应控制、模糊自适应控制、迭代学习控制、反演控制、滑模控制、自适应鲁棒控制、系统辨识和路径规划。每种方法都给出了算法推导，实例分析和相应的MATLAB仿真设计程序

为解决在多径环境下，部分正交频分复用(OFDM)子载波可能遭受深衰落而导致系统性能严重下降的问题，该文提出了一种准循环低密度奇偶校验(QC-LDPC)编码的OFDM系统。在该系统中，编码后的校验比特被映射到更高阶的星座图中，并在迭代译码中采用Group Shuffled消息传递调度。根据码字比特映射方式的不同，利用基于Group Shuffled置信传播的密度演进的高斯近似对QC-LDPC码进行了优化。加性．高斯白噪声和Rayleigh衰落信道下的仿真结果表明，该系统具有更好的纠错性能和更快的译码收敛速度

torchtext的使用总结，并结合Pytorch实现LSTM 版本说明 PyTorch版本：0.4.1 火炬文字：0.2.3 python：3.6 文件说明 Test-Dataset.ipynb Test-Dataset.py使用torchtext进行文本预处理的笔记本和py版。 Test-Dataset2.ipynb使用Keras和PyTorch进行数据集进行文本预处理。 Language-Model.ipynb使用gensim加载预训练的词向量，并使用PyTorch实现语言模型。 使用说明 分别提供了笔记本版本和标准py文件版本。 从零开始逐步实现了torchtext文本预处理，

fixed_point_iteration 使用定点迭代计算单变量函数的不动点。 句法 c = fixed_point_iteration(f,x0) c = fixed_point_iteration(f,x0,TOL) c = fixed_point_iteration(f,x0,[],imax) c = fixed_point_iteration(f,x0,TOL,imax) c = fixed_point_iteration(__,'all') 描述 c = fixed_point_iteration(f,x0)返回函数的固定点 由函数句柄f指定，其中x0是固定点的初始猜测。 默认容差和最大迭代次数分别为TOL = 1e-12和imax = 1e6 。 c = fixed_point_iteration(f,x0,TOL)返回函数的固定点 由功能句柄f指