寻找最小边界球（又名最小包围球）的问题在许多应用中经常遇到，包括计算机图形学和模式识别。 虽然存在许多用于查找此类球体的相对简单的算法，但在 Matlab 中没有可以轻松在线找到这些算法的稳健实现。 本提交中包含的功能旨在填补这一空白。 可以使用函数“ExactMinBoundSphere3D”和“ExactMinBoundCircle”计算精确的最小边界球体和圆，这两个函数都实现了 Wezlz 的算法 [1]。 可以使用“ApproxMinBoundSphereND”函数计算任何维度的近似最小边界球体，该函数实现了 Ritter 算法 [2]。 为方便起见，我还包含了函数“VisualizeBoundSphere”和“VisualizeBoundCircle”，它们允许您使用各自的最小边界球体/圆来可视化输入点云（或网格）（参见演示图片）。 要演示如何使用这些函数，请下载附带的

近似帕累托边界的超体积。 首先，它生成乌托邦和反乌托邦定义的超长方体中的随机样本点。 其次，它统计了前沿占优势的样本数。 超体积近似为“支配点数/总点数”的比率点'。 请注意，选择乌托邦和反乌托邦的方式是关键：使用离边界很远的点会导致类似的即使对于非常不同的边界（如果乌托邦太远） 离开，超级音量将始终很低； 如果反乌托邦太远离开，超音量将始终很高）。 此外，“超出”参考点的边界点将不会被计算在内对于近似（例如，如果反乌托邦在边界之上或乌托邦在下面，超体积将为 0）。 输入： - F ：要评估的帕累托前沿- AU：反乌托邦点- U : 乌托邦点- N : 近似的样本数 输出： - hv : 超音量

包括两个函数：Fseries.m 和 Fseriesval.m [a,b] = Fseries(X,Y,n) 拟合形式的 n 阶傅立叶展开y = a_0/2 + Sum_k[ a_k cos(kx) + b_k sin(kx) ] 使用最小二乘法拟合向量 X 和 Y 中的数据。 Y = Fseriesval(a,b,X) 计算由系数 a 和 b 在向量 X 中的值定义的傅立叶级数。 额外的参数允许重新缩放 X 数据和仅正弦或仅余弦的扩展。 例子： % 生成数据x = linspace(0,2,41)'; y = mod(2*x,1); % 使用 FSERIES 来拟合[a,b,yfit] = Fseries(x,y,10); % 在更精细的网格上进行评估xfine = linspace(0,2)'; yfine = Fseriesval（a，b，xfine）; ％可视化结果情节（x

线性回归 这是以下技能的锻炼。 Kotlin（以前有一些Java组合） 最小二乘近似（线性回归） 线相交 JetPack数据绑定 路径/线图 路径/线 使用绘画类渲染接触点和回归线（超过2个点） 最小二乘近似 我们确定最接近数据点且误差最小的线。 该代码在下面引用的数值分析文本的第8.1章中定义。 正交线 点到线的最短距离始终是正交的。 我们可以使用以下坡度截距公式找到每个交点。 Kotlin 这是Kotlin练习（带有一些以前的Java类），并且使用了数据绑定。 笔记 该代码库无法处理以下失败情况。 旋转-没有执行任何保留点或重新渲染的操作。 排序-点“不”排序； 因此从左->右触摸屏幕（添加点）！ 参考 数值分析，第5版，Burden，第8.1章，第436-442页离散最小二乘近似 Adobe Flex中的练习演示

使用CUDA和GPGPU为稀疏矩阵生成近似逆预处理器

行业分类-设备装置-基于云平台的消除近似重复网页方法.zip

一种基于超平面的电力系统实用近似静态安全域及其求解方法.pdf

广义Pareto分布(generalized Pareto distribution，GPD)是统计分析中的一个极为重要的分布．对基于广义 Pareto分布的若干个样本分位数进行了研究．首先，求解具有较高精度的形状参数的参数估计；其次，得出广义 Pareto分布位置参数及尺度参数的近似广义最小二乘估计．本方法简单易行，对形状参数的存在条件没有限制，通过Monte Carlo模拟验证了该方法具有较高的精度．

弹性圆柱体频散方程高阶纵模式波的近似解，崔志文，张精，我们基于Ahmad给出的弹性圆柱体中在速度位于纵横波之间的高阶模式波频散的一个简单近似公式基础上进一步顾及二级小量，使近似频散�

调度在企业制造系统中起着关键作用，因为它大大提高了效率和竞争力，这一点已被广泛接受。 流水车间调度问题是一种典型的问题，涉及许多实际问题。 由于流水车间调度问题是NP难题，因此在大规模情况下，在较短的CPU时间内获得令人满意的解决方案具有实际价值。 拉格朗日松弛（LR）是一种可以处理大规模可分离问题的方法。 通过LR方法，可以将一个复杂的问题分为几个较小的子问题，这些子问题更容易解决。 但是，存在一个关键挑战，即拉格朗日乘数可能会缓慢收敛。 本文提出了一种新的概率近似次梯度法（PASG），其中使用智能优化算法来获取适当的方向以改进拉格朗日乘数。 PASG方法可以合理地分配计算时间，并在有限的计算时间内获得令人满意的进度表。 随着计算时间的延长，获得最佳解的可能性收敛至1。PASG方法的有效性通过对大规模和长期水平问题的数值测试结果得到证明。