共轭梯度法 参考 共轭梯度法(ENG) OR기울기법 (KOR) 共轭梯度法（CG） 共轭梯度法是一种算法，用于求解线性方程组的特定系统，即矩阵且方程组的数值解。 共轭梯度法通常实现为，适用于太大而无法通过直接实现或其他直接方法（例如Cholesky分解）处理的稀疏系统。 成本函数 假设我们要求解 (P1) A * x = b : matrix ver. 或者， (P2) A( x ) = b : function ver. 对于向量x ，其中已知nxn矩阵A是对称的（即A ^ T = A），正定的（即x ^ TA x> 0对于R ^ n中所有非零向量x）和实数，并且b也被称为。 我们用x^*表示该系统的唯一解。 用于解决问题的基本迭代CG（矩阵版本） function [x] = conjgrad(A, b, x) r = b

引入溶质扩散平移方程和Fick扩散定理来模拟瓦斯的流动扩散行为,应用N-S方程和Brinkman方程构建工作面和采空区气体流动模型,并将两个模型有机地联系在一个统一的流动场中,基于质量守恒和压力平衡,建立出采煤工作面瓦斯流动的物理模型。进风巷道、回风巷道、工作面以及采空区瓦斯涌出和扩散被有效地联系在了一起,应用COMSOL Multiphysics多物理耦合分析工具求解该物理模型。模型计算结果表明:该模型能够模拟工作面和采空区瓦斯浓度分布,并能对瓦斯专排巷的位置布置、工作面通风方式优劣进行对比判断,对于采煤工作面有一定的适用性。

该代码是MATLAB的原始Fortran代码的MATLAB改编，该代码最初在唐纳德·帕斯夸莱·里扎塔（Donald Pasquale Rizzetta）的博士学位论文“通过压缩和膨胀角的二维粘性超音速和高音速流的渐近解”中找到，网址为： https://etd.ohiolink.edu/!etd.send_file?accession=osu1487001556866613&disposition=inline 如果外部压力梯度恒定的条件放宽，边界层方程可用于模拟流动分离。 该代码针对比例缩放的坡度梯度，求解了适用于三层甲板边界层模型的内层的边界层方程。 后处理文件需要cmocean和export_fig，位于： https://uk.mathworks.com/matlabcentral/fileexchange/57773-cmocean-perceptually-unifor

解微分方程的代码，包括有限差分法，有限元法，谱方法，写的很详细。很好用。

matlab的欧拉方法代码高效PIDE-2D 作者：Gujji Reddy，Alan Seitenfuss，Debora Medeiros，Luca Meacci，MiltonAssunção和Michael Vynnycky 为二维空间上非结构化网格上的抛物线积分微分方程的数值解提供了简短的MATLAB实现。 三角形上的分段线性有限元空间用于空间离散化，而时间离散化则基于后向欧拉法和Crank-Nicolson方法。 选择正交规则以离散化Volterra积分项，以便与时间步长方案一致。 此外，在组装过程中使用矢量化技术介绍了该代码的有效版本，并进行了比较研究。 数值例子证明了该代码的灵活性。 有六个zip文件，其中包含必要的MATLAB文件： BE-LRR-unvectorized.zip （后向Euler，左矩形规则，未向量化）； BE-LRR-vectorized.zip （向后Euler，左矩形规则，矢量化）； BE-RRR-unvectorized.zip （后向Euler，直角矩形规则，未向量化）； BE-RRR-vectorized.zip （向后Euler，直角矩形规则

MATLAB四阶龙格库塔法 求解微分方程数值解 源程序代码.7z

一节课精通matlab入门求微分方程组的通解特解数值解，包括详细的代码资料和讲解注释

3.4 领域情感词典的构建 (1) 确定种子词集合。根据所选领域的特点, 制定 相应的选择标准, 抽取语料库中的词语作为种子词, 加入到种子词集合中; (2) 确定候选情感词集合。首先将种子词转换成 对应的词向量, 根据相似度计算公式(向量的余弦计算 公式)求得与每个种子词最相似的n个词语作为候选情 感词集合; (3) 利用训练好的情感分类器判断每个候选词的 情感极性。最后整合上述分类器输出的带有情感极性 的候选词语, 添加到面向特定领域的情感词典中。 4 实验及结果分析 为了验证该方法的有效性, 本文设计实验进行验 证, 主要验证以下两点假设: 假设 1: 本文提出以词向量训练分类器判断词语 情感极性的方法优于直接利用词向量的语义相似度判 断词语情感极性。 在情感分析领域, 大部分常规机器学习方法, 如 决策树、支持向量机等, 都能够构建分类器来判断词 语的情感极性。由于自然语言的特殊性(直接特征不足, 需要转换成词向量进行分析, 特征数即为词向量的维 度), 使得支持向量机的表现优于其他机器学习算法。 假设 2: 深度学习中, 神经网络训练的分类器在 判断词语情感极性任务中的性能优于支持向量机 (SVM)训练的分类器。 4.1 实验 1: 构建基于词向量的神经网络分类器 实验使用的语义知识库包括 NTUSD; 清华大学 李军情感词典; HowNet情感词典中的正负情感词语以 及 DUTIR。语料库的获取主要借助 Python 所编写的 爬虫程序, 采集 2017 年 4 月 19 日–2017 年 10 月 9 日 的新浪财经新闻, 共计 9 422 篇, 每篇新闻均以 txt 的 形式进行存储。 对语料库进行数据预处理(去停用词、去无关符 号)与分词(构建自定义词典: 将所有股票名称和股票 代码作为一个词典, 防止分词时被切分)。抽取融合词 典与语料库的交集词汇作为训练语料, 结果如表 2 所 示。最后以语料库为对象, 使用 Word2Vec 方法生成词 向量模型, 其中每个词向量的维度为 100。 表 2 词典中的词出现在语料库中的情况表 交集的积极词数量 交集的消极词数量 总计 3 128 2 850 5 978 基于准备好的训练语料, 按照实验设计方案构建 神经网络分类器。经过 6 700 次训练后, 得到训练集准 确度为 95.02%, 预测集准确度为 95.00%。显然, 模型 的效果良好, 并没有出现过拟合和欠拟合的现象。 接着确定种子词集合。由于本文重点不在于研究 种子词抽取规则, 因此不作深入探讨。通过信息检索, 参考相关论文及结合本文语料库, 选择 20个能够代表 金融领域的词汇作为种子词集合, 如表 3 所示。 表 3 金融领域种子词集合 金融领域种子词集合 大涨, 大跌, 股票, 平仓, 牛市, 熊市, 走高, 拉升, 雄起, 利好, 利空, 清仓, 套牢, 抄底, 反弹, 减持, 乏力, 退市, 撤离, 亏 词向量最大的特点是将语义信息用向量的形式进 行分布式表示。词向量之间的余弦值能够表示词语之 间的相关性程度。通常直接利用词向量构建情感词典 的方式为: 判断种子词的情感极性, 利用词向量找出 与种子词最相似的词语集合, 与积极种子词相似的词 语被认为是积极情感词, 与消极种子词相似的词语被 认为是消极情感词, 从而构建情感词典。本文对上述 种子词集合中的种子词的情感极性进行人工判断, 找 出与每个种子词最相似的词语(取相似度最高的前 10 个词语)。对金融语料的研究发现, 绝大部分金融领域 的情感词词性为形容词或者动词, 因此在取相似度最 高的词语的过程中加入词性过滤, 仅选择形容词和动 词, 最后对积极和消极的词语分别去重, 得到情感词 典(消极词语 61 个, 积极词语 41 个)。 笔者认为仅根据词向量的相似度判断词语情感极 性的判断并不准确。因为词向量仅仅保留语义信息, 而语义信息并不能代表情感信息, 存在情感极性相反 的词语在语义关系比较相似, 如“跌”显然表示消极情

人工智能-带跳的随机时滞Hopfield神经网络数值解的指数稳定性.pdf

科学计算方法21(常微分方程数值解).ppt