现代通信光电子学书中，电导率的推导过程，两种方法。

机器学习课件

1.1 图像和 IMU 预处理 3 1.2 初始化 3 1.3 后端滑窗优化 3 1.4 闭环检测和优化 4 2.1 当前时刻 PVQ 的连续形式 4 2.2

机器学习公式推导以及解析

本教程包含清晰编写的代码，这些代码使用 Matlab 符号工具箱，使用朗朗日方程为各种简单机械系统生成运动方程。 简单系统是单摆和简谐振子。 包括更多具有 2-3 个自由度的系统，如双摆和两个版本的推车杆系统。 最复杂的推导是找到 n-link 摆的方程。

Lorenz方程源于瑞利-贝纳德对流(Rayleigh–Bénard Convection)问题，是混沌与非线性动力学中的重要方程之一。然而，许多文献和国内的教材都没有给出Lorenz方程的详细推导过程。本文将从流体力学基本方程出发给出Lorenz方程的详细推导过程及相关无量纲数的由来并简单分析Lorenz方程的稳定性。

机器学习之神经网络的公式推导与python代码（手写+pytorch）实现 神经网络使用手写数字数据集分别采用纯python代码实现+pytorch框架实现（1.10） 资源包含两份可执行Python代码+完整数据集+讲解PPT

夫琅和费多缝衍射是单缝衍射调制的多光束干涉,是波动光学的重要理论。通过从单缝到多缝衍射的实验观察、研究及有关理论,运用推导多光束干涉和单缝衍射光强分布公式,对夫琅和费多缝衍射仿真验证,启示教学及实验。

13.1 极大似然估计的原理 极大似然的估计原理可以由下面的程序得到说明。我们首先生成 10 个服从 正态分布的总体，每个总体的均值都不同，依次为 0，1，2，3，4，5，6，7，8， 9。方差相同，均为 1。然后我们随机地取出一个总体，从中抽出 10 个样本，因 为事先不知道是从哪一个总体中抽出来的，所以我们分别用已知的 10 个总体参 数值代入似然函数，计算出 10 个似然函数值，取其中 大的似然值，认为该样 本是从相应的总体中取出的（从而联合概率密度也 大化）。然后我们让计算机 告诉我们它是从第几个总体中取样的，并与我们的判断进行对比。 *===========================begin================================== capt prog drop mle prog mle /*生成10个均值不同、方差均为1的正态总体，每个总体取８个样本*/ drawnorm double x0-x9,n(8) m(0,1,2,3,4,5,6,7,8,9) clear global i=int(10*uniform()) //设定一个随机数，用于随机取出一个总体 forv j=0/9 { gen lnf`j' =-0.5*ln(2*_pi)*8-sum(0.5*(x$i-`j')^2) //对取出的总体计算似然值 scalar lnf`j'=lnf`j'[_N] //最终的似然值 } scalar list // 比较10个似然值哪个最大，猜想是从第几个总体取出来的？ end mle *根据10个似然值，猜想是从第几个总体取出来的？ di "所抽中的样本为" as error "X"$i //显示真正的取样总体是什么 *===========================end==================================== 在现实中，我们并不知道任何一个真正的总体参数，因此，只能借助于找到 样本似然值（实际上是联合概率密度的对数值） 大的总体参数，即认为其是总 体参数。在 STATA 中实现 大似然法的估计必须自己编写程序。下面的例子说 明了如何利用 stata 编写程序来实现对模型的极大似然估计。 13.2 正态总体均值和方差的极大似然估计 *===========================begin================================== capt prog drop bb prog bb //定义程序的名称 args lnf u v //声明参数,u 为均值，v为方差 quietly replace `lnf' = -0.5*ln(2*_pi) - ln(`v') -0.5*($ML_y1-`u')^2/(`v')^2 end drawnorm x,n(100) m(10) sd(3) clear//模拟均值为10，方差为3的100个正态样本 ml model lf bb (x=) (variance:) //利用迭代法则进行极大似然估计

内有详细的单基地雷达方程推导