矩阵式键盘识别例程.doc

矩阵键盘使用说明.doc

4×4矩阵式键盘识别技术.doc

4×4 矩阵式键盘识别.doc

包包括两个 m 文件：函数 candelinc2.m 和演示脚本 demo_script.m，它创建合成数据集并使用 candelinc2 对其进行分解。 另请参阅函数 fcnnls.m，该函数也可在 Mathworks File Exchange 上找到。

三元组表形式输入的稀疏矩阵快速转置严格按照严蔚敏版算法实现 带有注释和算法分析

细节增强的matlab代码DMFLDA2 这是一个深度学习框架，可通过整合线性和非线性特征来增强用于预测lncRNA-疾病关联的传统矩阵分解方法。 要求 tensorflow == 1.3.0 numpy == 1.11.2 scikit-learn == 0.18 scipy == 0.18.1 用法 在这个GitHub项目中，我们提供了一个演示来展示DMFLDA的工作原理。 在data_processing文件夹中，我们提供了我们在研究中使用的以下数据集。 lda_interMatrix.mat是具有matlab格式的原始lncRNA-疾病相互作用矩阵。 它的形状是577个lncRNA x 272种疾病。 matrix.npy是numpy格式的lncRNA-疾病相互作用矩阵。 data.pkl用于存储采样的正样本和负样本。 u_feature.npy是我们研究中使用的SVD技术的U矩阵，其形状为577x64。 v_feature.npy是我们研究中使用的SVD技术的V矩阵，其形状为272x64。 在我们的演示中，我们提供了留一法的交叉验证来评估我们的模型。 您可以使用cross_v

matlab代码求含参量矩阵特征值统计压缩感知 基于贝叶斯统计实现压缩感知。 给定的 地图估计 我们找到给定y 、 Φ和Σ的x的最大后验 (MAP) 估计。 首先，我们使用贝叶斯定理 取导数找到 MAP 估计的封闭形式 使用 Woodbury 矩阵 Identity 优化逆计算 MAP估计的最终封闭形式 生成协方差矩阵 (Σ) 假设：协方差矩阵的第i个特征值的形式为：对于所有i s， i - α 。 选择一个大小为n x n的随机正交矩阵U。 定义大小为n x n的对角矩阵D ，其中对角线项为i - α 。 协方差矩阵， Σ定义为UDU' 。 实验 我们试验了两个α值：0、3。 对于每个α ，我们生成nexp n维向量 ( x s )。 我们选择一组m 。 对于每个m ，我们生成一个大小为m x n的随机传感矩阵Φ ，其条目来自 iid Gaussian ，均值为 0，方差为 1/ m 。 我们使用它来生成测量信号y ( Φx )。 我们添加 σ 为测量信号平均值的 0.01 倍的高斯噪声。 我们使用上面推导出的 MAP 估计公式重建x并计算相对均方根误差（Relative RMSE）

四元数与欧拉角以及矩阵之间的转换,把欧拉角转换成旋转矩阵，方便计算顶点变换。

C++的矩阵库——EIGEN，通过这个矩阵库，可以很方便的使用matlab的矩阵计算