C++实现矩阵的基本运算，包括：求逆，转置，矩阵乘法，矩阵数乘。代码支持模板实例化，矩阵中的元素可以使任意数值型。封装了两个类：Matrix类和UI类，Matrix类实现了相应运算，UI实现输入，支持从文件输入和从键盘输入两种输入操作。

C++面向对象，矩阵的乘法运算，没有构造函数而是直接在main函数里面运行

该程序用于对矩阵进行分解,采用二级指针,所以矩阵的规模可以由运行人员自己输入. (矩阵分解+前代回代)解线性方程组可以不求系数矩阵的逆,提高运算速度.该程序正是前半部分--矩阵分解

数据结构：第5章 数组和稀疏矩阵.ppt

//图的邻接矩阵表示,求最短路径算法 #include "iostream.h" #include "stdio.h" #include "assert.h" #include "queue.h" #include "sqlist.h" //#include "minspantree.h"

在文本中输入邻接矩阵的元素数量和邻接矩阵，输出联通矩阵和加权的值

矩阵键盘控制，C语言写的51单片机源代码，包括4X4矩阵键盘(查表法)、4x4矩阵键盘实验(计算法)、矩阵键盘按键键值显示程序、矩阵键盘模拟电子琴。

高光谱图像分类是遥感领域的研究热点之一,是对地观测的重要手段,在地物的精细识别等领域具有重要的应用。使用卷积神经网络(CNN)可以有效地从原始图像中提取高级特征,具有较高的分类精度。但CNN计算量巨大,对硬件要求较高。为了提高模型计算效率,可以在图形处理器(GPU)上进行CNN模型的训练。现有的并行算法,比如GCN(GPU based Cube-CNN),无法充分利用GPU的并行能力,算法加速效果并不理想。为了进一步提升算法效率,提出基于通用矩阵乘法(GEMM)算法的GGCN(GPU based Cube-CNN improved by GEMM)并行加速算法,通过G-PNPE(GEMM based Parallel Neighbor Pixels Extraction)对输入数据和卷积核进行重新组织排列,实现卷积的并行计算,有效地提高了GPU的利用率并进一步提升了算法的训练效率。通过分析在三个数据集上的实验结果发现,改进算法的分类精度与原算法保持一致,而且模型的训练时间缩短了30%左右,表明算法的有效性和优越性。

用C语言完成螺旋矩阵，输入n，得到n行n列的四种螺旋矩阵 1. 给定N的值，从矩阵的左上角输出顺时针螺旋矩阵 例如N=4时，输出： 1 2 3 4 12 13 14 5 11 16 15 6 10 9 8 7 2．给定N的值，从矩阵的右上角输出逆时针螺旋矩阵 例如N=4时，输出： 4 3 2 1 5 14 13 12 6 15 16 11 7 8 9 10 3. 给定N的值，从内到外顺时针旋转 例如N=3时，输出： 7 8 9 6 1 2 5 4 3 4．给定N的值，从内到外逆时针旋转 例如N=3时，输出： 5 4 3 6 1 2 7 8 9 5．给定N的值，从矩阵的左上角顺时针输出上三角螺旋矩阵 例如N=4时，输出： 1 2 3 4 9 10 5 8 6 7 6．退出系统

刚度和质量矩阵在结构静态和动态分析问题中起着非常重要的作用。 整个分析问题都基于这两个矩阵。 但是Sap 2000 并没有直接提供这些矩阵，因此必须使用一些间接的方法来获得这些矩阵并有一些更好的理解。 因此，开发此程序是为了从 Sap 2000 中为您的特定问题案例提取刚度和质量矩阵。 有关使用此程序的说明已在 m 文件中描述。