计算协方差矩阵的特征向量和特征值 eigenvectors：协方差矩阵C的特征向量 eigenvalues：协方差矩阵C的特征值 特征矢量组成模式矢量 求出特征值后，按照特征值由大到小排序，给出重要级级别 对相应位置的特征向量按照特征值位置变化进行调整 C

基于 LMS 训练实现低复杂度分类器基于简单 RBF 单元的非线性扩展特征空间。 单位的中心是从使用基于新颖性的简单搜索算法训练样本检测。 相关论文： R. Dogaru，“具有简单构造的面向硬件的分类器基于支持向量的训练”，在 CSCS-16 的 Proceedings of CSCS-16 中， 第 16 届控制系统和计算机科学国际会议， 2007 年 5 月 22 - 26 日，布加勒斯特，第 1 卷，第 415-418 页。 多加鲁，R。 多加鲁, I., “使用支持向量的高效有限精度 RBF-M 神经网络架构” 电气工程中的神经网络应用 (NEUREL)，2010 年第 10 届研讨会数字对象标识符：10.1109/NEUREL.2010.5644089 出版年份：2010 年，页数：127 - 130

支持向量机用于可靠性评估，详细介绍了支持向量机和可靠性评估相关理论，并用具体实例验证了模型。

机器学习——支持向量机思维导图

最新 libsvm 3.20 支持向量机

基于信号子空间的ESPRIT算法不需要进行谱峰搜索，但是估计方差大于MUSIC算法。该文提出了一种基于广义特征向量的ESPRIT算法，利用信号子空间旋转不变关系矩阵的广义特征向量估计信号波达方向，得到了比基于广义特征值算法更准确的方向估计结果。该算法充分利用了信号子空间的旋转不变特性，通过利用信号子空间与阵列流形的关系进行波达方向估计，实验证明该算法能够在保持小计算量的优势下达到与MUSIC算法相近的性能。

要运行的文件：mainproc.m 控制向量参数化，也称为直接序列法， 是求解最优控制问题的直接优化方法之一。 直接优化方法的基本思想是将控制问题离散化，然后将非线性规划 (NLP) 技术应用于最终的有限维优化问题。 问题是您希望从时间 $t = 0$ 的 $A=(0,0)$ 转向接近时间 T 的 $B=(4,4)$ 点。运动发生在 $ x_1, x_2$ 平面。 您的控制变量是推力 $u$ 和推力角 $\theta$。 角度 $\theta$ 是从 $x_1$ 轴测量的。 为了让生活变得有趣，在 (3,0) 处有一个大质量，它施加的力与您与质量的距离的平方的倒数成正比。 （详情见发布代码） *问题来自NCSU的“最优控制”课程（由Stephen Campbell博士主持）。

此函数计算一组输入值数组和权重数组的加权算术、调和或几何平均值。 实际上有两种操作模式： 1) 如果只有一个输入值数组和权重数组，则对这个数组中的所有元素计算加权平均值。 用户可以指定要计算加权平均值的维度，或者甚至指定“全部”，在这种情况下，数组被展平并且只返回一个标量值。 2）如果有多个输入值数组和权重数组，则跨N个输入值和权重数组输出逐个元素的加权均值。 例子： 模式一： >> scalarMean = weighted_mean('harmonic',[1 2 3],[0.2, 0.3, 0.2]); %输出是单个标量值 >> arrayMean = weighted_mean('算术',[1 2 3],[0.2, 0.3, 0.2],1); % 输出是一个大小为 (3x1) 的向量 模式二： >> arrayMean = weighted_mean('geometric',

explicit-mpc：基于鲁棒非线性回归和约简支持向量机的基于学习的显式非线性模型预测控制

这段代码实现了一种新的 MLP 神经网络训练方法，称为支持向量神经网络 (SVNN)，在工作中提出：O. Ludwig； “以神经网络和级联分类器为重点的快速模式识别非参数方法研究；” 博士论文，科英布拉大学，科英布拉，2012 年。 输入参数是 L 个代表 N 元素输入向量的 N x L 矩阵，行向量 y，其元素是各自的目标类，应该是 -1 或 1 ，以及隐藏神经元的数量nneu。 与 SVM 类似，SVNN 有一个惩罚参数 C，可以在代码的第 16 行设置。 该算法输出 MLP 参数 W1、W2、b1、b2，它们是 MLP 模拟器“sim_NN.m”的输入参数，它还需要测试数据矩阵以及目标向量（如果目标不可用，必须提供空向量）。 “sim_NN.m”输出估计的类别和准确度，acc（当测试目标可用时）。 该代码是为在四核处理器上运行而开发的。 在双核或单核处理器的情况下，第 53 行和第