C语言 全选主元求解线性方程组 数值分析作业 原创

卫生信息数据元目录：第一到第十七部分，PDF扫描版。 所有内容来自政府官网，自行收集，保全保真，童叟无欺。

该文章是对齐次边界条件的二维泊松方程的虚拟有限元方法的误差分析，是参考了别人文章，并对证明过程细化，基本自成体系，读者再需要一些不等式的知识，比如柯西不等式、柯西施瓦茨不等式、庞加来不等式即可。想学习虚拟有限元的可以作为参考，在文章最后给了刚度矩阵和荷载向量的计算公式。不尽之处还望指出！

基于ANSYS_Workbench的深沟球轴承接触应力有限元分析

第05章 六方孔螺钉投用扳手的静力分析.pdf 第07章 平面问题分析实例.pdf 第11章 有预应力作用结构的模态分析实例.pdf 第12章 周期对称结构的模态分析.pdf 第13章 有预应力作用结构的谐响应实例.pdf 第08章 轴对称结构的静力分析.pdf 第04章 后处理.pdf 第02章 建立模型.pdf 第01章 ANSYS基本介绍.pdf 第03章 加载和求解.pdf 第16章 单点响应谱分析实例.pdf 第18章 非线性瞬态实例分析.pdf 第09章 周期对称结构的静力分析.pdf 第10章 动力学分析介绍.pdf 第14章 瞬态结构动力分析实例.pdf 第15章 随机振动和随机疲劳分析实例.pdf 第17章 非线性结构分析.pdf 第19章 塑性分析实例.pdf 第20章 接触分析实例.pdf 第21章 热－结构耦合分析.pdf 第22章 热－应力耦合分析实例.pdf

核主元分析KPCA的降维特征提取以及故障检测应用-data.rar 本帖最后由 iqiukp 于 2018-11-9 15:02 编辑      核主元分析（Kernel principal component analysis ，KPCA）在降维、特征提取以及故障检测中的应用。主要功能有：（1）训练数据和测试数据的非线性主元提取（降维、特征提取） （2）SPE和T2统计量及其控制限的计算 （3）故障检测 参考文献： Lee J M, Yoo C K, Choi S W, et al. Nonlinear process monitoring using kernel principal component analysis[J]. Chemical engineering science, 2004, 59: 223-234. 1. KPCA的建模过程（故障检测）： （1）获取训练数据（工业过程数据需要进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）特征值分解 （5）特征向量的标准化处理 （6）主元个数的选取 （7）计算非线性主成分（即降维结果或者特征提取结果） （8）SPE和T2统计量的控制限计算 function model = kpca_train % DESCRIPTION % Kernel principal component analysis % %       mappedX = kpca_train % % INPUT %   X            Training samples %                N: number of samples %                d: number of features %   options      Parameters setting % % OUTPUT %   model        KPCA model % % % Created on 9th November, 2018, by Kepeng Qiu. % number of training samples L = size; % Compute the kernel matrix K = computeKM; % Centralize the kernel matrix unit = ones/L; K_c = K-unit*K-K*unit unit*K*unit; % Solve the eigenvalue problem [V,D] = eigs; lambda = diag; % Normalize the eigenvalue V_s = V ./ sqrt'; % Compute the numbers of principal component % Extract the nonlinear component if options.type == 1 % fault detection     dims = find) >= 0.85,1, 'first'); else     dims = options.dims; end mappedX  = K_c* V_s ; % Store the results model.mappedX =  mappedX ; model.V_s = V_s; model.lambda = lambda; model.K_c = K_c; model.L = L; model.dims = dims; model.X = X; model.K = K; model.unit = unit; model.sigma = options.sigma; % Compute the threshold model.beta = options.beta;% corresponding probabilities [SPE_limit,T2_limit] = comtupeLimit; model.SPE_limit = SPE_limit; model.T2_limit = T2_limit; end复制代码2. KPCA的测试过程： （1）获取测试数据（工业过程数据需要利用训练数据的均值和标准差进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）计算非线性主成分（即降维结果或者特征提取结果） （5）SPE和T2统计量的计算 function [SPE,T2,mappedY] = kpca_test % DESCRIPTION % Compute the T2 statistic, SPE statistic,and the nonlinear component of Y % %       [SPE,T2,mappedY] = kpca_test % % INPUT %   model       KPCA model %   Y           test data % % OUTPUT %   SPE         the SPE statistic %   T2          the T2 statistic %   mappedY     the nonlinear component of Y % % Created on 9th November, 2018, by Kepeng Qiu. % Compute Hotelling's T2 statistic % T2 = diag)*model.mappedX'); % the number of test samples L = size; % Compute the kernel matrix Kt = computeKM; % Centralize the kernel matrix unit = ones/model.L; Kt_c = Kt-unit*model.K-Kt*model.unit unit*model.K*model.unit; % Extract the nonlinear component mappedY = Kt_c*model.V_s; % Compute Hotelling's T2 statistic T2 = diag)*mappedY'); % Compute the squared prediction error SPE = sum.^2,2)-sum; end复制代码 3. demo1: 降维、特征提取 源代码 % Demo1: dimensionality reduction or feature extraction % ---------------------------------------------------------------------% clc clear all close all addpath) % 4 circles load circledata % X = circledata; for i = 1:4     scatter:250*i,1),X:250*i,2))     hold on end % Parameters setting options.sigma = 5;   % kernel width options.dims  = 2;   % output dimension options.type  = 0;   % 0:dimensionality reduction or feature extraction                      % 1:fault detection options.beta  = 0.9; % corresponding probabilities options.cpc  = 0.85; % Principal contribution rate % Train KPCA model model = kpca_train; figure for i = 1:4     scatter:250*i,1), ...         model.mappedX:250*i,2))     hold on end 复制代码（2）结果 （分别为原图和特征提取后的图） demo1-1.png demo1-2.png 4. demo2: 故障检测（需要调节核宽度、主元贡献率和置信度等参数来提高故障检测效果） （1）源代码 % Demo2: Fault detection % X: training samples % Y: test samples % Improve the performance of fault detection by adjusting parameters % 1. options.sigma = 16;   % kernel width % 2. options.beta          % corresponding probabilities % 3. options.cpc  ;        % principal contribution rate % ---------------------------------------------------------------------% clc clear all close all addpath) % X = rand; Y = rand; Y = rand 3; Y = rand*3; % Normalization % mu = mean; % st = std; % X = zscore; % Y = bsxfun,st); % Parameters setting options.sigma = 16;   % kernel width options.dims  = 2;   % output dimension options.type  = 1;   % 0:dimensionality reduction or feature extraction                      % 1:fault detection options.beta  = 0.9; % corresponding probabilities options.cpc  = 0.85; % principal contribution rate % Train KPCA model model = kpca_train; % Test a new sample Y [SPE,T2,mappedY] = kpca_test; % Plot the result plotResult; plotResult; 复制代码（2）结果（分别是SPE统计量和T2统计量的结果图） demo2-1.png demo2-2.png    附件是基于KPCA的降维、特征提取和故障检测程序源代码。如有错误的地方请指出，谢谢。 Kernel Principal Component Analysis .zip KPCA

matlab使用有限元方法求解偏微分方程

机器学习实战(第七章-利用AdaBoost元算法提高分类性能-所有代码与详细注解-python3.7) 机器学习实战(第七章-利用AdaBoost元算法提高分类性能-所有代码与详细注解-python3.7)

2.应变与位移的关系（几何矩阵） 轴对称问题中表示应变与位移关系的几何方程与弹性力学平面问题相似，所不同的是：单元内一点在径向产生的位移u，会在圆周方向引起相应的应变 。一个半径为r的圆环，周长为2 r，环上的各点都沿各自的径向产生位移u后，其圆周长度变成 。因此，在圆周方向的应变为

层次分析matlab代码THB花键-FE 一维有限元分析，带有截断的层次B样条（THB样条） 免责声明 2017年11月，乔纳森·詹克（Jonathan Jahnke） 无保证或担保 此规范已作为硕士论文开发 要使用它，必须将所有文件夹和子文件夹添加到MATLAB路径########################## 内容 2DPlots：用于生成2D基础函数图的脚本 AdditionalFunctions：包含其他功能，例如用于HB和THB细化，高斯点和权重的生成以及误差分析。 CurvePlot：生成B样条曲线的算法 NurbsBookAlgorithms：包含Piegl和Tiller的NURBS书中的算法，用于B样条曲线和B样条曲线的基本评估 BSplClasses：包含bSplBas类和继承的类bSplBasFun（一个基本函数），hbSplBas（分层）和一个多层类hbSplBasML。 此外，thbSplBas继承自hbSplBas，thbSplBasML继承自hbSplBasML。 boundCond是用于保存Dirichlet或Neumann边界条件的类。 Poiss