很多GAMS的实例来源于这本书，用于优化计算，是比较实用的，书里面有例子，很容易上手操作

中文翻译Introduction to Linear Algebra, 5th Edition 1.3节 另一个视角改变至关重要。到目前为止，数 x 1 , x 2 , x 3 已知。右手边的 b 未知。我们通过将 A 与 x 相 乘来求出差分向量。现在我们设想 b 为已知然后我们找 x。 旧问题：计算线性组合 x 1 u + x 2 v + x 3 w 来求 b。 新问题：u, v, w 的哪种组合产生一个特定向量 b？ 这是逆问题——求能得出期望输出 b = Ax 的输入 x。你以前见过这个问题，它作为一个关于 x 1 , x 2 , x 3 的线性方程组。方程右手边是 b 1 , b 2 , b 3 。我现在要解方程组 Ax = b 来求 x 1 , x 2 , x 3

在许多实际的数据挖掘应用程序中，例如文本分类，可以轻松获得未加标签的训练示例，但获得加标签的训练示例则相当昂贵。 因此，半监督学习算法引起了数据挖掘和机器学习领域的极大兴趣。 近年来，基于图的半监督学习已成为半监督学习社区中最活跃的研究领域之一。 本文提出了一种基于线性邻域模型的新颖的基于图的半监督学习方法，该方法假设每个数据点都可以从其邻域进行线性重构。 我们的算法称为线性邻域传播（LNP），可以使用这些线性邻域以足够的平滑度将标签从标记点传播到整个数据集。 本文对LNP的性质进行了理论分析。 此外，我们还导出了一种简单的方法来将LNP扩展到样本外数据。 对于合成数据，数字和文本分类任务，提出了有希望的实验结果。

中文翻译Introduction to Linear Algebra, 5th Edition 1.2节 第一节放弃了讲向量相乘。现在我们继续来定义 v 与 w 的“点积” 。这个乘法包含单独的积 v 1 w 1 和 v 2 w 2 ，但它并不止于此。这两个数加起来得出一个数 v · w。 以下是几何部分 (向量长度及它们夹角的余弦)。 v = (v 1 , v 2 ) 与 w = (w 1 , w 2 ) 的点积或者说内积是数 v · w： v · w = v 1 w 1 + v 2 w 2 . (1) 例 1 向量 v = (4, 2) 与 w = (−1, 2) 点积为零： [ ] [ ] 点积为 0 4 −1 · = −4 + 4 = 0。 垂直向量 2 2 在数学中，0 总是一个特别的数。对于点积，它意味着这两个向量是垂直的。它们的夹角是 90 ◦ 。当我 们在图 1.1 中画出它们时，我们见到了一个矩形（不仅仅是任一平行四边形）。垂直向量最清晰的例子 是沿 x 轴的 i = (1, 0) 与沿 y 轴向上的 j = (0, 1)。再一次地，点积为 i · j = 0 + 0

更快的一维线性插值：'interp1qr' 按照公式yi = y1 +（y2-y1）/（x2-x1）*（xi-x1），使用'x'和'y'对'xi'点进行一维线性插值，得到'yi'。 变量： - 'x' 是列向量 [mx 1]，单调递增。 -“ y”是矩阵[mxn]，对应于“ x”。 - 'xi' 是列向量 [px 1]，按任何顺序排列。 - 'yi' 是矩阵 [pxn]，对应于 'xi'。 它具有与内置 MATLAB 函数“interp1q”相同的功能（有关详细信息，请参阅 MATLAB 帮助）。 它的运行速度至少比“interp1q”快 3 倍，比“interp1”快 8 倍，并且随着 m=length(x) 的增加，速度提高了 10 倍以上（参见附加的性能图）。 与“ interp1q”一样，此功能不进行输入检查。 要正常工作，用户必须注意以下事项： -'x'必须是单调递增

主控：MSP430F5529 环境：IDE 库函数版本

这是参与一家私募公司面试做的结果，最终没去成，原因在于用时间序列进行回归分析一定要让时间序列稳态后再做，不然回归将是假的回归，结果也就没有参考意义，代码中涵盖EMA策略、订单管理等供大家参考。

主控：MSP430F5529 环境：IDE 库函数版本

里程计标定源码，采用直接线性标定

OpenMV线性回归循迹小车（MSP430F5529）