《线性代数》课程教学资源（课件讲稿，B）第三章 n维向量空间_第一节 n维向量空间的概念_3.1 n维向量空间的概念

❶ 回顾 ❷ 排序式检索 ❸ 词项频率 ❹ tf-idf权重计算 ❺ 向量空间模型

向量组的等价 向量组的秩

《高中数学》全程设计训练题库（B版选修第一册，课后习题，含答案）第一章 空间向量与立体几何_1.1.3 第1课时 空间中向量的坐标及向量的坐标运算

向量组的正交性 一、向量的内积:

7.1 矩阵运算的规则 7.2 初等变换乘子矩阵的生成 7.3 行列式的定义和计算 7.4 矩阵的秩和矩阵求逆 7.5 用矩阵‘除法’解线性方程 7.6.1 网络的矩阵分割和连接 7.6.2 用逆阵进行保密编译码 7.6.3 减肥配方的实现 7.6.4 弹性梁的柔度矩阵 7.6.5 网络和图 8.1 向量和向量空间 8.2 向量空间和基向量 8.3 向量的内积和正交性 8.4 齐次方程Ax=0的解空间 8.5 解超定方程的思路 8.6.1 价格平衡模型 8.6.2 宏观经济模型 8.6.3 信号流图模型 8.6.4 数字滤波器系统函数

将支持向量机(SVM)和遗传算法(GA)集成应用到矿体品位插值问题中,利用遗传算法全局搜索的优势对支持向量机的三个关键参数——惩罚系数C、不敏感系数ε和核函数参数σ进行寻优,克服单纯支持向量机法中依靠经验确定参数的局限性.将优化参数代入到支持向量机中进行迭代训练,得到基于遗传算法参数优化的支持向量机(GA-SVM)矿体品位插值模型.以国内典型矿山的实际勘探数据为例,通过该品位插值模型计算结果与传统插值方法计算结果和矿山生产实际数据的对比分析,验证了其可行性和有效性

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能

人教A版高中数学必修4第二章 平面向量2.1 平面向量的实际背景及基本概念习题(3)

人教A版高中数学必修4第二章 平面向量2.1 平面向量的实际背景及基本概念习题(2)