《高中数学》全程设计训练题库（B版必修第三册，配套课件，含答案）第8章 向量的数量积与三角恒等变换_8.2.2 第1课时 两角和与差的正弦

《高中数学》全程设计训练题库（B版必修第三册，配套课件，含答案）第8章 向量的数量积与三角恒等变换_8.2.1 两角和与差的余弦

《高中数学》全程设计同步配套教学课件（B版必修第三册）第8章 向量的数量积与三角恒等变换_8.2.4 第1课时 半角公式

高一数学必修课件_2.4.2 平面向量数量积的坐标表示、模、夹角

第一章 矩阵的相似变换 §1．1特征值与特征向量 §1．2相似对角化 §1．3 Jordan标准形介绍 §1．4 Hamilton-Cayley定理 §1．5向量的内积 §1．6西相似下的标准形 习题一 第二章 范数理论 §2．1向量范数 §2．2矩阵范数 一、方阵的范数 二、与向量范数的相容性 三、从属范数 四、长方阵的范数 §2．3范数应用举例 一、矩阵的谱半径 二、矩阵的条件数 习题二 第三章 矩阵分析 §3．1矩阵序列 §3．2矩阵级数 §3．3矩阵函数 一、矩阵函数的定义 二、矩阵函数值的计算 三、常用矩阵函数的性质 §3．4矩阵的微分和积分 一、函数矩阵的微分和积分 二、数量函数对矩阵变量的导数 三、矩阵值函数对矩阵变量的导数 §3．5矩阵分析应用举例 一、求解一阶线性常系数微分方程组 二、求解矩阵方程 三、最小二乘问题 习题三 第四章 矩阵分解 §4．1矩阵的三角分解 一、三角分解及其存在惟一性问题 二、三角分解的紧凑计算格式 §4．2矩阵的QR分解 一、Householder矩阵与Givens矩阵 二、矩阵的QR分解 三、矩阵酉相似于Hessenberg矩阵 §4．3矩阵的满秩分解 一、Hermite标准形 二、矩阵的满秩分解 §4．4矩阵的奇异值分解 习题四 第五章 特征值的估计与表示 §5．1特征值界的估计 §5．2特征值的包含区域 一、Gerschgorin定理 二、特征值的隔离 三、Ostrowski定理 §5．3 Hermite矩阵特征值的表示 §5．4广义特征值问题 一、广义特征值问题 二、广义特征值的表示 习题五 第六章 广义逆矩阵 §6．1广义逆矩阵的概念 §6．2 {1}-逆及其应用 一、{1}-逆的计算及有关性质 二、{1}-逆的应用 三、由{1}-逆构造其他的广义逆矩阵 §6．3 Moore-Penrose逆A+ 一、A+的计算及有关性质 二、A+在解线性方程组中的应用 习题六 第七章 矩阵的直积 §7．1直积的定义和性质 §7．2直积的应用 一、矩阵的拉直及其与直积的关系 二、线性矩阵方程的可解性及其求解 习题七 习题答案与提示

1 感知机存在的一个问题 2 线性可分 SVM SVM 的种类 函数间隔和几何间隔 学习的原始最优化问 题 凸优化问题 线性可分 SVM 学习算 法—最大间隔法 支持向量与间隔边界 拉格朗日对偶性 KKT 条件 线性可分 SVM 学习的 对偶算法 3 线性不可分 SVM 线性 SVM 学习的对偶 算法 线性 SVM 学习算法 线性不可分时的 SV 合页损失函数 4 非线性 SVM 与核函数 希尔伯特空间 核函数的定义 核函数的选取 核技巧在 SVM 中的应 用 非线性 SVM 算法 5 序列最小最优化算法 SMO 算法的基本思路 两变量二次规划的求 解方法 两个变量的选择方法

为提高无法准确建立数学模型的非线性约束单目标系统优化问题的寻优精度,并考虑获取样本的代价,提出一种基于支持向量机和免疫粒子群算法的组合方法(support vector machine and immune particle swarm optimization,SVM-IPSO).首先,运用支持向量机构建非线性约束单目标系统预测模型,然后,采用引入了免疫系统自我调节机制的免疫粒子群算法在预测模型的基础上对系统寻优.与基于BP神经网络和粒子群算法的组合方法(BP and particle swarm optimization,BP-PSO)进行仿真实验对比,同时,通过减少训练样本,研究了在训练样本较少情况下两种方法的寻优效果.实验结果表明,在相同样本数量条件下,SVM-IPSO方法具有更高的优化能力,并且当样本数量减少时,相比BP-PSO方法,SVM-IPSO方法仍能获得更稳定且更准确的系统寻优值.因此,SVM-IPSO方法为实际中此类问题提供了一个新的更优的解决途径

一、数组说明。 二、多个变量间存在某种内在联系时，适于用数组来实现。 三、数组是一系列的匿名变量，数组中的元素可通过下标来访问

第二章2-5n阶方阵 2.5.1n阶方阵,对角矩阵,数量矩阵,单位矩阵,初等矩阵,对称、反对称、上三角、 下三角矩阵 定义(数域K上的n阶方阵)数域K上的nn矩阵成为K上的n阶方阵,K上全 体n阶方阵所成的集合记作Mn(K)。 定义(n阶对角矩阵、数量矩阵、单位矩阵)数域K上形如 ( 0 0 n /nxn 的方阵被称为n阶对角矩阵,与其他矩阵相乘,有 (a1a12and

针对如何识别无人机的问题，提出了一种基于卷积神经网络的声音识别无人机的方法。首先，对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值，将其特征参数作为卷积神经网络学习和识别的数据集；然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明，运用支持向量机识别无人机的准确率为91.9%，卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力，在部分UrbanSound8K数据集上进行测试，准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性，且识别性能优于支持向量机