//+------------------------------------------------------------------+//| в массиве Sarray записан ортонормированный базис из k векторов |//| размерности NeuroCellDim каждый |//| строится ортогональная проекция вектора Gradient на базис |//| в случае успеха проекция нормируется |//| и добавляется в базис, если позволяет признак записи: write > 0 |//+------------------------------------------------------------------+int OrthogonalProjection(int k, int write)
{
int i, j, err = 0, index = 0;
double Alpha;
if (k > 0) // если k>0, то базис не пустfor (i = 0; i < k; i++)
{
for (j = 0; j < NeuroCellDim; j++)
{
InputX[j] = Sarray[index]; // извлекаем i-й орт в InputX
index++;
}
Alpha = ScalarProduct( Gradient, InputX); // скалярное произведение, cos(Gradient, InputX)if (Alpha > 1.0 - delta) // если cos() = 1
{
err = -1; // считаем, что такой вектор линейно зависим от векторов базисаbreak;
}
// Gradient := Gradient - Alpha * InputX с нормировкой
AddVektors( Gradient, InputX, -Alpha); // орт к базису из i+1 векторов
}
if (err >= 0 && write > 0) // если существует проекция и позволяет признак записиfor (j = 0; j < NeuroCellDim; j++) // записываем новый орт в базис
{
Sarray[index] = Gradient[j];
index++;
}
return(err);
}
//+--- OrthogonalProjection End -------------------------------------+
我在睡觉，我在睡觉。
似乎有一个标准的程序来构建一个正态集。要么是拉格朗日的，要么是其他东西的。好吧，如果你已经解决了问题并证明了它，那么还有什么可谈的呢...
不不不！！！。 如果你有一个，请继续发布! 非常有趣，我还没有找到。
以不同的方式感兴趣，因为这可能会影响解决目标问题的速度。
有道理。我们要靠什么来赚钱？
嗯，我还没有真正深入研究过。Gram-Schmidt过程，它是在线性代数中。或二次元形式。
就我的理解，从这一点开始就足够了，而不是第一步。那里也有一个证明，还有几何插图。
我有这样的怀疑，在OpenCL函数中应该有一些原生的东西用于这个过程。
串行正交的方法可以在下面这段代码中看到。梯度是一个随机矢量，从这个随机矢量中去除基向量上的投影。该基础位于一个一维数组Sarray中。所有数组都被声明为全局。我想，这个过程从评论中可以看出。
人们，给我一个提示。我迷路了。问题是这样的：有一个数据样本，通过线性回归（自变量-参考号）可以很好地接近。
该图显示了一个线性回归方程。我想对来自样本的数据进行转换，使其在计数方面是不变的。我试图通过算术运算选择方程的一个自由项，并将样本中的数据转换为这个值。但在开始时，在0.7、0.46等水平上出现了这样一个峰值，一直到所需水平的渐近线。一开始的这个高峰是怎么来的？是否可以通过改变配方来消除它？
附上Excel，以备不时之需。
人们，一个忠告。我迷路了。问题是这样的：有一个数据样本，通过线性回归（自变量-参考号）可以很好地接近。
该图显示了一个线性回归方程。我想对来自样本的数据进行转换，使其在计数方面是不变的。我试图通过算术运算选择方程的一个自由项，并将样本中的数据转换为这个值。但在开始时，在0.7、0.46等水平上出现了这样一个峰值，一直到所需水平的渐近线。一开始的这个高峰是怎么来的？是否可以通过改变配方来消除它？
附上Excel，以备不时之需。
人们，一个忠告。我迷路了。问题是这样的：有一个数据样本，通过线性回归（自变量-参考号）可以很好地接近。
该图显示了一个线性回归方程。我想对来自样本的数据进行转换，使其在计数方面是不变的。我试图通过算术运算选择方程的一个自由项，并将样本中的数据转换为这个值。但在开始时，在0.7、0.46等水平上出现了这样一个峰值，一直到所需水平的渐近线。一开始的这个高峰是怎么来的？是否可以通过改变配方来消除它？
附上Excel，以备不时之需。
1.
Mislaid 10.03.2012 05:46一致正交的方法 可以在下面的代码中看到。梯度是一个随机向量
1. 嗯，我还没有真正进入它。Gram-Schmidt过程，他们在线性代数中教过它。或二次元形式。
据我所知，仅仅从第一步开始是不够的。那里也有一个证明，还有几何插图。
2. 我有一种预感，在OpenCL函数中应该有一些原生的东西来处理这个过程。
1. 1.对Mislaid， Mathemat,
这里和那里都是一样的，都是我昨天自己设计的过程。 连续减去以前正射的矢量投影。
正是这样的日子让我觉得自己是个经典....。 :-))
--
顺便说一下，我昨晚已经制作并调试了我的测试脚本。我还发现了优化器中的一个错误，并将其发送给了Servicedesk。 我通过稍微修改代码绕过了这个错误。因此，一切都很顺利。可靠和快速，正是我需要的方式。
2. OpenZL中确实有一个，但只针对三维情况。[cross(a, b); 建立一个正交于两个给定的矢量] 我需要它用于任意维度。