向量的案例
使用支持向量回歸進行時間序列預測
近年來，支持向量回歸 （SVR） 因其處理非線性關系和高維數據的能力而成為一種強大的時間序列預測工具。 在本項目中，我們將深入研究使用 SVR 進行時間序列預測，特別關注預測未來 10 個月的電力生產。
支持向量回歸
支持向量回歸 （SVR） 是 SVM 中的一種監督學習技術，旨在在高維特征空間中找到最適合訓練數據的超平面，并最大限度地減少回歸任務的預測誤差。SVR 是一種用于預測連續值的技術。在使用 SVR 進行時間序列預測時，它被視為回歸任務。
SVR 的工作原理是繪制最適合數據點的線條（在更簡單的情況下）或表面（在更復雜的情況下）。 回歸旨在根據一個或多個輸入特征預測連續目標變量。
在時間序列預測中，目標變量是時間序列的未來值（例如，未來日期的股票價格、未來時間步長的溫度）。SVR 作為一種回歸技術，學習一個模型，該模型將歷史時間序列數據（特征）映射到相應的未來值（目標變量）。
時間序列預測中 SVR 的輸出是一個連續值，表示時間序列的預測未來值。
支持向量回歸 （SVR） 的關鍵組成部分
超平面：在 SVR 中，超平面是最適合數據點的線（對于一維數據）、平面（對于二維數據）或超平面（對于多維數據），同時最大化邊距。margin 是超平面和支持向量之間的距離。它充當預測新數據點的決策邊界。
支持向量：支持向量是最接近超平面的數據點，它們決定了超平面的最佳序列。在 SVR 中，支持向量是落在預測函數（超平面）周圍一定邊距內的數據點。
內核函數： SVR 可以通過采用內核函數來處理特征之間的非線性關系。這些函數將輸入數據映射到更高維的空間，其中線性超平面可以有效地分離或近似數據。常見的內核包括線性、多項式、徑向基函數 （RBF） 和 sigmoid。
展開 matlab中怎么求矩陣的特征值和特征向量
在進行數據分析的時候有時候需要求建立的矩陣的特征值，尤其是最大特征值以及其對應的特征向量，隨著矩陣階數的擴大，運算量比較大，但是如果使用軟件Matlab來計算可以節省很多時間
matlab中怎么求矩陣的特征值和特征向量
1、啟動Matlab ，在命令窗口輸入要處理的矩陣AA=[1,4,2,4;1/4,1,1/2,1;1/2,2,1,1/2;1/4,1,2,1]輸入完成后回車軟件會按行列的形式顯示矩陣順便可以檢查一下矩陣是否輸入錯誤
2、接著輸入[x,y]=eig(A) 回車 就可以看到矩陣的所有特征值和特征向量了特征值是對角矩陣y 矩陣x的每一列對應一個y中相應列的特征值此處注意括號必須是在英文輸入法下輸入 如果顯示紅色表示有問題需要重新輸入
3、雖然已經計算出了矩陣的特征值和特征向量 ，但是如果只是計算這一個的話 ，完全可以觀察得到最大的特征值 接著輸入eigenvalue=diag(y);lamda=eigenvalue(1)lamda表示最大的特征值 這里lamda=4.2498
4、求出矩陣最大特征值之后雖然可以一眼看到特征向量， 但是不方便以后大量的處理矩陣此時再輸入y_lamda = x(:, 1) 即最大特征值對應的特征向量
5、上面的過程只是適合進行一次兩次這樣的計算， 如果遇到需要較多的矩陣的時候或者這樣的過程只是某些計算中的幾步需求的時候就需要把前面的計算合在一起進行計算，同樣也可以把這段代碼放在需要的算法程序中
6、除了直接輸入變量結果來查看的方法外 ，還可以直接在workspace中查看變量運算結果 ，如圖中的lamda和y_lamda的結果值
文章來源：520常識
展開 PART-05 Texgen通用建模方法04-重復向量
image_process=/format,webp/resize,w_698" data-initial-src="https://img.jishulink.com/202403/attachment/94f6cfe9f2bc468bb723f058caa5c428.png"></figure>
</div><p>這里的x、y、z對應重復向量的值，1、2、3是重復向量的編號。這里就隨機對重復向量進行復制賦值，一根紗線最多指定3個重復向量。如圖所示：</p><div contenteditable="false" width="100%"><figure class="figure-image" data-img="https://img.jishulink.com/202403/attachment/1d913270d1104de59caf62ce0030e06e.png" style="text-align: center"><img src="https://img.jishulink.com/202403/attachment/1d913270d1104de59caf62ce0030e06e.png" data-mobile-src="https://img.jishulink.com/202403/attachment/1d913270d1104de59caf62ce0030e06e.png?image_process=/format,webp" data-pc-src="https://img.jishulink.com/202403/attachment/1d913270d1104de59caf62ce0030e06e.png?
展開 經驗模式分解模糊特征提取的支持向量機混合診斷模型
摘要：為解決機械故障小樣本模式識別問題，有效地提高分類的準確率，提出了一種基于經驗模式分解
模糊特征提取的支持向量機混合診斷模型。
該模型通過對信號進行經驗模式分解，提取信號的本征模式分量并轉化為模糊特征向量!對機器故
障進行診斷，然后將模糊特征向量輸入到多分類的支持向量機中，實現了對機器不同故障類型的
識別。
將該模型應用于汽輪發電機組的!種工作狀態的識別中，測試結果表明，同原有的未經過任何特征
提取以及經過小波包模糊特征提取的#種多分類支持向量機方法相比，該模型將分類準確率從原
有的53.3%和86.67%提高到100%，有效地改善了分類的準確性。
同時，該模型還為汽輪發電機組的故障確診提供了有力依據。
請享用！
展開 
Moldex3D仿真分析之纖維、向量與粒子追蹤的顯示設置
Moldex3D大多數結果項是以模型上的色彩分布表示量值，而部分與方向相關的結果會以線段表示，例如速度向量或是纖維配向，粒子追蹤得到的結果則會用點來表示。受到模型、網格，或甚至是顯示屏幕的影響，點與線段的結果呈現可能會過度密集或不夠醒目導致難以辨識。Moldex3D提供使用者調整纖維與向量的長寬、密度與粒子大小。以下將以纖維配向結果為例，說明如何調整顯示設置來變更視覺效果。
步驟1
在Studio中選用含有纖維的材料進行分析，完成一組具有纖維配向結果的項目。在本案例中，熔膠由澆口進入模穴后，表層纖維配向主要沿流動方向進行排列，而透過纖維配向（以切片顯示）則可進一步觀察模型內部的纖維排列情形。
步驟2
右鍵點擊纖維配向結果，選擇顯示選項開啟控制窗口。控制窗口內三個選項分別為：密度、長度、寬度。點選預覽可查看當下設定值所呈現的效果，按下確定可以套用設定。
? 密度：改變密度可調整纖維顯示的數量。
? 長度：改變長度可調整纖維顯示的長度。
? 寬度：改變寬度可調整纖維顯示的線寬。
注：可套用此設定的結果項包含纖維配向、皮層纖維配向、速度向量、平均速度向量。若希望在變更皮層纖維配向的顯示選項時，保留纖維配向設定，則可透過結果設定功能勾選顯示選項（密度、長度、寬度）儲存目前的設定值，如下圖所示。
除了上述提到有關纖維配向的顯示外，Moldex3D的偏好設定中有更多關于顯示的選項。在先前的版本中，繪圖設定可以調整特定對象（如探針、進澆點的箭頭符號）與文字的顯示大小；現在更加入了點尺寸的調整，用來改變粒子追蹤顯示的粒子大小，或是速度向量的端點大小。透過改善這些顯示設置功能，結果呈現更為清晰，也更貼近不同使用者的需求。
展開 三維可分向量隨機場局部平均的三維隨機有限元及可靠度計算
三維可分向量隨機場局部平均的三維隨機有限元及可靠度計算
三維可分向量隨機場局部平均的三維隨機有限元及可靠度計算.rar
三維可分向量隨機場局部平均的三維隨機有限元及可靠度計算.JPG
184基于matlab的相關向量機（RVM）回歸和分類算法 ￥12.2
基于matlab的相關向量機（RVM）回歸和分類算法。該算法基于貝葉斯稀疏核?法，避免了支持向量機（SVM）的主要局限性。RVM關鍵是為每個權參數 都引入一個單獨的超參數 ，而不是一個共享超參數。程序已調通，可直接運行。
sense2vec---基于語境的詞向量(Contextually-keyed word vectors)
(4) 加載向量和頻率，輸出sense2vec分量，它通過Sense2Vec.from_disk加載[05_export.py]。
python 05_export.py ./04/vectors.txt ./04/vocab.txt out
其中out是新產生的目錄，保存著最后產生出來的模型，如下圖所示。
至此訓練過程完成。步驟(1)最耗時，用了23分鐘。訓練結果如下：
(1) fracture的語義相似：
network; DFN; discrete;
aperture; hydraulic; length;
connectivity; fluid;
heterogeneous; voronoi；
(2) PFC3D的語義相似:
code; particle; Itasca;
BPM; PFC; assembly; PFC2D;
Pierce; UDEC; SJM; bonded;
Cundall; 3DEC
可能是數據量太小或者是數據不干凈，本次試驗沒有產生出太多詞組，doc.noun_chunks的作用沒有顯現出來，沒有生成預期的結果。改用en_core_web_lg模型分詞的效果相對較好：
(1) Discrete_Fracture_Network:
pathways; DFN;
BPM; algorithm; SRM
(2) Monte_Carlo:
reliability; probabilistic;
stochastic; simulation; DFN;
4 結束語
通過訓練sense2vec可以構造出我們專業的詞矢量。不過要得到最好的效果，需要高質量的大型數據集。
展開 案例20-基于模態分析法的印刷電路板組件動態仿真
通過使用殘差向量，可以在不顯著增加求解時間的情況下提高精度。
下圖顯示了使用和不使用殘差向量方法以及模態擴展時的運行時間和CPU時間。使用MSUPkey=YES可顯著縮短解決時間。
隨著殘差向量的增加，求解時間略有增加。對于50種模態，有殘差向量和無殘差向量的經過時間分別為143.00和137.42秒。
結果的精度
使用50個模態（第51個模態是殘差向量）獲得的殘差向量的模態形狀如下圖所示。注意，殘差向量對應y方向上的位移。
除模態變換中的特征向量外，殘差向量法還使用模態分析過程中計算的附加向量。這提高了響應解的精確性。下表列出了具有和不具有殘差向量的RPSD位移解。對于沒有殘差向量的50個模態，結果的精確性很差，如下表中的A列所示。如B列所示，使用殘差向量可以顯著提高精度。
下圖顯示了這些值的子集。該圖還包含帶有殘差向量的300個模態的RPSD值。由于該殘差矢量的頻率（1489Hz）落在輸入頻率的范圍之外，所以對于300個模態，結果幾乎沒有任何變化。因此，這被視為分析的基線。通常，應使用殘差向量來提高精度并減少模態數，其頻率最可能落入頻譜分析的輸入頻率范圍。
建議
要執行類似類型的分析，請考慮以下提示和建議：
• 如果將執行后續的MSUP分析（例如，模態分析后的模態疊加瞬態、諧波、頻譜或PSD分析），則將單元結果寫入模態文件，以便在后續分析的擴展過程中使用（MXPAND,,,,,,YES）。
• 如果激勵在模態分析之前已知，則建議在后續MSUP分析中使用殘差向量法。如果提取了足夠的模態，則殘差向量可能不顯著。
參考文獻
1. Bo Zhang, Han Ding, XinJun Sheng.
展開 直流無刷驅動MS4932三相正弦波 DC 電機控制器 三相有感正弦波BLDC預驅動，支持空間向量調制（SVM)
正弦波形發生器
MS4932/MS4932N 包含一個正弦波 PWM 空間向量調整(SVM)。通過電機霍爾信號，角度檢測電路推算電機轉子位置。將 60°分為 32 份，通過 PWM 工作后，馬達的每一相的電流為正弦波。各相位之間的角度為 120°。
添加圖片注釋，不超過 140 字（可選）
添加圖片注釋，不超過 140 字（可選）
電流反饋和保護
電流反饋電路提供兩個功能： (1) 為電機控制提供電流反饋信號；(2) 過流保護。I_IN 引腳輸出一個 50μA 的電流，從而產生一個直流基準，用來防止負電壓。公式 (1)為 I_FB 和 I_IN 的關系，建議在I_IN 上提供 0.5V 直流電壓偏置。I_IN 最大電壓是 1V。
展開 矢量分析和場論 附矢量分析與場論文檔下載
向量c的模可表示為|向量c|=|向量a×向量b|=|a||b|sin<a, b>。向量c的方向與向量a和b所在的平面垂直，且方向要用“右手法則”判斷（用右手的四指先表示向量a的方向，然后手指朝著手心的方向擺動到向量b的方向，大拇指所指的方向就是向量c的方向）。
因此，向量的外積不遵守乘法交換率，因為向量a×向量b=-向量b×向量a在物理學中，已知力與力臂求力矩，就是向量的外積，即叉乘。
為了解決已知兩有向線段，求已他們為鄰邊的平行四邊形的面積的問題，引入了叉積，(叉乘的意義也正在與此)。
物理意義：力矩，如下圖，O為一根杠桿L的支點，有一個力F作用在其上點P處，F與OP的夾角為θ，由力學規定，力F對支點O的力矩是一個向量M，它的模是
叉積模的幾何意義：表示以向量a和向量b為鄰邊的平行四邊形的面積。
▎混合積 Mixed Product
已知三個向量a，b和c，數量(a×b)·c被稱為這三個向量的混合積。
向量混合積的幾何意義：它是一個數，它的絕對值表示以向量a，b和c為棱的平行六面體的體積。
方向導數和梯度
▎方向導數 Directional Derivative
方向導數?u/?l是指在一點M0處沿方向l，函數u(M)對距離的變化率。
▎梯度 Gradient
梯度問題可以認為是將一維的斜度擴展到了三維的梯度。
展開 
遞歸神經網絡解釋
通常，它是一個零向量，但它也可以有其他值。一種方法是將有關數據的假設編碼到網絡的初始隱藏狀態中。例如，對于確定知名人士發表的演講語氣的問題，該人過去演講的語氣可能會被編碼到初始隱藏狀態。另一種技術是將初始隱藏狀態設為可訓練參數。盡管這些技術對網絡增加了一點細微差別，但將隱藏狀態向量初始化為零通常是一個有效的選擇。
各經常性單位的工作：
將先前隱藏的狀態向量和當前輸入向量輸入。
請注意，由于隱藏狀態和當前輸入被視為向量，因此向量中的每個元素都放置在與其他維度正交的不同維度中。因此，當所涉及的元素為非零且元素位于同一維度時，每個元素與另一個元素相乘時，僅給出非零值。
元素級將隱藏狀態向量乘以隱藏狀態權重，并類似地執行當前輸入向量和當前輸入權重的元素性乘法。這將生成參數化的隱藏狀態向量和當前輸入向量。請注意，不同向量的權重存儲在可訓練權重矩陣中。
執行兩個參數化向量的向量加法，然后計算元素雙曲正切以生成新的隱藏狀態向量。
?編輯
在循環網絡的訓練期間，網絡還會在每個時間步長生成一個輸出。此輸出用于使用梯度下降訓練網絡。
?編輯
所涉及的反向傳播類似于典型人工神經網絡中使用的反向傳播，但有一些細微的變化。這些變化被記錄為：-設網絡在任何時間步的預測輸出為?編輯 ，實際輸出為?編輯 。然后每個時間步的誤差由下式給出：
?編輯
誤差由所有時間步的誤差之和給出。
?編輯
?編輯
同樣，該值?編輯 可以計算為每個時間步的梯度之和。
?編輯
使用微積分的鏈式法則，并利用時間步 t 的輸出是循環單元的當前隱藏狀態的函數這一事實，產生了以下表達式：-
?編輯
請注意，上述表達式中使用的權重矩陣 W 對于輸入向量和隱藏狀態向量是不同的，并且僅以這種方式用于符號的便利性。
展開 *DEFINE_BOX_LOCAL定義局部坐標系的Box
image_process=/format,webp/quality,q_40" data-initial-src="https://img.jishulink.com/202412/attachment/209311698c054293907a54f5e2173de5.png">
</figure>
</div><p class="ql-align-center">注意：x向量、Vxy向量、y向量是同一個平面哈</p><p class="ql-align-center"><br></p><p>這個z軸，是通過 x向量 和 Vxy向量 這<strong><em>兩個向量</em> 叉乘</strong>得到的，注意，這里的Vxy向量與局部坐標系的y軸并非重合的，這點就很方便，相當于給了我們很大的靈活性（不必找到與x向量垂直的y向量即可），這個局部坐標系的 <em><u>y 軸</u></em> 是怎么得到的？ 它是從上步得出的局部坐標系的z軸，再將局部坐標系的z軸 和 局部坐標系的x軸 這兩個向量 叉乘得到的。</p><p><br></p><p><br></p><p>所以，看明白上邊的圖，這個局部坐標系的box就<strong> 一眼明了。
展開 基于PCA人臉識別算法的實現
2.同時將變換后的二維人臉灰度圖像變換為一維人臉向量矩陣。
一個大小為M*N的二維人臉圖像可以看成長度為MN的人臉圖像列向量。為了將二維人臉圖像變為以為列向量，我們采取的措施為：首先計算出人臉圖像的大小，然后將人臉圖像經行轉置，最后按列依次取出取出所有灰度值形成大小為MN的一維向量，其實整個階段的效果相當于將圖像的灰度值按行取出依次連接成一維圖像向量。
本環節完成后將會產生由一維圖像向量組成的矩陣T。
本環節主要包括三個階段，分別為：
1.對圖像矩陣T進行規范化
首先計算出圖像矩陣中一維列向量的平均值m，然后對圖像矩陣的每一列都減去平均值形成規范化的圖像矩陣A。
2. 計算特征臉
人臉訓練圖像的協方差矩陣為 C=AAT ，其中人臉訓練樣本為 A=[Φ1,...,ΦP]
，維度為 M×N×P ，則協方差矩陣C的維度為 （）（MN）2 。這就出現問題，C的維度過高，在實際中直接計算它的特征值和特征向量非常困難。因此，本文使用奇異值分解定理來解決這個問題。
奇異值分解定理：
假設B為 n×m 維秩為p的矩陣，則存在兩個正交矩陣和一個對角矩陣：
正交矩陣為 U=[u1,u2,...,up]∈R(n2×n2) （4.19）
V=[v1,v2,...,vp]∈R(m×m) （4.20）
其中 UTU=I （4.21）
VTV=I （4.22）
對角矩陣為 ∧=diag[λ1,λ2,...,λp]∈R(m×m) λ1≥λ2...≥λp
則可以得到 B=U∧(1/2)VT ，而且 BBT 和 BTB 有共同的非零特征值， ui 和 vi 分別為 BBT 和 BTB 對應特征值的正交特征向量。
展開 一張圖像百般變化，英偉達用GAN實現高精度細節P圖
下圖 2（1）為訓練 EditGAN 的流程；圖 2（2&3）分別為編輯分割掩碼和利用編輯向量的實時編輯，其中用戶可以修改分割掩碼，并由此在 GAN 的隱空間中進行優化以實現編輯；圖 2（4）為在隱空間中學習編輯向量，用戶通過應用以往學習到的編輯向量進行編輯，并可以交互式地操縱圖像。
通過分割編輯在隱空間中找出語義
EditGAN 的核心思想是在實現高精度圖像編輯中利用圖像和語義分割的聯合分布 p(x, y)。
給定一張待編輯的新圖像 x，我們可以將它嵌入到 EditGAN 的 W^+ 隱空間中。然后，分割部分將生成相應的分割 y，這是因為分割和 RGB 圖像共享相同的隱編碼 w^+。使用簡單的交互式數字繪畫或標注工具，即可根據預期的編輯手動修改分割。研究者將編輯的分割掩碼表示為了 y_edited。
例如，當修改右側汽車照片中的車輪時，Q_edit 將包含輪胎、輻條和輪轂等所有與車輪相關的零件的標簽：
推理過程中不同的編輯方法
總的來說，我們可以通過以下三種不同的模式使用 EditGAN 進行圖像編輯：
使用編輯向量進行實時編輯。對于局部解耦良好的編輯，僅通過應用先前學習的具有不同尺度的編輯向量即可進行編輯，并以交互式速率（interactive rate）操縱圖像；
利用自監督細化的向量編輯。對于未與圖像其他部分完美解耦的局部編輯，可以通過測試過程中的額外優化去除編輯偽影，同時使用學習到的向量初始化編輯；
基于優化的編輯。特定圖像和大規模的編輯不能通過編輯向量遷移到其他圖像。對于此類操作，則可以從零開始進行優化。
展開 