修正算法

Ⅰ 神经网络中rprop是什么算法

对于bp神经网络来说没有固定的标准可以得到最好的bp网络，设计好后只能手动修改参数然后选择最好的。下边是个分类的例子

clc
clear
close all

%---------------------------------------------------
% 产生训练样本与测试样本，每一列为一个样本

P1 = [rand(3,5),rand(3,5)+1,rand(3,5)+2];
T1 = [repmat([1;0;0],1,5),repmat([0;1;0],1,5),repmat([0;0;1],1,5)];

P2 = [rand(3,5),rand(3,5)+1,rand(3,5)+2];
T2 = [repmat([1;0;0],1,5),repmat([0;1;0],1,5),repmat([0;0;1],1,5)];

%---------------------------------------------------
% 归一化

[PN1,minp,maxp] = premnmx(P1);
PN2 = tramnmx(P2,minp,maxp);

%---------------------------------------------------
% 设置网络参数

NodeNum = 10; % 隐层节点数
TypeNum = 3; % 输出维数

TF1 = 'tansig';TF2 = 'purelin'; % 判别函数(缺省值)
%TF1 = 'tansig';TF2 = 'logsig';
%TF1 = 'logsig';TF2 = 'purelin';
%TF1 = 'tansig';TF2 = 'tansig';
%TF1 = 'logsig';TF2 = 'logsig';
%TF1 = 'purelin';TF2 = 'purelin';

net = newff(minmax(PN1),[NodeNum TypeNum],{TF1 TF2});

%---------------------------------------------------
% 指定训练参数

% net.trainFcn = 'traingd'; % 梯度下降算法
% net.trainFcn = 'traingdm'; % 动量梯度下降算法
%
% net.trainFcn = 'traingda'; % 变学习率梯度下降算法
% net.trainFcn = 'traingdx'; % 变学习率动量梯度下降算法
%
% (大型网络的首选算法 - 模式识别)
% net.trainFcn = 'trainrp'; % RPROP(弹性bp)算法,内存需求最小
%
% 共轭梯度算法
% net.trainFcn = 'traincgf'; % Fletcher-Reeves修正算法
% net.trainFcn = 'traincgp'; % Polak-Ribiere修正算法,内存需求比Fletcher-Reeves修正算法略大
% net.trainFcn = 'traincgb'; % Powell-Beal复位算法,内存需求比Polak-Ribiere修正算法略大
% (大型网络的首选算法 - 函数拟合,模式识别)
% net.trainFcn = 'trainscg'; % Scaled Conjugate Gradient算法,内存需求与Fletcher-Reeves修正算法相同,计算量比上面三种算法都小很多
%
% net.trainFcn = 'trainbfg'; % Quasi-Newton Algorithms - BFGS Algorithm,计算量和内存需求均比共轭梯度算法大,但收敛比较快
% net.trainFcn = 'trainoss'; % One Step Secant Algorithm,计算量和内存需求均比BFGS算法小,比共轭梯度算法略大
%
% (中小型网络的首选算法 - 函数拟合,模式识别)
net.trainFcn = 'trainlm'; % Levenberg-Marquardt算法,内存需求最大,收敛速度最快
%
% net.trainFcn = 'trainbr'; % 贝叶斯正则化算法
%
% 有代表性的五种算法为:'traingdx','trainrp','trainscg','trainoss', 'trainlm'

%---------------------%

net.trainParam.show = 1; % 训练显示间隔
net.trainParam.lr = 0.3; % 学习步长 - traingd,traingdm
net.trainParam.mc = 0.95; % 动量项系数 - traingdm,traingdx
net.trainParam.mem_rec = 10; % 分块计算Hessian矩阵(仅对Levenberg-Marquardt算法有效)
net.trainParam.epochs = 1000; % 最大训练次数
net.trainParam.goal = 1e-8; % 最小均方误差
net.trainParam.min_grad = 1e-20; % 最小梯度
net.trainParam.time = inf; % 最大训练时间

%---------------------------------------------------
% 训练与测试

net = train(net,PN1,T1); % 训练

%---------------------------------------------------
% 测试

Y1 = sim(net,PN1); % 训练样本实际输出
Y2 = sim(net,PN2); % 测试样本实际输出

Y1 = full(compet(Y1)); % 竞争输出
Y2 = full(compet(Y2));

%---------------------------------------------------
% 结果统计

Result = ~sum(abs(T1-Y1)) % 正确分类显示为1
Percent1 = sum(Result)/length(Result) % 训练样本正确分类率

Result = ~sum(abs(T2-Y2)) % 正确分类显示为1
Percent2 = sum(Result)/length(Result) % 测试样本正确分类率

Ⅱ 有关BP算法权值修正的过程 用matlab编程 跪求

clc
clear
t1 = tic;
%t1 = clock;
load data
%% 数据累加作为网络输入
[n,m]=size(X);
for i=1:n
for j=1:m
y(i,j)=sum(X(1:i,j));
end
end

%% 网络参数初始化
a=0.3+rand(1)/4;
for k=1:(m-1)
b(k)=0.3+rand(1)/4;
end

%% 学习速率初始化
for k=1:(m-1)
u(k)=0.0015;
end

%% 权值阀值初始化
t=1;
w11=a;
w2(1,1)=-y(1,1);
for k=2:m
w2(k)=2*b(k-1)/a;
end
for k=1:m
w3(k)=1+exp(-a*t);
end
theta1=0;
for k=1:(m-1)
theta1=theta1+b(1,k)*y(1,(k+1))/a;
end
theta2=(1+exp(-a*t))*(theta1-y(1,1));
kk=1;

%% 循环迭代
for j=1:10
%循环迭代
E(j)=0;
for i=1:(n-6)

%% 网络输出计算
t=i;
%LB层输出
LB_b=1/(1+exp(-w11*t));

%LC层输出
LC_c(1,1)=LB_b*w2(1,1);
for k=2:m
LC_c(k)=y(i,k)*LB_b*w2(1,k);
end

%LD层输出
LD_d=0;
for k=1:m
LD_d=LD_d+w3(1,k)*LC_c(1,k);
end

%阀值
theta3=0;
for k=2:m
theta3=theta3+w2(1,k)*y(i,k)/2;
end
theta4=(1+exp(-w11*t))*(theta3-y(1,1));

%网络输出值
ym=LD_d-theta4;
yc(i)=ym;

%% 权值修正
error=ym-y(i,1); %计算误差
E(j)=E(j)+abs(error); %误差求和

%计算误差
for k=1:m
errorr(k)=error*(1+exp(-w11*t));
end
thetaE0=0;
for k=1:m
thetaE0=thetaE0+w2(1,k)*errorr(1,k);
end
thetaE=(1/(1+exp(-w11*t)))*(1-1/(1+exp(-w11*t)))*thetaE0;

%修改权值
for k=2:m
w2(1,k)=w2(1,k)-u(k-1)*errorr(1,k)*LB_b;
end
w11=w11+a*t*thetaE;
end
end

%画误差随进化次数变化趋势
figure(1)
plot(E)
title('训练误差','fontsize',12);
xlabel('进化次数','fontsize',12);
ylabel('误差','fontsize',12);
%print -dtiff -r600 28-3

%根据训出的神经网络进行预测
for i=(n-5):n
t=i;
LB_b=1/(1+exp(-w11*t)); %LB层输出
LC_c(1,1)=LB_b*w2(1,1); %LC层输出
for k=2:m
LC_c(1,k)=y(i,k)*LB_b*w2(1,k); %LC层输出
end

LD_d=0;
for k=1:m
LD_d=LD_d+w3(1,k)*LC_c(1,k); %LD层输出
end

theta5=0;
for k=2:m
theta5=theta5+w2(1,k)*y(i,k)/2;
end
theta6=(1+exp(-w11*t))*(theta5-y(1,1)); %阀值

ym=LD_d-theta6; %网络输出值
yc(i)=ym;
end
yc=yc*10;
y(:,1)=y(:,1);

%计算预测
for j=n:-1:2
ys(j)=(yc(j)-yc(j-1))/10;
end

figure(2)
plot(ys((n-5):n),'-*');
hold on
plot(X((n-5):n,1),'r:o');
legend('预测值','实际值')
title('灰色神经网络预测','fontsize',12)
xlabel('x','fontsize',12)
ylabel('y','fontsize',12)

Ⅲ 数据分析挖掘包含哪些工作

1、收集数据

收集数据一般是补充外部数据，包括采用爬虫和接口，获取，补充目前数据不足部分。Python scrapy,requests是很好的工具。

2、准备数据

主要包括数据清洗，预处理，错值纠正，缺失值填补。连续值离散化，去掉异常值，以及数据归一化的过程。同时需要根据准备采用的挖掘工具准备恰当的数据格式。

3、分析数据

通过初步统计、分析以及可视化，或者是探索性数据分析工具，得到初步的数据概况。分析数据的分布，质量，可靠程度，实际作用域，以确定下一步的算法选择。

4、训练算法

整个工作流最核心的一步，根据现有数据选择算法，生成训练模型。主要是算法选择和参数调整：

算法的选择，需要对算法性能和精度以及编码实现难度进行衡量和取舍。 (甚至算法工具箱对数据集的限制情况都是算法选择考虑的内容)。实际工程上，不考虑算法复杂度超过O(N^2)的算法。Java的Weka和Python的Scipy是很好的数据挖掘分析工具，一般都会在小数据集做算法选择的预研。

参数调整。这是一门神奇的技能，只能在实际过程中体会。

5、测试算法

这一步主要是针对监督算法(分类,回归)，为了防止模型的Overfit，需要测试算法模型的覆盖能力和性能。方法包括Holdout，还有random subsampling.

非监督算法(聚类)，采用更加具体的指标，包括熵,纯度,精度,召回等。

6、使用,解释,修正算法

数据挖掘不是一个静态的过程，需要不断对模型重新评估，衡量，修正。算法模型的生命周期也是一个值得探讨的话题。

Ⅳ 请教一句英语翻译（数学相关）

他建议在解决这个非线性方程组问题时用一个相同的定理，用Broyden拟牛顿修正算法。

proposed doing建议做某事，一般是重大的建议

前面这个using是句型

而后面的这个using呢，则是因为前面已经有了proposed这个动词，use是和那个动作一起进行的，所以就用ing形式。

像这类的还有例子：
I walked down the street,thinking about my party.
我走在路上，想着我的聚会

Ⅳ 中国历法的术语解释

朔是指月球与太阳的地心黄经相同的时刻。这时月球处于太阳与地球之间，几乎和太阳同起同落，朝向地球的一面因为照不到太阳光，所以从地球上是看不见的。望是指月球与太阳的地心黄经相差 180°的时刻。这时地球处于太阳与月球之间。月球朝向地球的一面照满太阳光，所以从地球上看来，月球呈光亮的圆形，叫作满月或望月。从朔到下一次朔或者从望到下一次望的时间间隔，称为一朔望月，约为29.53059日。这只是一个平均数，因为月球绕地球和地球绕太阳的轨道运动都是不均匀的，二者之间也没有简单的关系。因此，每两次朔之间的时间是不相等的，最长与最短之间约差13小时。在中国古代历法中，把包含朔时刻的那一天叫作朔日，把有望时刻的那一天叫作望日；并以朔日作为一个朔望月的开始。在历日的安排中，通常为大小月相间，经过15～17个月，接连有两个大月。
东汉以前的历法中，都是把月行的速度当作不变的常数，以朔望月的周期来算朔，算出的朔后来称作“平朔”。东汉前后发现了月亮运动的不均匀性，此后人们就设法对平朔进行修正，以求出真正的朔，称为“定朔”。首次载有这种修正算法的历法，是刘洪创制的《乾象历》。隋代刘焯的《皇极历》，才把日行也有迟疾（就是地球绕日运动不均匀性的反映）的因素考虑到“定朔”的计算中去。 古代历法中一般都设有历元，作为推算的起点。这个起点，习惯上是取一个理想时刻。通常取一个甲子日的夜半，而且它又是朔，又是冬至节气。从历元更往上推，求一个出现“日月合璧，五星联珠”天象的时刻，即日月的经纬度正好相同，五大行星又聚集在同一个方位的时刻。这个时刻称为上元。从上元到编历年份的年数叫作积年，通称上元积年。上元实际就是若干天文周期的共同起点。有了上元和上元积年，历法家计算日、月、五星的运动和位置时就比较方便。中国推算上元积年的工作，首先是从西汉末年的刘歆开始的。刘歆的《三统历》以 19年为1章，81章为 1统，3统为1元。经过 1统即1,539年，朔旦、冬至又在同一天的夜半，但未回复到甲子日。经 3统即 4,617年才能回到原来的甲子日，这时年的干支仍不能复原。《三统历》又以 135个朔望月（见月）为交食周期，称为“朔望之会”。1统正好有141个朔望之会。所以交食也以 1统为循环的大周期。这些都是以太初元年十一月甲子朔旦夜半为起点的。刘歆为了求得日月合璧、五星联珠的条件，又设 5,120个元、23,639,040年的大周期，这个大周期的起点称作太极上元。太极上元到太初元年为 143,127年。在刘歆之后，随着交点月、近点月等周期的发现，历法家又把这些因素也加入到理想的上元中去。
日、月、五星各有各的运动周期，并且有各自理想的起点，例如，太阳运动的冬至点，月亮运动的朔、近地点、黄白交点等等。从某一时刻测得的日、月、五星的位置离各自的起点都有一个差数。以各种周期和各相应的差数来推算上元积年，是一个整数论上的一次同余式问题。随着观测越来越精密，一次同余式的解也越来越困难，数学运算工作相当繁重，所得上元积年的数字也非常庞大。这样，对于历法工作就很少有实际意义，反而成了累赘。后经曹士蒵、杨忠辅等作尝试性的改革以后，元代郭守敬在创制《授时历》中废除了上元积年。 中国古代很早就认识到木星约十二年运行一周天。人们把周天分为十二分，称为十二次，木星每年行经一次，就用木星所在星次来纪年。因此，木星被称为岁星，这种纪年法被称为岁星纪年法。此法的起源年代还不清楚，但在春秋、战国之交很盛行。因为当时诸侯割据，各国都用本国年号纪年，岁星纪年可以避免混乱和便于人民交往。《左传》、《国语》中所载“岁在星纪”、“岁在析木”等大量记录，就是用的岁星纪年法。
除了十二次之外，天上又有十二辰的分划（用子、丑、寅、卯、辰、巳、午、未、申、酉、戌、亥十二地支来称呼）。它的计量方向和岁星运行的方向相反，即自东向西。由于十二地支的顺序为当时人们所熟知，因此，人们又设想有个天体，它的运行速度也是十二年一周天，但运行方向是循十二辰的方向。这个假想的天体称为太岁。当岁星和太岁的初始位置关系规定后，就可以从任何一年岁星的位置推出太岁所在的辰，因而就能以十二辰的顺序来纪年。当时又对太岁所在的子、丑、寅、卯、辰、巳、午、未、申、酉、戌、亥十二个年，给以相应的专名，依次是：困敦、赤奋若、摄提格、单阏、执徐、大荒落、敦牂、协洽、涒滩、作噩、阉茂、大渊献。如《汉书·律历志》有：汉高祖元年“岁在大棣（鹑首），名曰敦牂，太岁在午”的记载。有了地支关系，再配上天干，就与干支顺序相联。在岁星纪年中，对甲、乙、丙、丁、戊、己、庚、辛、壬、癸十个年也给以专名，依次为：阏逢、旃蒙、柔兆、强圉、着雍、屠维、上章、重光、玄黓、昭阳。这样，甲寅年可写为阏逢摄提格，余类推。这些岁名在不同的古书中有不同的写法。上面所列的是《尔雅·释天》所载的通用写法。
岁星实际约11.86年运行一周。过八十多年，岁星实际位置将超过理想计算位置一次。岁星纪年法用久之后，就与实际天象不符。于是，必须改革历法，调整岁星和太岁的位置。因此，当时各种历法的岁星纪年法是有出入的。汉太初以后，岁星纪年法与后世的干支纪年法相连接，从太初上溯至秦统一中国时，岁星纪年比干支纪年落后一辰，上溯至战国时期则落后二辰。西汉末刘歆提出岁星每144年超一次的算法，但实际上未在纪年法中应用。东汉改用《四分历》时，废止了岁星纪年法，沿用干支纪年法。
干支以六十为周期的序数，用以纪日、纪年等。它以十天干：甲、乙、丙、丁、戊、己、庚、辛、壬、癸和十二地支：子、 丑、寅、 卯、辰、巳、午、未、申、酉、戌、亥顺序相配组成。从甲子、乙丑……直至癸亥（见附表）。干支在中国历法史上占有重要地位。早在殷商时代就使用六十干支纪日。一日一个干支名号，日复一日，循环使用，从不间断。中国的历史虽然很长，只要顺着干支往上推，历史日期就清清楚楚。这是中国古代创用干支法的功绩。在古代历法中也使用干支法，只要求出气、朔的干支，其余就一目了然。干支法不但用于纪日，还用于纪年（见岁星纪年）。古人也用十二地支纪时、纪月。地支纪时就是将一日均分为十二个时段，分别以十二地支表示，子时为现在的二十三点至一点，丑时为一点至三点，等等，称为十二时辰。地支纪月就是把冬至所在的月称为子月，下一个月称为丑月，等等。从《两千年中西历对照表》（生活·读书·新知三联书店1956年版）有西汉平帝元始元年（公元1年）以来二千年的年和日的干支。 十二个中气和十二个节气的总称，可能起源于战国时期，是中国古代的独特创造。它告诉人们太阳移到黄道上二十四个具有季节意义的位置的日期，几千年来对中国农牧业发展起了重要作用。在《淮南子·天文训》（公元前140年左右）中，有完整的二十四节气记载，其名称和顺序都同现今通行的基本一致。
节气、中气、平气、定气 节气的安排决定于太阳。西周和春秋时期以圭表测日影的方法定出冬至和夏至的时刻。后来，将一回归年（见年）的长度等分成24份，从冬至开始，等间隔地依次相间安排各个节气和中气。这种方法叫平气。按照平气办法，每月有一个节气，一个中气。例如：立春为正月节气，雨水为正月中气；惊蛰为二月节气，春分为二月中气，等等。因为两个节气的时间大于一个朔望月的时间，所以可能出现一个月内只有一个节气或一个中气的情况。西汉《太初历》（见落下闳）因而规定节气可以在上月的下半月或本月的上半月出现，而中气一定要在本月出现；如果遇到没有中气的月份，可以定为上月的闰月。这种置闰原则沿用了一千多年。
北齐（公元550～577年）张子信发现太阳视运动不均匀现象（因为地球公转轨道是椭圆的）。隋仁寿四年（公元604年），刘焯在他的《皇极历》中根据这种不均匀现象对二十四节气提出改革，将周天等分成24份，太阳移行到每一个分点时就是某一节气的时刻。这样安排的节气间隔是不均匀的，此法称为定气。定气主要在历法计算中使用。在日用历谱上一直使用平气，直到清代才开始使用定气。
二十四节气表二十四节气的名称、节气在现行公历里的大体日期和当时太阳黄经度数如表：
二十四节气反映了太阳的周年视运动，所以节气在现行公历中的日期基本固定，上半年在6日、21日，下半年在8日、23日，前后不差一两天。
影响和应用 二十四节气起源于黄河流域，几千年来成了中国各地农事活动的主要依据，至今仍在农业生产中起一定的作用。为了便于记忆，人们编出了二十四节气歌诀：春雨惊春清谷天，夏满芒夏暑相连，秋处露秋寒霜降，冬雪雪冬小大寒。随着中国历法的外传，二十四节气流传到世界许多地方。
日法 回归年（见年）和朔望月（见月）的长度都不是整数日，中国古代用分数来表示这两个数据。在唐李淳风以前，不同的历法对朔望月和回归年用不同的分母。《三统历》将朔望月的分母 81称为日法（历中朔望月的长度为 29 + 43/81日），而将回归年的分母称为统法。东汉《四分历》则相反，《四分历》的回归年长度为365 + 1/4日，称4为日法；朔望月的长度为29 + 499/940日，称940为蔀月。但是，用日法朔望月的分母则较为普遍。李淳风以后，这些有关周期的基本天文数据都用同一个分母来表示。日法的意思就成了把一日分成若干分的总分数。不过有些历法仍对日法用不同的名称，例如，在李淳风《麟德历》中就称为“总法”。 中国古代对周天的一种划分法，大抵是沿天赤道从东向西将周天等分为十二个部分，用地平方位中的十二支名称来表示，即：子、丑、寅、卯、辰、巳、午、未、申、酉、戌、亥。它与二十八宿星座有一定的对应关系（见十二次）。当星宿南中天的时候，这时十二辰与地平方位中的十二支也正好一一对应。十二辰的一种应用就是岁星纪年。关于十二辰的最初含义，众说纷纭，至今尚无定论。
十二次 中国古代为了观测日、月、五星的位置和运动,把黄赤道带自西向东划分为十二个部分，称为十二次。十二次的名称依次是：星纪、玄枵、娵訾、降娄、大梁、实沈、鹑首、鹑火、鹑尾、寿星、大火、析木。春秋战国时代的《左传》、《国语》等书中就已有这些名称的记载，它们被用来记述岁星（木星）的位置。古代把木星的恒星周期定为十二年，所以一般认为，十二次的创立是起源于对木星的观测。它的时代大约在春秋时期或更早。但《国语》中记伶州鸠（周景王时的占星家）的话说：“武王伐殷，岁在鹑火。”据中国天文学家张钰哲近年关于哈雷彗星轨道的研究，认为武王伐纣应为公元前1057年。当时岁星确实正在鹑火之次，所以伶州鸠的这个说法，应是周初时的实际观测。如果这个结论可靠的话，那么，十二次的创立时代也有可能推至殷末周初。
中国科学史家钱宝琮认为，十二次的划分原是基于二十八宿的四宫（即四象），每宫各分三次。由于四宫所跨的赤经广度并不均匀，所以十二次的赤经广度也参差不齐。不过后来就发展成按赤道度数等分的制度。《汉书·律历志》中载有十二次起讫度数，它们是和二十四节气相对应的。以十二节气为各次的起点，十二中气为各次的中点。以后一直沿用这种分划原则。不过因岁差的影响，起讫度数是逐渐变化的。明末以后用十二次名称来翻译黄道十二宫，如译摩羯宫为星纪宫等。但各宫的起点改为与十二中气相对应，并按黄道经度等分各宫。如星纪宫的起点对应冬至点，等等。
中国古代为了认识星辰和观测天象，把天上的恒星几个几个地组合在一起，每个组合给一个名称。这样的恒星组合称为星官。各个星官所包含的星数多寡不等，少到一个，多到几十个。所占的天区范围也各不相同。在众多的星官中，有31个占有很重要的地位，这就是三垣二十八宿。到唐代的《步天歌》中，三垣二十八宿发展成为中国古代的星空区划体系，颇似现今天文学上的星座。 二十八宿中，各宿所包含的恒星都不止一颗，从每宿中选定一颗星作为精细测量天体坐标的标准，叫作这个宿的距星，下宿距星和本宿距星之间的赤经差（见天球坐标系），叫作本宿的赤道距度（简称距度）。赤道距度循赤经圈往黄道上的投影所截取的黄道度数叫作黄道距度。一个天体在某宿距星之东，并且和该宿距星之间的赤经差小于该宿距度的话，就称为入该宿，这个赤经差就称为该天体的入宿度，写作“入×宿×度”。再配上该天体与天北极间的角距离──“去极度”，就成为中国古代的一对赤道坐标分量。距星选定之后，由于岁差的原因，各宿距度还在不断变化。但是这种变化相当缓慢。西汉初的《淮南子·天文训》中所列二十八宿距度数值如下：角：12度；亢：9度；氐：15度；房：5度；心：5度；尾：18度；箕：11姩度；斗：26度；牵牛：8度；须女：12度；虚：10度；危：17度；营室：16度；东壁：9度；奎：16度；娄：12度；胃：14度；昴：11度；毕：16度；觜觿：2度；参：9度；东井：33度；舆鬼：4度；柳：15度；七星：7度；张：18度；翼：18度；轸：17度。各宿距度的总和为365姩度。二十八宿的距度大小相差十分悬殊；最大的井宿达到33度，最小的觜宿只有2度。二十八宿的分布为何如此不均匀，是研究二十八宿起源尚未解决的问题。
二十八宿距星的选取，古今也不相同。汉以前存在一套与后世不同的二十八宿距星。1977年安徽省阜阳地区出土一件西汉初年的刻有二十八宿距度的圆形漆盘，其距度数值与汉以后的数值有很大差异。据研究，这是距星的选取与汉以后不同造成的，若把汉以后的距星称为今距星，汉以前的距星称为古距星，则可列表如： 把二十八宿按上表的次序分作四组，每组七宿，分别与四个地平方位、四种颜色、五种四组动物形象相匹配，叫作四象或四陆。它们之间的对应关系如下：东方苍龙（或青龙），青色；北方玄武（即龟蛇），黑色；西方白虎，白色；南方朱鸟（或朱雀），红色。
二十八宿与四方相配，是以古代春分前后初昏时的天象为依据的，这时正是朱鸟七宿在南方，苍龙七宿在东方，玄武七宿在北方，白虎七宿在西方；四种颜色的相配，则与古代五行说有关。至于龙、龟蛇、虎、鸟匹配天象的由来，一种观点认为是与原始部落的图腾有关；另一种说法则认为可能与这些星座昏中时所代表的季节特征有联系。例如，南方七宿昏中是春季，而鸟可以被看作是春天的象征等等。
1978年夏，湖北省随县发掘出战国初年的古墓葬（年代定为公元前五世纪），其中有一件漆箱盖，上面有二十八宿的名称，还有与之相对应的青龙、白虎图像。这不但把二十八宿出现的文献记载时代提前了，而且证实四象与二十八宿相配的起源年代也是很早的。 在中国古代文献记载中，二十八宿中的部分星宿出现较早。如春秋时期（公元前八至五世纪）的《诗经》、《夏小正》等书中，就有不少记载。此外，《尚书·尧典》中，有“四仲中星”的记载，即“日中星鸟，以殷仲春”，“日永星火，以正仲夏”，“宵中星虚，以殷仲秋”，“日短星昴，以正仲冬”。从所记天象来推算，“日中星鸟”即“七星”宿春分时昏中的时代，大约在公元前十二、三世纪，也就是殷末周初，因而有人认为二十八宿即产生于这个时代。但是，也有人认为少数星宿名的出现，并不能证明当时二十八宿的系统已建立起来。早期载有二十八宿的可靠文献是《吕氏春秋》、《礼记·月令》、《周礼》等书，它们的时代最早的大约在战国中期（公元前四世纪）。而从这些记载中的天象推算，则可提前到春秋中叶（公元前七世纪）。前述湖北省随县出土的二十八宿漆箱盖的发现，则把文献证据提前到公元前五世纪。
还有人认为，二十八宿在创立之初是沿赤道分布的。计算表明：二十八宿与天球赤道相吻合的年代距今约五千年前。这可认为是二十八宿体系创立时代的上限。而依据文献、文物等证实的公元前五世纪，则应该看成是二十八宿创立时代的下限。 中国以外，古代的印度（古印度包括今日的巴基斯坦和孟加拉等地）、阿拉伯、伊朗、埃及等国，也都有类似中国的二十八宿体系。由于伊朗、阿拉伯、埃及等国的二十八宿出现时代较晚，而且与印度的二十八宿相似之处较多，所以一般都认为古代这些地区的二十八宿是从印度传播去的。印度的二十八宿作月站（nakshatra，或音译为纳沙特拉）。有二十七宿与二十八宿两种。二十七宿出现较早，并且一直以二十七宿为主，二十八宿是后来增加而成的。二十七宿加上“麦粒”（abhijit）一宿（其联络星为织女星），成为二十八宿。印度二十八宿以“剃刀”（krittica，即中国的昴宿）为起始宿，名称如下：
印度二十八宿中，每宿也选定一颗亮星为代表，称主序联络星（yogatara）。但是它并不起中国二十八宿距星的作用。每宿的划分也不以主星为标准，而是由二十七宿来等分黄道度数，每宿平均占13°20总和为360°。
关于二十八宿的起源地的问题，是起源于中国，还是起源于印度？尚无定论。

Ⅵ 层次分析中,软件自动修正的矩阵不一致参数得到的一致性比率值可靠吗

yaahp提供了最小改变算法和最大改进方向算法进行一致性的修正。前者是一种基于粒子群算法的随机优化算法，后者是一种确定性算法，并且yaahp默认设置下可以根据判断矩阵不一致的特点自动选择修正算法。

Ⅶ 光学引导的agv小车可以加入控制修正算法吗

控制修正算法主要在无反光板激光自主导航agv，光学导引用不到。

Ⅷ 机械优化设计作业，C语言 试用鲍威尔修正算法求目标函数 F(X)=（X1）²+2(X2)²-4（X1）-2(X1)(X2

无非是用循环迭代，不断更新估计值，还是自己写吧

Ⅸ broyden算法矩阵接近奇异值怎么办

请采纳，谢谢！

Broyden秩1方法的计算格式提出一种修正算法,尝试利用矩阵的奇异值分解求解迭代方程组,并且配合使用加速技巧。

Ⅹ 常用的路由协议分为哪几类并简述这些路由协议的特点及主要工作原理

常用的路由协议分为RIP、IGRP（Cisco私有协议）、EIGRP（Cisco私有协议）、OSPF、IS-IS、BGP等。

1、RIP

特点：是动态路由协议，基于距离矢量算法，利用跳数来作为计量标准。在带宽、配置和管理方面要求较低，主要适合于规模较小的网络中。

原理：路由器运行RIP后，会首先发送路由更新请求，收到请求的路由器会发送自己的RIP路由进行响应；网络稳定后，路由器会周期性发送路由更新信息。当一个RIP更新报文到达时，接收方路由器和自己的RIP路由表中的每一项进行比较，并按照距离矢量路由算法对自己的RIP路由表进行修正。

2、EIGRP

特点：能实现快速收敛。运行EIGRP的路由器存储了邻居的路由表，能够快速适应网络中的变化；EIGRP发送部分更新而不是定期更新，且仅在路由路径或者度量值发生变化时才发送；支持多种网络层协议；使用多播和单播；支持变长子网掩码；无缝连接数据链路层协议和拓扑结构。

原理：结合了链路状态和距离矢量型路由选择协议的Cisco专用协议，采用弥散修正算法（DUAL）来实现快速收敛，可以不发送定期的路由更新信息以减少带宽的占用。

3、OSPF

特点：OSPF 适合在大范围的网络；组播触发式更新；收敛速度快；以开销作为度量值；OSPF协议的设计是为了避免路由环路。在使用最短路径的算法下，收到路由中的链路状态，然后生成路径，这样不会产生环路。

原理：OSPF是两个相邻的路由器通过发报文的形式成为邻居关系，邻居再相互发送链路状态信息形成邻接关系，之后各自根据最短路径算法算出路由，放在OSPF路由表，OSPF路由与其他路由比较后优的加入全局路由表。

(10)修正算法扩展阅读：

路由协议的作用

主要运行于路由器上，路由选择协议主要是运行在路由器上的协议，主要用来进行路径选择。它起到一个地图导航，负责找路的作用。工作在网络层。

路由协议作为TCP/IP协议族中重要成员之一，其选路过程实现的好坏会影响整个Internet网络的效率