linear

    2

    1답변

    두 개의 특정 매개 변수가있는 대형 세트의 장치가 있습니다. 이 세트 내에서 가능한 한 가장 유사한 디바이스 쌍을 작성하려고합니다. 이것은 유클리드 표준에 의해 수행됩니다. 하지만 어떤 할당 문제가 각각 어떤 경우에 해당하는지에 대해서는 잘 모르겠습니다. 나는 최대한으로 일치하는 것을 찾고 있는데, 완벽하거나 최대 일치는 아닙니다. 두 가지 측면이 중요합니

    1

    1답변

    내 모델을 사용하여 일부 예측을 수행 할 때 문제가 발생합니다. R이이 메시지를 표시합니다. Warning message prediction from a rank-deficient fit may be misleading, 어떻게 해결할 수 있습니까? 내 모델이 맞다고 생각하는 것은 실패한 예측이며 이유를 모르겠습니다. 여기에 내가 뭐하는 거지 단계적으로 모

    0

    1답변

    내 문제는 다음과 같습니다 : 3 점으로 삼각형을 정의했습니다. 좌표계는 다음과 같이 정의된다 : 위쪽 Z 축 헤드 내 화면에서 오른쪽 Y 축 헤드에 X 축 헤드 이것은 OpenGL에서 사용되는 가장 일반적인 좌표계입니다 (저는 생각합니다). 이제 삼각형이 생겼습니다. 모든 점의 X와 Z 값이 다릅니다. X와 Z 좌표를 부여하여 삼각형의 Y 좌표를 찾아야합

    0

    2답변

    x (x1) 및 y (y1)에 대한 데이터 집합이 있습니다. 정의 된 x (x2) 값을 사용하여 새로운 데이터 세트를 가져와야합니다 (따라서 해당 y 값 (y2)을 찾아야 함). 모든 x2에 대해 모델에서 x2가 속하는 두 x1 점을 찾고 직선과 연결하고 해당하는 y2를 찾으십시오. 기본적으로 x1 및 y1 지점을 통해 플롯을 작성하고 직선으로 연결 한 다

    0

    1답변

    여러 개의 열이있는 목록이 있습니다. 가장 왼쪽의 열은 x 축 데이터이고 나머지는 다양한 y 데이터 집합입니다. 각 열에 대해 선형 회귀를 생성하고 싶지만 x의 특정 범위에 대해서만 선형 회귀를 0,0으로 강제합니다. 그리고 마지막으로 상기 선형 회귀의 선 기울기를 추출한다. 아래는 내 데이터의 예입니다. 여기 x y1 y2 y3 y4 1 2.49

    3

    1답변

    저는 Dymola를 사용하여 Modelica 표준 유체 라이브러리에서 ValveLinear 모델을 모델로 구현하고 있습니다. 다음과 같습니다이 밸브 주요 매개 변수 : parameter Medium.MassFlowRate m_flow_nominal "Nominal mass flowrate at full opening"; final para

    -1

    1답변

    줄을 단어로 나눈 다음 공백과 줄 바꿈을 기준으로 줄을 나눕니다. 마지막 단어를 인쇄하지 않으므로 불완전한 해결책을 찾았습니다. 선형 검색만으로 기본 접근법을 사용할 수 있습니다. 감사. line = raw_input() while line != "end": i = 0 while i < len(line): i = 0

    -1

    1답변

    하나의 산점도에서 3 개의 다른 데이터 프레임에서 2 개의 변수를 플롯하고 각 선형 관계식의 방정식을 자동으로 플롯하려고합니다. 다음 코드를 사용하고 있습니다. 그러나 나는 두 가지 문제가 있습니다. 1) 전체 범위가 아닌 동일한 값의 도표를 얻습니다 (예 : df1 = 700 값, df2 = 350 값, df3 = 450 값). NA를 생략하는 역할은 무

    0

    1답변

    펄프에서 갖는 곱셈 제약 조건을 선형화하려고합니다. prob += (1 - Y) * (3 - X) 과 같다 : Y*X : Y 이진 변수가 수식 모두에서, prob += 3 - 3*Y - X + X*Y 는 다음 부분을 제외하고 선형는 그것은 다음과 같이 보입니다. 나는 또 다른 질문에서 발견 된 수식을 사용하여이 문제를 해결하려 : Link to th

    1

    1답변

    선형 역학 시스템이 있다고 가정하면 대부분의 온라인 자습서에서 사용 된 방정식을 사용합니다. 예를 들어 : x_k = Ax_{k-1} + Bu_{k – 1} + w_{k – 1} z_k = Hx_k + v_k 그래서 우리는 무엇을 가지고 있습니다 : 여기 x^k = Ax^{k-1} + Bu^{k – 1} P_k = AP_{k-1}A^T + Q