相关推荐
【信息科学与工程学】【材料科学】【物理/化学和工程技术】 第五篇 材料中的光学/光电子学01
{crystal} <br>4.光学神经元模型:<br> y = f\left( \sum_i w_i x_i + b \right) <br>5.矩阵:光学矩阵乘法(MZI网格):<br> \mathbf{Y} = \mathbf{U} \mathbf{\Sigma} \mathbf{V}^\dagger \mathbf{X} <br>6.多项式:非线性激活函数ReLU的光学实现:<br> f(x) = \max(0, x) \approx \frac{x}{2} + \frac{
FDTD中的光子晶体
光子晶体是利用材料的空间周期性分布来操控光的一种方法。在特定条件下,光子晶体能形成光子带隙,阻止特定频率的光子传播。这种效应类似于半导体晶体对电子行为的影响,由此,人们可以通过光子晶体制造的器件来控制光子运动,进而制造光子作为信息载体的计算机。 为了计算光子晶体中的光学模式,我们需要在周期性介电介质条件下求解麦克斯韦方程组,尽管这项任务看似简单,但实际上我们无法获得二维或者三维周期性晶格的解析解。因此,数值计算方法被提了出来。时域有限差分法是电磁场数值计算的经典方法之一,易于实现且计算效率高。
【信息科学与工程学】【解决方案体系】【系统工程】 第三十五篇 AI + ICT + 云计算 + 网络解决方案 的软件配置清单01
AI + ICT + 云计算 + 网络解决方案 的软件配置清单。需要说明:结合当前主流通用 CAE、数学建模、AI 框架、云原生与网络仿真工具整理出的推荐软件栈。软件 / 平台功能说明Kubernetes (K8s)容器编排,承载 AI 训练、仿真任务调度、微服务化网络功能(CNF)OpenStack / 云管平台私有云 IaaS 底座,提供虚拟机、GPU 算力、VPC 网络Slurm / Altair PBSHPC 集群作业调度,支撑大规模电磁 / CFD / 光子仿真Docker / Singu
FDTD案例:从二维光子晶体结构中的完整拓扑状态集激射
FDTD案例:从二维光子晶体结构中的完整拓扑状态集激射。
【信息科学与工程学】计算机科学与自动化——第十篇 芯片设计00 芯片中的基础学科知识03
湿度加速:Peck模型 AF = (RH_stress/RH_use)^n exp(Ea/k(1/T_use-1/T_stress))热循环加速因子:Arrhenius AF = exp(Ea/k (1/T_use - 1/T_stress))等离子体鞘层厚度:d_s = (2/3)√(2e/m) V^{3/4} / (ω_p √(J))过程能力Cpk = min((USL-μ)/(3σ), (μ-LSL)/(3σ))薄膜应力:Stoney公式 σ_f = (E_s t_s²)/(6t_f R)
【信息科学与工程学】计算机科学与自动化——第十篇 芯片设计05 器件物理模型(20)
编号工艺节点与芯片类型器件物理模型领域器件物理的数学方程式建模、限界条件与组合约束关联的各类理论知识和工程知识A1FinFET (如22nm, 7nm, 5nm节点)双栅/三栅FinFET的载流子输运与量子限制效应1. 核心方程: • 泊松方程(考虑量子修正):,其中ψ为静电势,n、p为电子/空穴浓度,通常采用密度梯度或薛定谔-泊松耦合模型处理量子限制效应。 • 漏极电流模型(漂移-扩散):,其中为反型层电荷密度,为有效迁移率。 • 阈值电压模型(含量子力学修正):,其中。
基于Lumerical的光子晶体谐振腔滤波器仿真模拟
波分复用技术是大容量光纤通信网络的关键技术,而滤波器是实现波分复用的关键器件。教程介绍利用FDTD搭建二维光子晶体谐振腔滤波器模型,并通过仿真求解特定尺寸构型下的谐振腔共振模式以及带宽等参数。本案中仿真260nm厚度下的嵌有三角晶格阵列的纳米孔二维光子晶体谐振腔,仿真波长1000~1400nm。 1.构建模型 添加三角晶格的纳米孔: 纳米孔的构造通过structure脚本实现。此处略去了中心两圈的纳米孔,引入光子晶体缺陷,从而有效形成谐振腔。三角晶格常数为366nm。孔半径为135.42nm.
一维光子晶体与传输矩阵法:用Matlab快速仿真多层膜光谱
在光学薄膜与周期性介质结构设计中,如何高效预测光谱响应是工程师面临的基础问题。传输矩阵法作为一种解析递推算法,将每一层介质等效为2×2矩阵,通过连乘得到整个多层膜结构的透射与反射特性,无需网格离散即能快速扫描宽波段光谱。相比FDTD和COMSOL等重工具,该方法在平面波入射、一维层状结构下兼具速度与精度,尤其适合滤光片、反射镜等光子晶体器件的参数初筛。通过Matlab实现几十行代码即可完成折射率周期结构的带隙分析,并可进一步扩展至能带计算与缺陷模设计。本文从一维光子晶体的物理图像出发,推导传输矩阵公式,给出
lumerical FDTD、MODE自学日记
lumerical学习
一维光子晶体传输矩阵法MATLAB仿真入门与带隙分析
在光学器件设计与仿真中,多层膜结构的光谱响应计算是滤光片、反射镜和传感器研发的基础环节。相比于时域有限差分等数值方法,传输矩阵法以其物理清晰、计算高效的优势,成为分析一维周期性介质薄膜的常用工具。该方法基于麦克斯韦方程组,将每层薄膜的相位累积与界面导纳封装为2×2矩阵,通过矩阵连乘获得整体反射率与透射率,进而揭示光子带隙的位置与宽度。借助MATLAB可快速搭建仿真流程,实现参数扫描与带隙分析,为光子晶体器件的结构优化提供可靠依据。本文围绕一维光子晶体的传输矩阵建模,从原理推导到代码实现,梳理了斜入射、缺陷层
基于表面等离激元的金属波导全光开关设计
利用金属表面等离激元(SPP)对光波的束缚和局域增强作用,设计了一种基于金属-电介质-金属波导布拉格光栅的全光开关。根据波导的电介质材料及其结构对有效折射率的调制作用,确定了开关各结构组成部分的材料和尺寸。通过引入金属波导滤波结构对抽运光和信号光进行了有效地分离,防止了抽运光对信号光及后续光路的干扰。使用时域有限差分算法(FDTD)对开关性能进行仿真,结果表明:新设计的全光开关在抽运光的光强为50 MW/cm2 时其消光比达到7.32 dB,开关响应时间小于2 ps,结构的横向尺寸约为400 nm。
【光学】光子晶体波导的二维FDTD附matlab代码
光子晶体 (Photonic Crystal, PhC) 作为一种新型光学材料,因其能够通过周期性结构调控光波传播特性而备受关注。其独特的能带结构使得光子晶体波导能够实现光波的局域、引导和操控,在集成光学、光子器件等领域展现出巨大的应用潜力。然而,光子晶体的结构复杂性使得对其光学性质的精确分析成为一项挑战。有限差分时域法 (Finite-Difference Time-Domain, FDTD) 作为一种高效的电磁场数值模拟方法,在光子晶体波导特性的研究中得到了广泛应用。
【Zotero】《纯操作讲解,GPT配置,Zotero标注可视化》- 知识点目录
Temperature分布在。之间,越低输出越稳定;
光子晶体有关的仿真研究
光子晶体有关的仿真研究
西门子 标准程序解读---> 机器手抓取和涂胶控制程序
摘要 该程序实现机械手在OP70/OP90工位的自动化控制,核心功能包括: 流程控制:分段(Seg1-Seg11)管理抓件、涂胶、放件等动作,结合DB1050/DB1250数据块监控工位状态及变位机位置反馈。 安全机制:配置干涉区(FC124)、实时检测安全光/急停信号,防止碰撞;服务程序(FB191)支持维修位触发与安全隔离。 参数配置:通过DB块关联机器人速度、节拍(FB27)、车型编码(如空过=2)及手自动模式(DB70.DBX21.2)。 应用场景:适用于汽车焊接/装配线
方差分解分析变量筛选与显著性计算
冗余分析(redundancy analysis,RDA)是一种回归分析结合主成分分析的排序方法,也是多响应变量(multiresponse)回归分析的拓展。在进行VPA时,首先就要对这些环境因子进行一个分类,然后在约束其它类环境因子的情况下,对某一类环境因子进行排序分析,这种分析也成为偏分析,即partialRDA。在地球环境科学的实际应用中,可以基于VPA结果得出不同类型的环境因素(如何气候、土壤性质以及植物)对生物群落组成(如植被丰度,微生物群落)的解释程度。对于由或创建的排序对象,函数。
光子晶体滤波器仿真设计:从RSoft建模到参数优化的完整流程
在光通信器件研发中,仿真设计是连接物理原理与工程实现的关键桥梁。以光子晶体为代表的周期性介质结构,凭借其独特的光子带隙和缺陷态局域特性,为高Q值、极小尺寸的滤波器提供了全新思路。时域有限差分(FDTD)作为主流的电磁场数值方法,能够精确模拟光在复杂结构中的传播、耦合和谐振过程,是器件性能预测与优化的核心技术手段。借助RSoft这类专业仿真平台,工程师可以完成能带分析、透射谱提取、参数扫描及容差评估等全流程工作,从而有效应对谐振波长漂移、耦合效率不足和加工误差敏感等工程难题。该技术不仅适用于数据中心波分复用系
国科大学习资料--自然语言处理(宗成庆)-2019期末考试题
国科大学习资料–自然语言处理(宗成庆)-2019期末考试题 国科大学习资料–自然语言处理(宗成庆)-2019期末考试题 国科大学习资料–自然语言处理(宗成庆)-2019期末考试题
COMSOL光子晶体波导法诺共振模拟:从建模到透射谱分析
法诺共振因其不对称的陡峭线型,在微纳光学传感、滤波和光开关等领域具有独特优势,其物理本质源于离散态与连续态的干涉。光子晶体波导凭借周期结构可精确调控的特性,成为实现法诺共振的理想平台。本文基于COMSOL仿真,系统梳理了从几何建模、材料有效折射率设定、PML边界配置,到频域求解、参数扫描与透射谱提取的完整流程,并围绕法诺线型识别、品质因子估算及场分布验证给出实用调试方法。掌握这些技术细节,可高效复现光子晶体波导中的法诺共振现象,为高性能微纳光子器件设计提供工程参考。
SKUA-GOCAD入门教程-第七节 点的创建与编辑3
本文介绍了四种从井数据创建点集的方法
SAP 生产订单归档简介
通常在使用了几年的SAP后,系统中会产生非常多的数据在系统中,特别是制造业的生产订单,常年的累积会存在很多的订单在系统中,这个时候就可以使用归档的功能,对生产订单进行处理。标记DLFL的前提是需要完成生产订单的差异结算,DLFL标记可以清除掉生产订单的相关需求和预留。6、在执行CO78选择删除,前面的操作相当于我们把需要归档的数据写入了数据库中,现在正式进行数据的归档删除。然后我们co03在去看生产订单,可以看到生产订单中多了删除的状态和标记的状态。我这里直接执行的程序PPARCHP1,效果其实是一样的。
慢光通信如何实现可调时延:从群速度到工程落地
群速度是描述光脉冲包络传播速度的核心物理量,它决定了信息在光纤中的实际传输速率。当介质折射率随频率急剧变化时,群折射率显著增大,光脉冲的包络速度大幅下降,这便是慢光效应的物理基础。慢光技术不追求让光速降为零,而是通过强色散实现可控的光学延迟,弥补传统光纤延迟线难以连续调谐、电域缓存需光/电转换的短板。在光网络与微波光子系统中,可调时延是数据包同步、光时分复用解复用和波束成形的关键需求。光子晶体波导与受激布里渊散射是实现慢光的主要工程路径,前者适合片上集成,后者在常温通信波段具备更高的落地可行性。通过合理选择
【git】git: ‘interpret-trailers’ is not a git command. See ‘git --help’
cents 7.6系统. yum源安装git最新版本是1.8.3 报错: git: 'interpret-trailers' is not a git command. See 'git --help'. cannot insert change-id line in .git/COMMIT_EDITMSG 解决: git add xxx git commit -m "xxx" 然后修改 vim .git/hooks/commit-msg #if test -n "${reviewurl}" ; th
纳米级3D打印技术解析:从双光子聚合到微纳制造应用
增材制造(3D打印)是一种通过逐层堆积材料来构建三维物体的数字化制造技术。其核心原理在于将数字模型切片,并精确控制材料在特定位置沉积或固化。这项技术的价值在于突破了传统减材制造的几何约束,实现了复杂结构的自由成形。在微电子、生物医疗和精密光学等领域,对器件微型化和功能集成化的需求日益增长,这推动了3D打印向更高精度发展。纳米级3D打印正是在此背景下应运而生,它利用双光子聚合、电化学沉积等尖端原理,将制造分辨率提升至百纳米甚至更小尺度,从而能够直接制造光子晶体、微纳传感器和生物组织支架等功能性微观结构。本文聚
08 RK3568 MAC TO MAC直连 RTL8367S mdio
本文:采用rk3568 gamc0 通过rgmii直连 交换芯片的mac口 通信方法为mdio。
贝叶斯统计 [韦来生编]
贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。 本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。 大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。 作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。 本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。
慢光通信:原理、实现路径与工程挑战
光通信系统的核心节点长期依赖光-电-光转换,导致功耗和时延瓶颈日益突出,业界迫切需要在光域直接实现缓存与延迟。慢光技术并非改变光速常数,而是通过强色散介质调控光脉冲的群速度,让光在短距离内“慢下来”。群折射率是衡量慢光效果的关键参数,光子晶体、微环谐振器、受激布里渊散射(SBS)等路径均围绕这一目标展开。慢光在延迟-带宽积上存在物理权衡,工程化仍面临损耗、温漂和工艺均匀性等挑战。本文从群速度概念出发,梳理慢光通信的主流实现技术,结合数值仿真分析延迟与带宽的制约关系,并探讨其在全光缓存、微波光子学、量子存储等
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")


575



被折叠的 条评论
为什么被折叠?



