理論工具箱

A. 怎樣啟動MATLAB優化工具箱

f(x)=x.^4-3*x.^3+x.^2-2;
利用遺傳演算法求解，選擇ga solver（求解器），輸入適應函數，專輸入變數個數，start就可以了，屬充分反應了遺傳演算法的優越性。
接著是對無約束一維極值問題的求解。
首先是進退法搜索單谷函數的極值問題。原理就是在固定區間內按照一定步長無窮逼近最優解,不過無論怎樣逼近，最後得到的還是符合精度的區間，並不是理論最優解。Matlab中用minJT函數來實現。
相關的函數代碼可以在matlab相關文件夾中找到，這里就不多說，不過還是按這種方法求一下上面的極小值問題。
代碼如下：
syms x;
f=x^4-3*x^3+x^2-2;
[x1,x2]=minJT(f,0,0.001);

B. 論文中的「研究工具」是什麼意思和研究方法有什麼區別呢怎麼使用呢

論文工具箱是為畢業生提供查重、寫作、場景化服務。選擇添加按鈕，進入查找界面使用即可。

區別：

1、性質不同：研究方法是在研究中發現新現象、新事物，或提出新理論、新觀點，揭示事物內在規律的工具和手段。文工具箱為畢業生提供查重、寫作、場景化服務。

2、特點不同：論文工具箱依託微軟跟金山，合作開發了論文寫作編輯器中的效率工具。研究方法是人們在從事科學研究過程中不斷總結、提煉出來的。

3、原理不同：由於人們認識問題的角度、研究對象的復雜性等因素，而且研究方法本身處於一個在不斷地相互影響、相互結合、相互轉化的動態發展過程中，所以對於研究方法的分類很難有一個完全統一的認識。研究工具的場景化寫作、快捷高效排版、智能校對、智能化查重、降重提醒，後續將會開發更加便捷化、實用化的功能。

(2)理論工具箱擴展閱讀：

注意事項：

1、就實際的工作實踐活動未來發展趨勢、前景而言，需要研究的價值意義。

2、就實際的現在工作的實踐活動而言，需要研究的價值意義。

3、就實際的現在工作的實踐活動改進而言，需要研究的價值意義。

4、結構嚴謹，表達簡明，語義確切。摘要先寫什麼，後寫什麼，要按邏輯順序來安排。句子之間要上下連貫，互相呼應。摘要慎用長句，句型應力求簡單。每句話要表意明白，無空泛、籠統、含混之詞，但摘要畢竟是一篇完整的短文，電報式的寫法亦不足取。摘要不分段。

C. 神經網路工具箱與編程實現哪個更好

首先說一下神經網路工具箱，在我剛剛接觸神經網路的時候，我就利用工具箱去解決問題，這讓我從直觀上對神經網路有了了解，大概清楚了神經網路的應用范圍以及它是如何解決實際問題的。
工具箱的優勢在於我們不用了解其內部的具體實現，更關注於模型的建立與問題的分析，也就是說，如果拋開演算法的錯誤，那麼用工具箱來解決實際問題會讓我們能把更多的精力放在實際問題的模型建立上，而不是繁瑣的演算法實現以及分析上。

其次談談編程實現神經網路，由於個人能力有限，所以只是簡單的編程實現過一些基本神經演算法，總的體會就是編程的過程讓我對演算法有了更透徹的理解，可以更深入的分析其內部運行機制，也同樣可以實現一下自己的想法，構建自己的神經網路演算法。

以上是我對兩個方法的簡單理解。那究竟哪個方法更好些呢？我個人的看法是要看使用者的目的是怎樣的。

如果使用者的目的在於解決實際問題，利用神經網路的函數逼近與擬合功能實現自己對實際問題的分析與模型求解，那我的建議就是利用神經網路工具箱，學過編程語言的人都知道，無論用什麼編程語言將一個現有的演算法編程實現達到可用的結果這一過程都是及其繁瑣與復雜的，就拿簡單的經典BP神經網路演算法來說，演算法本身的實現其實並不難，可根據不同人的能力，編出來的程序的運行效率是大不相同的，而且如果有心人看過matlab的工具箱的源碼的話，應該能發現，裡面採用的方法並不完全是純粹的BP經典演算法，一個演算法從理論到實現還要依賴與其他演算法的輔助，計算機在計算的時候難免出現的舍入誤差，保證權值的時刻改變，這都是編程人員需要考慮的問題，可能還有很多的問題
這樣的話，如果自己單人編程去實現神經網路來解決實際問題的話，整體效率就沒有使用工具箱更好。

如果使用者的目的在於分析演算法，構造新的網路的話那當然首推自己編程實現。個人的感覺就是，如果真的是自己完全編程實現的話，對演算法會有很深入的理解，在編程的調試過程中，也會領悟到很多自己從前從來沒有考慮過的問題，像權值的初始的隨機選取應該怎麼樣，將訓練樣本按什麼順序輸入等，這都是編程實現所要考慮的問題，不同的方法得到的結果會有很大的差距。

D. 關於photoshop理論的問題 急!

1-5BDCAA 6-9AACD
1-5CBAAC 6-9BABD
其實PHOTODHOP你要是接觸多了就會愛上它了，Adobe公司的幾個軟體現在用的都非常之多，平面設計啊專，視頻屬設計啊，影視設計都用它公司的軟體。多弄弄就會愛上這東東了。。。

E. matlab里有什麼工具箱，可以用FFT（快速傅立葉變換）做頻譜分析

1、采樣數據導入Matlab 。
采樣數據的導入至少有三種方法。
第一就是手動將數據整理成Matlab支持的格式，這種方法僅適用於數據量比較小的采樣。
第二種方法是使用Matlab的可視化交互操作，具體操作步驟為：File --> Import Data，然後在彈出的對話框中找到保存采樣數據的文件，根據提示一步一步即可將數據導入。這種方法適合於數據量較大，但又不是太大的數據。
第三種方法，使用文件讀入命令。數據文件讀入命令有textread、fscanf、load等，如采樣數據保存在txt文件中，則推薦使用 textread命令。如[a,b]=textread('data.txt','%f%*f%f'); 這條命令將data.txt中保存的數據三個三個分組，將每組的第一個數據送給列向量a，第三個數送給列向量b，第二個數據丟棄。命令類似於C語言，詳細可查看其幫助文件。文件讀入命令錄入采樣數據可以處理任意大小的數據量，且錄入速度相當快，一百多萬的數據不到20秒即可錄入。
2、對采樣數據進行頻譜分析 。
頻譜分析自然要使用快速傅里葉變換FFT了，對應的命令即 fft ，簡單使用方法為：Y=fft(b,N)，其中b即是采樣數據，N為fft數據采樣個數。一般不指定N，即簡化為Y=fft(b)。Y即為FFT變換後得到的結果，與b的元素數相等，為復數。以頻率為橫坐標，Y數組每個元素的幅值為縱坐標，畫圖即得數據b的幅頻特性；以頻率為橫坐標，Y數組每個元素的角度為縱坐標，畫圖即得數據b的相頻特性。典型頻譜分析M程序舉例如下： clc fs=100;
t=[0:1/fs:100];
N=length(t)-1;%減1使N為偶數 %頻率解析度F=1/t=fs/N
p=1.3*sin(0.48*2*pi*t)+2.1*sin(0.52*2*pi*t)+1.1*sin(0.53*2*pi*t)... +0.5*sin(1.8*2*pi*t)+0.9*sin(2.2*2*pi*t);
%上面模擬對信號進行采樣，得到采樣數據p，下面對p進行頻譜分析
figure(1) plot(t,p); grid on
title('信號 p(t)'); xlabel('t') ylabel('p') Y=fft(p);
magY=abs(Y(1:1:N/2))*2/N; f=(0:N/2-1)'*fs/N; figure(2)
%plot(f,magY);
h=stem(f,magY,'fill','--');
set(h,'MarkerEdgeColor','red','Marker','*') grid on
title('頻譜圖 （理想值：[0.48Hz,1.3]、[0.52Hz,2.1]、[0.53Hz,1.1]、[1.8Hz,0.5]、[2.2Hz,0.9]） '); xlabel('f (Hz)') ylabel('幅值')
對於現實中的情況，采樣頻率fs一般都是由采樣儀器決定的，即fs為一個給定的常數；另一方面，為了獲得一定精度的頻譜，對頻率解析度F有一個人為的規定，一般要求F<0.01，即采樣時間ts>100秒；由采樣時間ts和采樣頻率fs即可決定采樣數據量，即采樣總點數N=fs*ts。這就從理論上對采樣時間ts和采樣總點數N提出了要求，以保證頻譜分析的精準度。

F. 一張圖看清全球央行工具箱 下一步央媽們將出什麼招

在22日發布的報告中，摩根士丹利匯總了全球主要央行的貨幣政策工具，包括回已經實施了的，以及答下一步可能採用的工具。
此外，該投行還分析了主要央行們在使用包括負利率在內的非常規政策工具可能面臨的法律障礙。

圖表中，摩根士丹利分析了央行政策工具的效果與效率。例如，其認為，盡管無論是理論還是實踐上，美聯儲仍有強有力的工具執行貨幣政策，但是利率已接近於零，資產負債表規模已經龐大的現實，使得美聯儲擴大寬松的空間並不如以往在應對經濟下行周期時那麼

G. 求書：《面向MATLAB工具箱的神經網路理論與應用》第三版電子版

你好，提高分數我給你

H. MATLAB優化工具箱怎麼試用

首先看一個gui對遺傳演算法的應用，
求下列函數的極小值。
f(x)=x.^4-3*x.^3+x.^2-2;
利用遺傳演算法求解，選擇ga solver（求解器），輸入適應函數，輸入變數個數，start就可以了，充分反應了遺傳演算法的優越性。
接著是對無約束一維極值問題的求解。
首先是進退法搜索單谷函數的極值問題。原理就是在固定區間內按照一定步長無窮逼近最優解,不過無論怎樣逼近，最後得到的還是符合精度的區間，並不是理論最優解。Matlab中用minJT函數來實現。
相關的函數代碼可以在matlab相關文件夾中找到，這里就不多說，不過還是按這種方法求一下上面的極小值問題。
代碼如下：
syms x;
f=x^4-3*x^3+x^2-2;
[x1,x2]=minJT(f,0,0.001);
在2009b中結果是。2009b已經沒有這個函數了。
無語了一下，繼續看下一種方法，黃金分割法。
也是一種無窮逼近法，利用黃金分割長生前一個區間中的內點，捨去一個端點。逐漸逼近最小值，是一種單向收縮法。
不過2009b也沒有這個函數了。
然後是斐波那契法。
我們首先就會聯想到斐波那契數列，不過這里確實用到了斐波那契數列。
斐波那契法顯然是一種雙向收縮法具體的搜索原理就不多追究了。
然後便是牛頓迭代法，原來就學過的一種速度相當快的迭代方法，其中優化後的全局牛頓法，一般的牛頓法需要初始點接近最值點而全局牛頓法則不需要這個要求。關最後還有割線法，二次插值和三次插值法。以後會慢慢補充相關的函數m文件的。

I. 項目管理工具箱的介紹

本書基本內容為「理論理解+管理實務+工作流程+工作模板+工具表單」，同專時具有工作指導書或項屬目管理實務手冊的特點，旨在為項目管理一線不同管理層次的專業管理人員提供對項目管理核心內容的理解與感悟，對項目管理實踐的指導與建議；提供在實際操作中可以借鑒的管理流程、工作規范、管理實務及以圖例表單為核心的手冊性內容，具有較強的實用性和可操作性。本書可供各級項目經理、項目管理人員、工程技術人員、相關研究人員和項目管理咨詢從業人員作為項目管理實務和咨詢工作案頭參考；也可作為項目管理評審員、評估師，企業高層管理者，政府、金融業、項目投資管理者考核、監督、評估項目管理水平與成效的參考資料；此書還可以作為項目管理專業研究生和項目管理工程碩士的選修教材。

J. 面向MATLAB工具箱的神經網路理論與應用的介紹

《面向MATLAB工具箱的神經網路理論與應用》利用目前國際上流行通用內的MATLAB 7.0環境，結合神經網路工容具箱4.0.6版本，分別從網路構造、基本原理、學習規則以及訓練過程和應用局限性幾個方面，通過多層次、多方面的分析與綜合，深入淺出地介紹了人工神經網路中的各種典型網路，以及各種不同神經網路之間在原理和特性等方面的不同點與相同點。本書可作為計算機、電子學、信息科學、通訊以及自動控制等專業的高年級本科生、研究生以及其他專業科技人員學習神經網路或MATLAB環境下神經網路工具箱時的教材或參考書。