理论工具箱

A. 怎样启动MATLAB优化工具箱

f(x)=x.^4-3*x.^3+x.^2-2;
利用遗传算法求解，选择ga solver（求解器），输入适应函数，专输入变量个数，start就可以了，属充分反应了遗传算法的优越性。
接着是对无约束一维极值问题的求解。
首先是进退法搜索单谷函数的极值问题。原理就是在固定区间内按照一定步长无穷逼近最优解,不过无论怎样逼近，最后得到的还是符合精度的区间，并不是理论最优解。Matlab中用minJT函数来实现。
相关的函数代码可以在matlab相关文件夹中找到，这里就不多说，不过还是按这种方法求一下上面的极小值问题。
代码如下：
syms x;
f=x^4-3*x^3+x^2-2;
[x1,x2]=minJT(f,0,0.001);

B. 论文中的“研究工具”是什么意思和研究方法有什么区别呢怎么使用呢

论文工具箱是为毕业生提供查重、写作、场景化服务。选择添加按钮，进入查找界面使用即可。

区别：

1、性质不同：研究方法是在研究中发现新现象、新事物，或提出新理论、新观点，揭示事物内在规律的工具和手段。文工具箱为毕业生提供查重、写作、场景化服务。

2、特点不同：论文工具箱依托微软跟金山，合作开发了论文写作编辑器中的效率工具。研究方法是人们在从事科学研究过程中不断总结、提炼出来的。

3、原理不同：由于人们认识问题的角度、研究对象的复杂性等因素，而且研究方法本身处于一个在不断地相互影响、相互结合、相互转化的动态发展过程中，所以对于研究方法的分类很难有一个完全统一的认识。研究工具的场景化写作、快捷高效排版、智能校对、智能化查重、降重提醒，后续将会开发更加便捷化、实用化的功能。

(2)理论工具箱扩展阅读：

注意事项：

1、就实际的工作实践活动未来发展趋势、前景而言，需要研究的价值意义。

2、就实际的现在工作的实践活动而言，需要研究的价值意义。

3、就实际的现在工作的实践活动改进而言，需要研究的价值意义。

4、结构严谨，表达简明，语义确切。摘要先写什么，后写什么，要按逻辑顺序来安排。句子之间要上下连贯，互相呼应。摘要慎用长句，句型应力求简单。每句话要表意明白，无空泛、笼统、含混之词，但摘要毕竟是一篇完整的短文，电报式的写法亦不足取。摘要不分段。

C. 神经网络工具箱与编程实现哪个更好

首先说一下神经网络工具箱，在我刚刚接触神经网络的时候，我就利用工具箱去解决问题，这让我从直观上对神经网络有了了解，大概清楚了神经网络的应用范围以及它是如何解决实际问题的。
工具箱的优势在于我们不用了解其内部的具体实现，更关注于模型的建立与问题的分析，也就是说，如果抛开算法的错误，那么用工具箱来解决实际问题会让我们能把更多的精力放在实际问题的模型建立上，而不是繁琐的算法实现以及分析上。

其次谈谈编程实现神经网络，由于个人能力有限，所以只是简单的编程实现过一些基本神经算法，总的体会就是编程的过程让我对算法有了更透彻的理解，可以更深入的分析其内部运行机制，也同样可以实现一下自己的想法，构建自己的神经网络算法。

以上是我对两个方法的简单理解。那究竟哪个方法更好些呢？我个人的看法是要看使用者的目的是怎样的。

如果使用者的目的在于解决实际问题，利用神经网络的函数逼近与拟合功能实现自己对实际问题的分析与模型求解，那我的建议就是利用神经网络工具箱，学过编程语言的人都知道，无论用什么编程语言将一个现有的算法编程实现达到可用的结果这一过程都是及其繁琐与复杂的，就拿简单的经典BP神经网络算法来说，算法本身的实现其实并不难，可根据不同人的能力，编出来的程序的运行效率是大不相同的，而且如果有心人看过matlab的工具箱的源码的话，应该能发现，里面采用的方法并不完全是纯粹的BP经典算法，一个算法从理论到实现还要依赖与其他算法的辅助，计算机在计算的时候难免出现的舍入误差，保证权值的时刻改变，这都是编程人员需要考虑的问题，可能还有很多的问题
这样的话，如果自己单人编程去实现神经网络来解决实际问题的话，整体效率就没有使用工具箱更好。

如果使用者的目的在于分析算法，构造新的网络的话那当然首推自己编程实现。个人的感觉就是，如果真的是自己完全编程实现的话，对算法会有很深入的理解，在编程的调试过程中，也会领悟到很多自己从前从来没有考虑过的问题，像权值的初始的随机选取应该怎么样，将训练样本按什么顺序输入等，这都是编程实现所要考虑的问题，不同的方法得到的结果会有很大的差距。

D. 关于photoshop理论的问题 急!

1-5BDCAA 6-9AACD
1-5CBAAC 6-9BABD
其实PHOTODHOP你要是接触多了就会爱上它了，Adobe公司的几个软件现在用的都非常之多，平面设计啊专，视频属设计啊，影视设计都用它公司的软件。多弄弄就会爱上这东东了。。。

E. matlab里有什么工具箱，可以用FFT（快速傅立叶变换）做频谱分析

1、采样数据导入Matlab 。
采样数据的导入至少有三种方法。
第一就是手动将数据整理成Matlab支持的格式，这种方法仅适用于数据量比较小的采样。
第二种方法是使用Matlab的可视化交互操作，具体操作步骤为：File --> Import Data，然后在弹出的对话框中找到保存采样数据的文件，根据提示一步一步即可将数据导入。这种方法适合于数据量较大，但又不是太大的数据。
第三种方法，使用文件读入命令。数据文件读入命令有textread、fscanf、load等，如采样数据保存在txt文件中，则推荐使用 textread命令。如[a,b]=textread('data.txt','%f%*f%f'); 这条命令将data.txt中保存的数据三个三个分组，将每组的第一个数据送给列向量a，第三个数送给列向量b，第二个数据丢弃。命令类似于C语言，详细可查看其帮助文件。文件读入命令录入采样数据可以处理任意大小的数据量，且录入速度相当快，一百多万的数据不到20秒即可录入。
2、对采样数据进行频谱分析 。
频谱分析自然要使用快速傅里叶变换FFT了，对应的命令即 fft ，简单使用方法为：Y=fft(b,N)，其中b即是采样数据，N为fft数据采样个数。一般不指定N，即简化为Y=fft(b)。Y即为FFT变换后得到的结果，与b的元素数相等，为复数。以频率为横坐标，Y数组每个元素的幅值为纵坐标，画图即得数据b的幅频特性；以频率为横坐标，Y数组每个元素的角度为纵坐标，画图即得数据b的相频特性。典型频谱分析M程序举例如下： clc fs=100;
t=[0:1/fs:100];
N=length(t)-1;%减1使N为偶数 %频率分辨率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);
%上面模拟对信号进行采样，得到采样数据p，下面对p进行频谱分析
figure(1) plot(t,p); grid on
title('信号 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('频谱图 （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')
对于现实中的情况，采样频率fs一般都是由采样仪器决定的，即fs为一个给定的常数；另一方面，为了获得一定精度的频谱，对频率分辨率F有一个人为的规定，一般要求F<0.01，即采样时间ts>100秒；由采样时间ts和采样频率fs即可决定采样数据量，即采样总点数N=fs*ts。这就从理论上对采样时间ts和采样总点数N提出了要求，以保证频谱分析的精准度。

F. 一张图看清全球央行工具箱 下一步央妈们将出什么招

在22日发布的报告中，摩根士丹利汇总了全球主要央行的货币政策工具，包括回已经实施了的，以及答下一步可能采用的工具。
此外，该投行还分析了主要央行们在使用包括负利率在内的非常规政策工具可能面临的法律障碍。

图表中，摩根士丹利分析了央行政策工具的效果与效率。例如，其认为，尽管无论是理论还是实践上，美联储仍有强有力的工具执行货币政策，但是利率已接近于零，资产负债表规模已经庞大的现实，使得美联储扩大宽松的空间并不如以往在应对经济下行周期时那么

G. 求书：《面向MATLAB工具箱的神经网络理论与应用》第三版电子版

你好，提高分数我给你

H. MATLAB优化工具箱怎么试用

首先看一个gui对遗传算法的应用，
求下列函数的极小值。
f(x)=x.^4-3*x.^3+x.^2-2;
利用遗传算法求解，选择ga solver（求解器），输入适应函数，输入变量个数，start就可以了，充分反应了遗传算法的优越性。
接着是对无约束一维极值问题的求解。
首先是进退法搜索单谷函数的极值问题。原理就是在固定区间内按照一定步长无穷逼近最优解,不过无论怎样逼近，最后得到的还是符合精度的区间，并不是理论最优解。Matlab中用minJT函数来实现。
相关的函数代码可以在matlab相关文件夹中找到，这里就不多说，不过还是按这种方法求一下上面的极小值问题。
代码如下：
syms x;
f=x^4-3*x^3+x^2-2;
[x1,x2]=minJT(f,0,0.001);
在2009b中结果是。2009b已经没有这个函数了。
无语了一下，继续看下一种方法，黄金分割法。
也是一种无穷逼近法，利用黄金分割长生前一个区间中的内点，舍去一个端点。逐渐逼近最小值，是一种单向收缩法。
不过2009b也没有这个函数了。
然后是斐波那契法。
我们首先就会联想到斐波那契数列，不过这里确实用到了斐波那契数列。
斐波那契法显然是一种双向收缩法具体的搜索原理就不多追究了。
然后便是牛顿迭代法，原来就学过的一种速度相当快的迭代方法，其中优化后的全局牛顿法，一般的牛顿法需要初始点接近最值点而全局牛顿法则不需要这个要求。关最后还有割线法，二次插值和三次插值法。以后会慢慢补充相关的函数m文件的。

I. 项目管理工具箱的介绍

本书基本内容为“理论理解+管理实务+工作流程+工作模板+工具表单”，同专时具有工作指导书或项属目管理实务手册的特点，旨在为项目管理一线不同管理层次的专业管理人员提供对项目管理核心内容的理解与感悟，对项目管理实践的指导与建议；提供在实际操作中可以借鉴的管理流程、工作规范、管理实务及以图例表单为核心的手册性内容，具有较强的实用性和可操作性。本书可供各级项目经理、项目管理人员、工程技术人员、相关研究人员和项目管理咨询从业人员作为项目管理实务和咨询工作案头参考；也可作为项目管理评审员、评估师，企业高层管理者，政府、金融业、项目投资管理者考核、监督、评估项目管理水平与成效的参考资料；此书还可以作为项目管理专业研究生和项目管理工程硕士的选修教材。

J. 面向MATLAB工具箱的神经网络理论与应用的介绍

《面向MATLAB工具箱的神经网络理论与应用》利用目前国际上流行通用内的MATLAB 7.0环境，结合神经网络工容具箱4.0.6版本，分别从网络构造、基本原理、学习规则以及训练过程和应用局限性几个方面，通过多层次、多方面的分析与综合，深入浅出地介绍了人工神经网络中的各种典型网络，以及各种不同神经网络之间在原理和特性等方面的不同点与相同点。本书可作为计算机、电子学、信息科学、通讯以及自动控制等专业的高年级本科生、研究生以及其他专业科技人员学习神经网络或MATLAB环境下神经网络工具箱时的教材或参考书。