想把文件转一下编码, 就出现了这样的画面.

看样子程序员也可以幽一默…

文字版来自: http://blog.sina.com.cn/s/blog_4e2c70250100blje.html

摸索着做了几个实验，试着把过程写下来，请大家指点。
<1> 下载Libsvm、Python和Gnuplot。我用的版本分别是：Libsvm（2.8.1），Python（2.4），Gnuplot（3.7.3）。注意：Gnuplot一定要用3.7.3版，3.7.1版的有bug.

<2> 修改训练和测试数据的格式（可以自己用perl编个小程序）：
目标值 第一维特征编号：第一维特征值 第二维特征编号：第二维特征值 …
…
例如：
2.3 1:5.6 2:3.2
表示训练用的特征有两维，第一维是5.6，第二维是3.2，目标值是2.3

注意：训练和测试数据的格式必须相同，都如上所示。测试数据中的目标值是为了计算误差用

<3> 分别使用Libsvm中的Windows版本的工具svmscale.exe进行训练和测试数据的归一化，svmtrain.exe进行模型训练，svmpredict.exe进行预测
（1）svmscale.exe的用法：svmscale.exe feature.txt feature.scaled
默认的归一化范围是[－1，1]，可以用参数-l和-u分别调整上界和下届,feature.txt是输入特征文件名
输出的归一化特征名为feature.scaled
（2）svmtrtrain.exe训练模型
我习惯写个批处理小程序，处理起来比较方便。例如svm_train.bat中训练语句为：
svmtrain.exe -s 3 -p 0.0001 -t 2 -g 32 -c 0.53125 -n 0.99 feature.scaled

训练得到的模型为feature.scaled.model

具体的参数含义可以参考帮助文档。这里-s是选择SVM的类型。对于回归来说，只能选3或者4，3表示epsilon-support vector regression, 4表示nu-support vector regression。-t是选择核函数，通常选用RBF核函数，原因在“A Practical Guide support vector classification”中已经简单介绍过了。-p尽量选个比较小的数字。需要仔细调整的重要参数是-c和-g。除非用gridregression.py来搜索最优参数，否则只能自己慢慢试了。

用gridregression.py搜索最优参数的方法如下：
python.exe gridregression.py -svmtrain H:\SVM\libsvm-2.81\windows\svmtrain.exe -gnuplot C:\gp373w32\pgnuplot.exe -log2c -10,10,1 -log2g -10,10,1 -log2p -10,10,1 -v 10 -s 3 -t 2 H:\SVM\libsvm-2.81\windows\feature.scaled > gridregression_feature.parameter

注意：-svmtrain是给出svmtrain.exe所在路径，一定要是完整的全路径
-gnuplot是给出pgnuplot.exe所在路径。这里要用pgnuplot.exe这种命令行形式的，不要用wgnupl32.exe，这个是图形界面的。
-log2c是给出参数c的范围和步长
-log2g是给出参数g的范围和步长
-log2p是给出参数p的范围和步长
上面三个参数可以用默认范围和步长
-s选择SVM类型，也是只能选3或者4
-t是选择核函数
-v 10 将训练数据分成10份做交叉验证。默认为5
最后给出归一化后训练数据的全路径
搜索最优参数的过程写入文件gridregression_feature.parameter（注意别少了这个>符号啊）

根据搜索到的最优参数修改feature.scaled.model中的参数
（3）用svmpredict.exe进行预测
svmpredict.exe feature_test.scaled feature.scaled.model feature_test.predicted
其中feature_test.scaled是归一化后的测试特征文件名，feature.scaled.model是训练好的模型，SVM预测的值在feature_test.predicted中。

图文版来自: http://blog.sina.com.cn/s/blog_5980835e0100drwx.html

只要修改一个文件（gridregression.py）的路径就可以了，其他网上说的两个文件（grid.py和easy.py）的路径可以不做修改，因为回归根本没有用到。修改的地方是绿色的两行路径，写成实际路径就可以了。网上下载下来的一般都是r"…svm-…"所以要改。修改后如下图。

改完之后，首先把你的数据集包括data2和test2（这是原始的）放到C:\libsvm-2.88\windows下。

现在要做的就是真正意义上的第一步，归一化处理，这一步要做，希望不要为了简便不做，这样预测出来不准。具体在dos下调完路径后，执行下面两句，分别是归一化数据集和测试集后产生新的两个文件data和test。

现在C:\libsvm-2.88\windows中多了两个文件，其实还有一个scale，不用管他，不起作用！

把两个（其实一个就够了，data）新的数据集移动到C:\libsvm-2.88\python下（其实这一部大可不必，如果不移动两个文件的话，下面输入的语句应该为python C:\libsvm-2.88\python\gridregression.py -svmtrain C:\libsvm-2.88\windows\svm-train.exe -gnuplot C:\gnuplot\bin\pgnuplot.exe -log2c -10,10,1 -log2g -10,10,1 -log2p -10,10,1 -v 10 -s 3 -t 2 C:\libsvm-2.88\windows\data.txt > gridregression_data.parameter其实就是data.txt的位置放的不一样而已；如果按照我下面的步骤来一定要做）。

现在是通过gridregression.py函数进行参数寻优，把路径调好，注意调到C:\libsvm-2.88\python下了。输入下面的语句，可能你要等很长时间，我的数据很多搞了一个晚上。

有天早上一个朋友说你昨晚这么晚回来，早上怎么7点就上线了啊qq，汗，电脑一夜跑这玩意儿。。。扯远了。

训练完后，在C:\libsvm-2.88\python中会有一个gridregression_data.parameter文件，里面就是自动寻优的结果，主要也是为了这个东西，搞了我老半天nnd。

打开它，下面最后一行分别为c,g,p,mse。其中mse没有用，其实这个值越小越好。

把刚才的3个参数用来进行训练svm模型。把路径重新调回C:\libsvm-2.88\windows，输入语句训练，会在C:\libsvm-2.88\windows里产生一个data.txt.model文件。训练好了紧接着对test文件预测，输入第二条语句，得出结果在out里面。

最后打开out和test文件比较一下结果差多少，自己去计算咯。

到此已经实现了libsvm软件做回归预测的全过程

 这篇文章来自: http://sxyd.sdut.edu.cn/zhanshi/shuzhifenxi/shuzhifenxi/4.3/szfx043.htm

Jacobi方法是求对称矩阵的全部特征值以及相应的特征向量的一种方法，它是基于以下两个结论
    1) 任何实对称矩阵A可以通过正交相似变换成对角型，即存在正交矩阵Q,使得

                Q^T AQ = diag(λ₁ ,λ₂ ,…,λ_n ) (3.1)

其中λ_i(i=1,2,…,n)是A的特征值，Q中各列为相应的特征向量。

    2) 在正交相似变换下,矩阵元素的平方和不变。即设A=(a_ij)_n×n ,Q交矩阵,记B=Q^T AQ=(b_ij)_n×n , 则
               
    Jacobi方法的基本思想是通过一次正交变换,将A中的一对非零的非对角化成零并且使得非对角元素的平方和减小。反复进行上述过程,使变换后的矩阵的非对角元素的平方和趋于零，从而使该矩阵近似为对角矩阵，得到全部特征值和特征向量。

    1 矩阵的旋转变换
设A为n阶实对称矩阵，考虑矩阵

     
易见 V_ij(φ)是正交矩阵, 记
             
注意到B=V_ij A的第i,j行元素以及 的第i,j列元素为
    
可得
    
如果a_ij≠0，取φ使得 则有
      
对A⁽¹⁾ 重复上述的过程，可得A⁽²⁾ ,这样继续下去, 得到一个矩阵序列{A^(k) }。可以证明， 虽然这种变换不一定能使矩阵中非对角元素零元素的个数单调增加，但可以保证非对角元素的平方和递减，我们以A与A⁽¹⁾ 为例进行讨论。
设    由式(3.4)
     
可得
     
这表明,在上述旋转变换下,非对角元素的平方和严格单调递减,因而由(3.2)可知，对角元素的平方和单调增加。

    2. Jacobi方法

    通过一系列旋转变换将A变成A^(k+1) ,求得A的全部特征值与特征向量的方法称为Jacobi方法。计算过程如下

    1)令k=0, A^(k) =A

    2) 求整数i,j, 使得
    3) 计算旋转矩阵
        
    4) 计算A^(k+1)

   
    5) 计算
    6) 若E(A^(k+1))<ε, 则

           
为特征值，

     Q^T = (V⁽⁰⁾ V⁽¹⁾ …V^(k+1))^T

的各列为相应的特征 向量；否则，k+1=>k 返回2,重复上述过程。 例5 用Jacobi方 法求矩阵 的特征值和特征向量。

一般地，Jacobi法不能在有限步内将A化成对角阵，但有下面的定理 。

    定理3 设A为n阶使对称矩阵，对A用Jacobi法得到序列{A^(k) }, 其中A⁽⁰⁾ = A, 则
           
证明 由Jacobi法计算过程
           
故有
           (3.5)
另一方面，有计算A 的公式可以得到
         

于是有, 代入式(3.5)得
    
因为 所以
        

心里默念两个数，如2和3，得到23，然后减去2和3的和5，得到18，把18对应的图像记住，然后查看。

点击全文看破解

最好的在线钢琴 用电脑键盘弹（鼠标点也行） 音色和真的钢琴无差 下面有乐谱 都是高潮部分 如果键盘没反应 鼠标先点一下画面就可以了

我会更新更多的谱子的 

童话 蜗牛 青花瓷 海阔天空 小星星 两只老虎 星语心愿 会呼吸的痛 痴心绝对 世界末日 笑忘书 下一站天后 不能说的秘密 心乱如麻 轨迹 巴赫-G大调小步舞曲（和弦） 新鸳鸯蝴蝶梦 铁血丹心 归去来 仙剑四-回梦游仙 Oh,Susanna 卡农 梦中的婚礼 龙卷风 爱情转移 更新位

elkj jkj jkjkjih hjlm mml iikj hjlm mmliik<br /> jkjih ijf fhhgh iikkjj jjgihhgh hghk elkji iikkjj jjnnmno<br /> olhm mmmlll elkj jkj jkjkjih hjlm mmliikj hjlm mmliik<br /> jkjih ijf fhhgh…

也欢迎大家提供谱子!