直方图和累计直方图 直方图公式如下： \[h(r)=n_k \quad k=0,1,\cdot \cdot \cdot ,L-1 \]其中\(n_k\)为图像中灰度级为\(r\)的像素个数。累计直方图公式如下： \[H(r)=\sum_{i=0}^{k} n_i \quad k=0,1,\cdot \cdot \cdot ,L-1 \]直方图的归一化表示方式为： \[\begin{array}{l} p\left(
\({\color{Red}{欢迎到学科网下载资料学习 }}\) 【基础过关系列】2022-2023学年高二数学上学期同步知识点剖析精品讲义(人教A版2019） \({\color{Red}{ 跟贵哥学数学，so \quad easy！}}\) 选择性必修第一册同步巩固，难度2颗星！ 基础知识 直线、圆的位置关系 1 三种位置关系 2 判
\({\color{Red}{欢迎到学科网下载资料学习 }}\) 【基础过关系列】2022-2023学年高二数学上学期同步知识点剖析精品讲义(人教A版2019） \({\color{Red}{ 跟贵哥学数学，so \quad easy！}}\) 选择性必修第一册同步巩固，难度2颗星！ 基础知识 直线的点斜式方程 若直线的斜率为\(k\)，且过定点
1 第一章习题 1.1 第一次作业 1.1.1 两个随机变量的函数的概率密度求解 法1：先求解概率分布函数，再由分布函数求导得到概率密度。 例题：已知随机变量\(X\)服从参数为1的指数分布，求\(Y = \sqrt{2X}\)的概率密度函数。 解答：由题意知，随机变量\(X\)的概率密度为： \[f(x) = \begin{cases
在三维空间显示三维矩阵，需要显示它的6个外表面。假设xyz三个方向的维数是ni，nj，nk，三个方向的顶点维数是ni+1，nj+1， nk+1。在每个面上分别绘制各自的四边形。每个四边形的颜色根据矩阵的值获取，这个例子采用了离散的数值。使用了之前创建的颜色模板类。 void DrawShape::drawDisMode
对偶问题的意义在于无论原问题是凸还是非凸，对偶问题都是凸优化问题。通过将原问题转化为对偶问题，有将复杂问题简单化的可能性，并能够求得原问题的全局最优解。 一、线性规划中的对偶理论 1.1 对偶的三种形式 对称形式的对偶（只包含不等式约束） 原问题 \[\begin{array}{ll} \min
非线性规划的最优解所满足的必要条件和充分条件（仅包含定理） 注意：文中很多地方的变量其实是矢量，比如方向 \(d\) 和梯度，为了方便写都没有写粗体。 一、无约束问题的最优性条件 定理 7.1.1 （其它定理证明需要的基础定理） 设函数 \(f(x)\) 在点 \(\bar{x}\) 处可微，如果存在方向 \({d
暑假的小存货~ numpy库 numpy库最重要的对象是新定义n维数组 \(ndarray\) 创建 \(numpy.array()\) import numpy as np a = np.array([1,2,3]) type(a) #<class 'numpy.ndarray'> \(np.zeros((n,m))\) np.zeros((2,3)) array([[0., 0., 0.], [0., 0., 0.]]) \(np.one
\[设等比数列a_{n}=ar^{n-1},首项为a_{1},r为公比,n\in N^{*}.\\ 求其前n项之和(设为s_{n}) \]\[\\ \\ \]\[s_{n}=a_{1}+a_{2}+a_{3}+...+a_{n}=a_{1}r^0+a_{1}r^{1}+a_{1}r^{2}+...+a_{1}r^{n-1} \]\[\\ \\ \]\[设s_{u}=r \cdot s_{n} \\ =r(a_{1}r^{0}+a_{1}r^{1}+a_{1}
论文信息 论文标题：Predict then Propagate: Graph Neural Networks meet Personalized PageRank论文作者：Johannes Gasteiger, Aleksandar Bojchevski, Stephan Günnemann论文来源：2019,ICLR论文地址：download 论文代码：download 1-Abstract 本文主要将 PageRank 算法引入到
学长讲的，之前也在线性代数上看到过但这两个不是一个东西 所以我自然结合了线性代数来乱搞（ 约定用 $\oplus$ 表示异或 1. 什么是线性基？ $\quad$ 线性基是一个数的集合，每一个序列都至少有一个线性基，取线性基中的若干个数异或起来可以得到序列中的任意数字 $\quad$ 为方便理解，可以将
本次操作使用的ArcGIS版本为 10.8 。 第Ⅰ部分：试题 一、 案例背景 \(\quad\quad\)太阳能是一种可再生资源，是指太阳的热辐射能。太阳能资源丰富，既可免费使用，又无需运输，对环境无任何污染。太阳能的利用还不是很普及，太阳能的使用受到昼夜、季节、地理纬度和海拔高度等自然条件的限制
本文为吴恩达 Deep Learning 笔记 深度学习概述 什么是神经网络： Neural Network 神经网络 Neuron 神经元 Rectified Linear Unit (ReLU) 线性整流函数 房价预测案例 用神经网络进行监督学习： Supervised Learning / Unsupervised Learning 监督学习 / 无监督学习 Structured
论文信息 论文标题：Attributed Graph Clustering via Adaptive Graph Convolution论文作者：Xiaotong Zhang, Han Liu, Qimai Li, Xiao-Ming Wu论文来源：2019, IJCAI论文地址：download 论文代码：download 1 Introduction 关于GNN 是低通滤波器的好文。 2 Method 2.1 Graph Co
图与网络分析 图的基本概念与模型 P.S. 只列一些陌生概念（为什么图的概念会有这么多版本
dp斜率优化 T1 hdu3507 打印文章 题目描述： 给定一个含 $ n $ 个数的数列 $ C_n $ 和 $ M $ ,将 $ C_n $ 分为若干段 $ [a,b] $ ,求所有子段的 $ W $ 之和的最小值. \[W_{a,b}=(\sum^b_{i=a}C_i)^2+M \]$ n\le 5*10^5\quad M\le 1000 $ 思路： \[\begin{align} &\quad\ 令S_i=\sum^i_
总结 \(\quad\)模拟退火的基本思路就是，如果状态更优，那么就接受他，如果结果不更优，那么以 \(\frac{-\Delta E}{T},\Delta E\geq0\) 的概率去接受当前值。 \(\quad\)要注意的是： 接受一个不那么优的值时，不要改变全局答案和答案相关变量，仅仅改变当前相关值。 对于温度和下降系数的设
总结 $\quad$01分数规划的基本题目套路是这么一个式子 \[\sum\frac{w_ia_i}{w_ib_i},w_i=0/1 \]\(\quad\)也就是对于每一组问题取或不取，最好希望分数最大/小化 \(\quad\)一般采用的都是二分的方法，也就是会套一个 \(log\) ，然后对于这个值贪心的去判断能否达到要求 \(\quad\)有的时
总结 偏序问题 1D 动态规划优化 动态问题转为静态问题 \(\quad\)所有的这些都离不开一个精髓，就是分治处理：先处理左边区间，然后处理左边区间对右边区间的贡献，然后处理右边区间。（后面两项处理根据具体应用调整操作顺序） \(\quad\)对于偏序问题一般的就是三维偏序，要注意的是一边算贡
\(\quad\)对于莫队的复杂度计算，我们首先块长，然后分别分析左右端点的移动，然后就会得到一个式子，为了使这个式子最小，适当调整分块块长即可。 普通莫队 \(\quad\)对于普通莫队，一般的复杂度是 $O(n\sqrt n) $ 。 \(\quad\)最优的分块方式是对于端点分块，块长为 \(\frac{n}{\sqrt m}\) ，然
\(\quad\)这个就是对于所有询问一起二分答案。一般的格式是 solve(值域，操作范围) ，表示在这个操作范围内，所有的操作都是涉及这个值域的（答案在这个值域，加减在这个值域），并且按照顺序排列。那么求解的大概的过程就是，对于当前值域二分一个答案，扫一遍，对于涉及的数值比这个二分的值小的操
论文信息 论文标题：Deep Embedded Multi-View Clustering via Jointly Learning Latent Representations and Graphs论文作者：Zongmo Huang、Yazhou Ren、Xiaorong Pu、Lifang He论文来源：2022, ArXiv论文地址：download 论文代码：download 1 Introduction 隶属于多视图聚类（MVC）算
我们在上一篇博客《数值优化：经典一阶确定性算法及其收敛性分析》中主要介绍了单机数值优化中一些经典的一阶确定性算法，本篇文章我们将会介绍二阶确定性算法和对偶方法。 1 牛顿法 1.1 算法描述 牛顿法[1]的基本思想是将目标函数在当前迭代点处进行二阶泰勒展开，然后最小化这个近似
第一章-质点运动学 质点运动的描述 运动方程一般为\(\,\vec r=t(\vec v,\vec a)\,\),形如 \[\vec r=\vec v_0t+\frac 12\vec gt^2 \]轨迹方程一般为\(\,y=f(x)\,\),形如 \[y=xtan\,\alpha-\frac{g}{2{v_0}^2cos^2\,\alpha}x^2 \]圆周运动 \[\vec a=\frac {{\rm d}\vec v}{{\rm d}t
论文信息 论文标题：Learning Graph Embedding with Adversarial Training Methods论文作者：Shirui Pan, Ruiqi Hu, Sai-fu Fung, Guodong Long, Jing Jiang, Chengqi Zhang论文来源：2020, ICLR论文地址：download 论文代码：download 1 Introduction 众多图嵌入方法关注于保存图
