文章目录 题目分析题目链接 题目分析 来源：acwing 分析： 如何建图？ 这样建图。以样例举例。起点是前两个字母，终点是末尾两个字母，边权是字符串的长度。 我们求的是什么呢？ 题目要求 Σ
文章目录 题目分析题目链接 题目分析 来源：acwing 分析： 题目要求 Σ f i
目录卷积计算均值滤波高斯滤波 图像模糊,也可以称为图像滤波,主要是为了去除图像中明显的噪声点; 这一节主要介绍两种滤波方式: 均值滤波和高斯滤波; 重点介绍一下两者的原理,并使用OpenCV提供的API进行测试; 卷积计算 其实,不管是均值滤波,还是高斯滤波,其核心计算是卷积操作; 计
高斯判别分析介绍 高斯判别分析 GDAGDA模型模型求解具体计算 高斯判别分析 GDA GDA：Guassian Discrimant Analysis 高斯判别分析属于两分类、软分类、概率生成模型 GDA模型 生成模型中，我们需要对联合概率分布进行建模，然后采用 MAP 来获得参数的最佳值。两分类的情况，我们
马氏距离(Mahalanobis distance)是由印度统计学家马哈拉诺比斯(P. C. Mahalanobis)提出的，表示点与一个分布之间的距离。它是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是，它考虑到各种特性之间的联系，本文介绍马氏距离相关内容。 欧氏距离的缺点 距离度
一、概述 线性回归的数据如下所示： D = { ( x
题目描述 给出正整数 n和 k，请计算 \(G(n, k) = \Sigma_{i = 1}^{n}k\ mod \ i\) 其中 k mod i表示 k除以 i的余数。 输入格式 输入只有一行两个整数，分别表示 n和 k。 输出格式 输出一行一个整数表示答案。 输入输出样例 输入 #1复制 10 5 输出 #1复制 29 \(k\ mod\ i\)相当
打算学习过程中碰到有趣的数学就堆这里，目前打算是一个长期东西的，但指不定哪天心情不好就删了（雾） 关于 \(\varphi(n)=n\,*\,\prod_{i=1}^k(1-\frac{1}{p_i})\) 的证明： 引理1：若 \(p\) 是素数且 \(a\) 为正整数，则 \(\varphi(p^a)=p^a-p^{a-1}\) 证明：\(b\) 与 \(p^a\) 互素等价于其不与
比值判别法 设 Σ n = 1 ∞ a
这题从一月初看题解做到现在，必须写个题解纪念下。 Link 下文中 \(\sigma_k(x)\) 表示 \(x\) 所有因数的 \(k\) 次方和。根据定义，\(\sigma_0(x)\) 表示 \(x\) 所有因数的 \(0\) 次方和即 \(x\) 的因数数量。 由于答案一定是 \(\max\{a_i\}\) 的因数，所以 \(\mathcal O(\sigma_0(\max
《统计学习方法》（李航）学习笔记 【1】第一章 统计学习方法概论 1.3.2的2. 经验风险最小值与结构风险最小值中提到'当模型是条件概率分布，损失函数是对数损失函数时，经验风险最小化等价于极大似然估计'。P9 个人注解： \[假设空间 F=\{ P|P(Y|X);\theta\} \]\[极大似然函数 L(\theta)={
Navigator 支付红利code 支付已知红利额条件下的美式期权定价有限差分法内含有限差分法外推有限差分法 利率衍生证券利率上限定价 支付红利 支付已知红利：在期权的有效期的某些时刻的资产支付红利率支付连续红利：在期权有效期所有时刻标的资产都支付红利 在支付已知红利的
正太分布和概率密度函数，期望值，方差 正态分布(Normal distribution)，又名高斯分布（Gaussian distribution）是一个非常常见的连续概率分布。正态分布在统计学上十分重要，经常用在自然和社会科学来代表一个不明的随机变量1。 正态分布的形状由平均值
A 题面 JSOI 交给队员 ZYX 一个任务，编制一个称之为“文本生成器”的电脑软件：该软件的使用者是一些低幼人群，他们现在使用的是 GW 文本生成器 v6 版。 该软件可以随机生成一些文章——总是生成一篇长度固定且完全随机的文章。 也就是说，生成的文章中每个字符都是完全随机的。如果一篇
Abstract 本文提出了一个新的方法，将目标检测看作一个直接的集合预测问题。该方法让检测变得更简洁，去除了人为设计的后处理步骤如 NMS 或 anchor 生成，显式地编码了关于任务的先验知识。该框架的主要结构叫做 DEtection TRansformer 或 DETR，基于集合的全局损失，通过二分匹配和一
文章目录 1. 优化1.1 机器学习中优化函数1.2 优化分类 Optimization Categories1.3 凸集 Convex Set凸集分离定理 1.4 凸函数 Convex Function1.5 优化-运输问题1.6 股票/投资 组合优化 portfolio optimizationSet Cover Problem 1. 优化 AI 问题 = 模型 + 优化 模
Intro 衡量线性关系，一般要求变量（近似地）服从正态分布，并且是连续性的。 在进行归一化之后，Pearson 相关系数实际上类似于先进行中心化再做余弦相似度。 给出的结果，负相关为 -1，正相关为 1. Pearson Correlation Coefficient 是用协方差除以两个变量的标准差得到的 输入两组数据，Pearson
本文旨在通过简单实例来对基于MATLAB的数字调制解调系统仿真进行一个较为全面的介绍，并加深对一些基础知识的理解。且有详细解释大多数人在进行数字调制MATLAB仿真时遇到的大部分问题。 数字调制的概念 数字调制是把数字信号即二进制比特或一定长度的比特串变换为连续信号波形
题意描述： 洛谷 有一个 \(n\times m\) 的表格，第 \(i\) 行第 \(j\) 列的权值为 \(\sigma(\gcd(i,j))\) , 有 \(Q\) 组询问，每次问你一个 \(n\times m\) 的表格中，不大于 \(a\) 的数字之和。 数据范围： \(n,m\leq 10^5, Q\leq 2e4\) 前置芝士： 1.线性筛约数个数 设 \(n = p_1^{k_1}p_2^{k
对于给定的阈值\(T\)，可以将图像分为目标和背景。其中背景点数占图像比例为 \(p_0\)，平均灰度值为 \(m_0\)。而目标点数占图像比例为 \(p_1\)，平均灰度值为 \(m_1\)，其中满足 \[p_0 + p_1 = 1 \]整幅图像的平均灰度值为常数，跟阈值无关，且为 \[\overline m = p_0m_0 + p_1m_1 \]类间方差
目录LSTM 长短记忆网络如何训练C参数？1、决定丢弃信息2、确定要更新的信息3、更新细胞状态4、输出信息参考资料 LSTM 长短记忆网络 LSTM 是 RNN 的升级版，应用更广泛。 解决的问题： 增加控制参数C，保留有价值的信息； C 可以看做一个权重列表：[0, 0.1, 0.8, 1] 舍弃，小部分保留，大部分保留
线性筛 闲话 之前写的总结不忍直视（总结了个寂寞），今天突然要用到约数和结果不会筛，于是爬来写博客。 性质 时间复杂度线性 理论上所有积性函数都可以筛（推式子） 用法 对于需要筛的积性函数，我们需要讨论三种数时它的取值或者转移。 当 \(i\) 为素数时，此时函数的值一般可以快速得到； 当
P3312 数表 题意 求出 \[\sum_{i=1}^n\sum_{j=1}^m\sigma(\gcd(i,j))[\sigma(\gcd(i,j))⩽a] \]其中 \(\sigma\) 表示约数和。 思路/推导 考虑没有 \(a\) 的限制的情况。 \[ans=\sum_{d=1}^{\min(n,m)}\sigma(d)\sum_{i=1}^{\left\lfloor\frac{n}{d}\right\rfloor}\sum_{j=1}^{\le
众所周知，积分器是模拟集成电路中的一个主要模块，用来进行模拟积分的功能。在Sigma-Delta ADC中，最重要的模块就是积分器。在一些专业书籍中，对单极运放组成的积分器的带宽做了详细的分析（如 《模拟CMOS集成电路设计》 和 Understanding Sigma Delta ADC )。这里我们将 Understanding
全部笔记的汇总贴：《深度学习》花书-读书笔记汇总贴 《深度学习》PDF免费下载：《深度学习》 基于潜变量的最简单的概率模型。 x = W h
