快速幂： 前置知识：分治 快速幂是用来求解 $$a^b$$ 的一种基于分治的算法。 首先根据我们学过的同底数幂乘法，显然有 $$a^b=a^{\frac{b}{2}}\times a^{\frac{b}{2}}$$ 但是$\frac{b}{2}$有可能是小数啊QAQ，这样的话不就更麻烦了吗？ 考虑分类讨论： 当$b$为偶数时，这样的话$\frac{b}{2}$为整
电机dq坐标系下电压方程： { u d
前言 算法分析是对一个算法需要多少计算时间和存储空间作定量分析。此文主要介绍如何使用渐近分析记号来表示算法的时间复杂度以及如何对算法效率进行比较。 分析涉及的概念 输入规模度量 算法的时间效率和空间效率都用输入规模的函数进行度量 对相同大小的输入实例具有相同的
感知机分类器 理论推导 感知机其实也是一个线性分类模型，但是同逻辑回归不同，主要是损失函数建立的思路同时不从概率角度出发。 （一）假设函数 数据集(样本)： X ⊑ R
反射率公式 L o ( p , ω o
随机事件及其概率 一. 概率的基本定义及性质 试验E中每一个可能结果称为基本事件,或称为样本点 所有基本事件组成的集合称为试验E的样本空间,即为\(\Omega\) 两种特殊事件: 必然事件\(\Omega\)(概率为1),不可能事件 \(\empty\) (概率为0) 事件运算: 包含: 事件A发生必然
一些基础概念： 样本点（sample point）是一个随机实验的一个可能结果，所有的样本点构成样本空间。 事件是样本空间的一个子集，如果一个事件是空集则称为不可能事件；如果是全集 \(\Omega\) 那么就是必然事件。如果一个事件只包含一个样本点则称为基础事件，所有事件都可以划分成基础事件的不
第9章 直流电动机电枢回路电压平衡$U=E_a+I_a R$ 感应电动势$E_a=C_e \Phi n$, 电磁转矩$T=C_T \Phi n$ 机械特性$n=\frac{U}{C_e\Phi}-\frac{R}{C_e C_T \Phi^2} T=n_0-\beta T$ 电动状态$n=\frac{U_N}{C_e\Phi}-\frac{R_a+R_z}{C_eC_T\Phi^2}T$, $R_z$或者$R_{\Omega}$是串电
线性回归, 最简单的机器学习算法, 当你看完这篇文章, 你就会发现, 线性回归是多么的简单. 首先, 什么是线性回归. 简单的说, 就是在坐标系中有很多点, 线性回归的目的就是找到一条线使得这些点都在这条直线上或者直线的周围, 这就是线性回归(Linear Regression). 是不是有画面感了
作者|Krunal Kshirsagar 编译|Flin 来源|Medium 什么是SLAM？ 即时定位与地图构建（simultaneous localization and mapping，简写成SLAM），用于环境模型（map）的并行构建，以及在其中移动的机器人的状态估算。换句话说，SLAM为你提供了一种实时跟踪机器人在世界上的位置、并识别地标（例如建筑物，树
ListFourierSequenceTransform[{-2, -1, 1, 3, 3, 1, -1, -2}, \[Omega]] ParametricPlot[{Re[%], Im[%]}, {\[Omega], -2 Pi, 2 Pi}, AspectRatio -> 1] Plot[Abs[%%], {\[Omega], -2 Pi, 2 Pi}] Plot[Arg[%%%], {\[Omega], -2 Pi, 2 Pi}] 整活没活整了，将就着看吧，这程序也好写
一、最小二乘法 对于给定的数据集\(D = {(x_1,y_1),(x_2,y_2), ...,(x_m,y_m)}\)，其中\(x_i=(x_{i1};x_{i2}; ...;x_{id})\)。 对上述数据进行拟合： \[f(x_i)= \hat \omega^T \hat{x_i} \]其中：\(\hat\omega = (\omega_1;\omega_2; ..., \omega_d;b)\) , \(\hat x_i = (x_{i1};x_{i2}
这一部分我们介绍两阶段的随机规划问题，并且引入一个新的算法--Benders 分解。 引入问题 假设有一个决策者需要在两个连续的阶段做出决定。在第一阶段需要选择出一个决策向量\(x\)，然后紧接着在得到一些新的信息之后需要在第二阶段确定另一个新的决策向量\(y\)。我们假设存在K种可
中意只是两条线的交点 交点只分由远有近 但，永远没有平行 Description Problem Link 给定 \(b,a\)，求 \[\left\lceil\dfrac{b\times 2^{a+2}}{25}\right\rceil\times100 \]对 \(998344353\) 取模的结果。 传说中的杀狗题吗 Solution For Sub 1 Sub 1 直接暴力即可 …… 没有思维
随机变量和随机过程 随机变量定义： 随机变量是对每个实验结果指定一个数值的函数（随机试验E的样本空间S={e}） 随机过程定义： 随机过程是对每个试验结果指定一个时间函数的函数。是t和e的二维函数。 随机过程是样本函数的集合。 其中选定一个时间\(t_1\)时，\(X(t_1,e)\)
作者前言 在2020年还在整理XGB的算法，其实已经有点过时了。。不过，主要是为了学习算法嘛。现在的大数据竞赛，XGB基本上已经全面被LGB模型取代了，这里主要是学习一下Boost算法。之前已经在其他博文中介绍了Adaboost算法和Gradient-boost算法，这篇文章讲解一下XGBoost。 Adaboost和XGBoos
1. 去官网下载安装LaTeX语言环境 Tex Live http://www.tug.org/texlive/ 2. 下载安装IDE CTEX，默认为WinEdt 7.0（更高版本要求付费） http://www.ctex.org/HomePage 3. 模板下载网站 https://www.overleaf.com/ http://www.latextemplates.com/ https://www.latexstudio.net/ 代码
信号与系统课程第十五次作业参考答案 ※ 第一题 已知x[n],h[n]x\left[ n \right],h\left[ n \right]x[n],h[n]长度分别是10， 25。设：y1[n]=x[n]∗h[n]y_1 \left[ n \right] = x\left[ n \right] * h\left[ n \right]y1[n]=x[n]∗h[n]。 把x[n]x\left[ n \right]x[n]
第九次作业参考答案 01第一题 已知x(t)x\left( t \right)x(t)和X(ω)X\left( \omega \right)X(ω)是一对傅里叶变换，xs(t)x_s \left( t \right)xs(t)是x(t)x\left( t \right)x(t)的采样，即：xs(t)=∑n=−∞+∞x(nTs)δ(t−nTs)x_s \left( t \right) = \sum\limits_{n
多项式杂谈（更新中） 前言 最近在学习多项式，稍微开个坑吧。 一些比较好的学习资料、模板： 多项式大杂烩 - Froggy 珂学家的博客 【多项式n连】各种多项式模板（从入门到入土） 我个人习惯写指针，在我的模板中基本没有 vector，可能是我觉得 vector 常数大吧。 本文以存板子为主，一些边界条件
该系列为DR_CAN自动控制原理视频笔记，详见https://space.bilibili.com/230105574 由于笔者水平有限，文中难免存在一些不足和错误之处，诚请各位批评指正。 该篇主要讲根对系统表现的影响，主要还是过去的一些内容 1 一阶系统 2 二阶系统 二阶系统之前以及有详细介绍了这里不再赘述：
Bluestein's algorithm 任意长度dft，某些分治算法/循环卷积时有用。 \[y_k = \sum_{i=0}^{n-1} f(\omega^k)=\sum_{i=0}^{n-1}a_i \omega^{ki}_n \]\[=\sum_{i=0}^{n-1} a_i \omega_{2n}^{k^2+i^2-(k-i)^2} \]\[=\omega_{2n}^{k^2}\sum_{i=0}^{n-1} a_i \omega_{2n}^{i^2} \
该系列为DR_CAN动态系统的建模与分析系列视频笔记，详见https://space.bilibili.com/230105574 由于笔者水平有限，文中难免存在一些不足和错误之处，诚请各位批评指正。 1 弹簧阻尼系统的例子 通过对物块 \(m\) 进行受力分析，并根据牛顿第二定律得到系统的微分方程： 通过定义二阶系统的
该系列为DR_CAN动态系统的建模与分析系列视频笔记，详见https://space.bilibili.com/230105574 由于笔者水平有限，文中难免存在一些不足和错误之处，诚请各位批评指正。 1 频率响应 回顾一下频率响应的结论，即振幅响应的值为 \(G(j\omega)\) 的幅值，幅角响应的值为 \(G(j\omega)\) 的幅角
对于二属性样本分类，L2和L1正则化基本相同，仅仅正则化项不同 LASSO回归为在损失函数加入\(||\omega||_1\) ,\(\omega\) 的1范数 而 岭回归为\(||\omega||_2^2\)，\(\omega\) 的2范数 *矩阵、向量范数 *L1正则化（岭回归） LASSO Regression Loss Function \[J(\omega)= (X \omega - Y)^T(X
