\({\color{Red}{欢迎到学科网下载资料学习 }}\) 【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3颗星！ 基础知识 点A、B间的距离 \(A B=|\overrightarrow{A B}|=
\({\color{Red}{欢迎到学科网下载资料学习 }}\) 【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 求异面直线a ,b所成的角 已知\(a\),\(b\)为两异
前言 当在线段上选定了一个动点后，利用线段的比例或利用向量共线，就可以将形的问题转化为数的问题了。比如探究线段 \(PB\) 上是否存在一个点 \(S\)，那么我们就假设存在满足条件的点 \(S\)，可设 \(\overrightarrow{PS}=\lambda\overrightarrow{PB}(0\leqslant\lambda\leqslant 1)\)，则
今天复习到了高数的向量代数，那就顺手把一部分计算几何的基础知识总结下贴上来QWQ 感觉……计算几何的板子，很容易出错（我下载到的板子也在一些小地方和特殊情况存在问题），所以这些都是我尽量验证过的，但是，也不能保证考虑到了100%的情况，因此推荐在应用之前，也尝试着进行一些验证（比如自己
简要题意： 定义三维空间中的一个 lattice 是满足下列条件的三维整点的集合： \[L=\{u\cdot \overrightarrow{r_1}+v\cdot \overrightarrow{r_2}+w\cdot \overrightarrow{r_3} \}_{u,v,w\in \mathbb Z} \]其中 \(\overrightarrow{r_1},\overrightarrow{r_2},\overrightarrow{r_3}\) 为
比赛链接： https://ac.nowcoder.com/acm/contest/11185 A.Duplicate Strings 思路： 统计的是字母的数量，先存下字符串每个字母的数量，操作 1 就是将现有字母的数量乘上 \(k + 1\)，操作 2 输出 \(c\) 的数量。 代码： #include <bits/stdc++.h> using namespace std; const int N = 30, mo
前言 这篇东西大部分都是在瞎bb，大佬们可以选择不看。 需要先学一点点线性代数的内容。 由于本人太菜，这篇博客只会讨论二维的情况。 由于本人太懒，因此会缺少一些示意图。 向量 点积/数量积 一般用 \(\vec a \cdot \vec b\) 表示，有 \(\vec a \cdot \vec b = |\vec a||\vec b|\cos \l
前言 这篇东西大部分都是在瞎bb，大佬们可以选择不看。大部分内容来自 \(\rm 3Blue1Brown\) 大佬的视频。 需要先学高斯消元。 基础向量 定义一个 \(n\) 维的向量 \(\vec v\) ，其长度用 \(|\vec v|\) 表示，一般来说，我们可以用一个 \(n\) 元组（可以理解为一个长度为 \(n\) 的序列）表示一
选择性必修第一册同步拔高，难度3颗星！ 模块导图 知识剖析 1 求空间角 \((1)\)求异面直线\(a\),\(b\)所成的角 已知\(a\),\(b\)为两异面直线，\(A\),\(C\)与\(B\),\(D\)分别是\(a\),\(b\)上的任意两点，\(a\),\(b\)所成的角为\(θ\)，则\(\cos \theta=|\cos <\overrightarrow{A C}, \ove
Match-LSTM with Ans-Ptr论文笔记 《MACHINE COMPREHENSION USING MATCH-LSTM AND ANSWER POINTER》论文笔记 Overview 本文是在SQuAD v1.1数据集出世后第一个采用end-to-end的深度学习方法的paper。模型的主要结构是对已有的两个模型的结合：match-LSTM（Jiang&Wang, 2016）和Poin
高一同步拔高练习，难度3颗星！ 模块导图 知识剖析 平面向量的基本定理 1 平面向量的基本定理 设\(\overrightarrow{e_{1}}\)，\(\overrightarrow{e_{2}}\)同一平面内的两个不共线向量， \(\vec{a}\)是该平面内任一向量，则存在唯一实数对$ (λ,μ)$，使 \(\vec{a}=\lambda \overrightarrow
神经网络学习 1、输出与输入的关系（感知基）： $$ y=\begin{Bmatrix} 1 & {\overrightarrow{x}\cdot \overrightarrow{w}+b>0}\ 0 & {\overrightarrow{x}\cdot \overrightarrow{w}+b\leqslant 0} \end{Bmatrix} $$ 这个模型由生活中而来，$\overrightarrow{x}$是输入表示各种情况，$\overri
无监督-DEEP GRAPH INFOMAX 标签：图神经网络、无监督 动机 在真实世界中，图的标签是较少的，而现在图神经的高性能主要依赖于有标签的真是数据集 在无监督中，随机游走牺牲了图结构信息和强调的是邻域信息，并且性能高度依赖于超参数的选择 贡献 在无监督学习上，首次结合互信息提出了一
Dijkstra（迪杰斯特拉）算法 解决的问题 用户指定一个顶点\(V_k\)，求出\(V_i|_1^N\)与\(V_k\)的最短路径及其长度。 算法的核心 说到底它是一种“贪心算法”，通过在每一步做出局部最优决策来解决问题，希望找到全局最小值。 通俗地说就是：我们只有按照“从\(V_k\)出发找相邻
电场方向指向电位降低的方向 如果确实测量到有电势的改变，那么对于电场的 \(X\) 分量，其大小为 \[|E_x|=\left.|\frac{\Delta V}{\Delta x}|\right|_{y,z} \]同理可以测得电场在 \(Y\) 方向上的分量 \[|E_{y}|=\left.|\frac{\Delta V}{\Delta y}|\right|_{x z} \]以及在 \(Z\) 方
论文名称：a physically insightful approach to the design and accuracy assessment of flux observers for field oriented induction machine drives 生词 methodology：方法论； distinction：区别；差别；优秀 summation：求和； Furthermore：此外； clear：清楚的； distinctive：与众不同的； de
目录前置芝士向量平面向量的坐标表示向量的运算向量的叉积基础代码深入探究判断点是否在直线或者线段上求点到直线或者线段的距离判断两直线或线段是否相交求一个多边形的面积判断点是否在一个多边形内卡精度 咕咕咕咕咕咕咕咕咕咕咕咕 <- 2021.2.19开的坑，现在还没填完 前置芝士
一些基础的变换公式： 施工中。。。 写一些基础的（相对于我()） 1、点积和叉积都满足分配率，点积满足交换律但叉积不满足。 2、向量\((x,y)\)逆时针旋转\(\theta\)得到\((x\cos\theta - y\sin\theta,x\sin\theta + y\cos\theta)\) 3、多边形面积：把多边形顶点按顺时针排序后，\(S = \sum\li
向量及其线性运算 向量的概念 客观世界中有这样一类量，它们既有大小，又有方向，例如位移、速度、加速度、力、力矩等等，这一类量叫做向量（或矢量）。 在数学上，常用一条有方向的线段来表示向量。有向线段的长度表示向量的大小，有向线段的方向表示向量的方向。以$A$为起点、$B$为
某日晚上，一个蒟蒻被线面垂直判断定理的课后练习题虐得死去活来，便有了这篇文章(bushi 0x01 引入 顾名思义，空间向量就是空间里的向量，与平面向量大同小异，表示方法、运算等方面是一致的。避免冗长，在此就不多赘述了。 本文思路亦参考教材思路。 0x02 线面向量化 名字是我自己取的 对于
目录 (一)点与线段(二)线段与线段(三)点与多边形 (一)点与线段 1.如何判断点在线段上？ 我们用向量 A B →
Grey Wolf Optimizer是Seyedali Mirjalili受大灰狼捕食策略的启发，于2014年提出的一种元启发式算法，主要模拟了搜索猎物、包围猎物和***猎物 启发 灰狼属于犬科动物，是食物链顶端的顶级掠食者，它们大多喜欢群居生活，每个种群平均5~12不等。特别有趣的是，它们有非常严格的社会等级，如下图
计算几何入门 1 注意事项 在计算几何中，没有 float 只有 double 和 long double 。其中 double 的格式化输入为 lf ，long double 为 LF 。 在计算几何中，判断实数相等不能直接写 x==y ，会有精度误差，应该写一个判断，看是否 fabs(x-y)<=eps 其中 \(eps\) 是一个很小的实数，有 \(10^{-8}\)
目录题目题目描述输入格式输出格式输入输出样例输入输出解析向量的向量积再来看这道题代码 题目 题目描述 给出一个简单多边形(没有缺口)，它的边要么是垂直的，要么是水平的。要求计算多边形的面积。 多边形被放置在一个X−Y的笛卡尔平面上，它所有的边都平行于两条坐标轴之一。然后按
相似矩阵(similar matrices)定义设\(A,B\)都是\(n\)阶矩阵，若有可逆矩阵\(P\),使得\(P^{-1}AP=B\),则称\(B\)是\(A\)的相似矩阵。两个相似矩阵的特征值相同，也就是说如果一个矩阵和一个对角矩阵\(\Lambda\)\[\left[\begin{array}{ccccc}{\lambda_{1}} & {} & {} & {} & {} \\ {} & {}
