算法
文章平均质量分 56
hongqiang200
这个作者很懒,什么都没留下…
展开
-
最小堆的调整、插入和删除
今天看到一道面试题, 一个最小堆,也是完全二叉树,用按层遍历数组表示。 1. 求节点a[n]的子节点的访问方式 2. 插入一节点的程序void add_element(int *a,int size,int val); 3. 删除最小节点的程序。 刚看到的时候觉得挺难的,没有什么思路,原因在于对最小堆的完全二叉树不了解,其实这个二叉树和堆排序时建立的二叉树是一样转载 2013-05-12 12:16:02 · 1792 阅读 · 0 评论 -
cholesky分解
http://class.htu.cn/nla/cha1/sect3.htm转载 2014-10-29 10:48:15 · 2312 阅读 · 0 评论 -
SVD(奇异值分解)及求解最小二乘问题
1. SVD 任意矩阵A (mxn), 都能被奇异值分解为: 其中, U是mxm的正交矩阵, V是nxn的正交矩阵, Σr是由r个沿对角线从大到小排列的奇异值组成的方阵. r就是矩阵A的秩. 2. Moore-Pseudo逆 任意矩阵A, 若存在矩阵X, 使得: 则称X是A的Moore-Pseudo逆, 简称广义逆, 记为A+. 矩阵A的广义逆是唯一转载 2014-07-31 21:47:54 · 13237 阅读 · 1 评论 -
svd
http://www.ams.org/samplings/feature-column/fcarc-svd转载 2014-07-31 15:21:59 · 2228 阅读 · 0 评论 -
主成份(PCA)与奇异值分解(SVD)的通俗解释
主成分分析 1.问题描述 在许多领域的研究与应用中,往往需要对反映事物的多个变量进行大量的观测,收集大量数据以便进行分析寻找规律。多变量大样本无疑会为研究和应用提供了丰富的信息,但也在一定程度上增加了数据采集的工作量,更重要的是在大多数情况下,许多变量之间可能存在相关性,从而增加了问题分析的复杂性,同时对分析带来不便。如果分别对每个指标进行分析,分析往往是孤立的,而不是综合的。盲目减少指转载 2014-07-31 16:58:38 · 18846 阅读 · 0 评论 -
SVM入门
摘自:http://www.blogjava.net/zhenandaci/archive/2009/02/13/254519.html (一)SVM的八股简介 支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问转载 2014-02-10 23:46:41 · 720 阅读 · 0 评论 -
稀疏性与L1范数
摘自:http://blog.sina.com.cn/s/blog_49b5f5080100b62j.html Sparse大家并不陌生,是个经典话题了。而此时sparse已经卷土重来,虽然还是那一锅汤,但是药已经换了。以L1-minimization为核心的算法,近几年飞速进展,Compressive Sensing (Compressive Sampling) 已然成为数学领转载 2014-02-10 23:33:04 · 2013 阅读 · 0 评论 -
L1范数 系数表达
摘自:http://hi.baidu.com/jrjian/item/38ad9c8139aeccdad1f8cd04 L1范数 通常情况下,欠定线性方程是没有唯一解的,如果加上其他的条件则可以缩小解得范围,比如加上二范数最小化这个条件,则方程可以得到最小范数解,该解唯一,我们知道二范数是能量的度量单位,它是用来度量重构误差的,如果我们不用二范数改用另外的附加条件,比如稀疏性,要求转载 2014-02-10 23:25:36 · 2557 阅读 · 0 评论 -
Kruskal算法
克鲁斯卡尔(Kruskal)算法(只与边相关) 算法描述:克鲁斯卡尔算法需要对图的边进行访问,所以克鲁斯卡尔算法的时间复杂度只和边又关系,可以证明其时间复杂度为O(eloge)。 算法过程: 1.将图各边按照权值进行排序 2.将图遍历一次,找出权值最小的边,(条件:此次找出的边不能和已加入最小生成树集合的边构成环),若符合条件,则加入最小生成树的集合中。不符合条转载 2013-05-12 11:18:28 · 906 阅读 · 0 评论 -
矩阵、向量求导法则
复杂矩阵问题求导方法:可以从小到大,从scalar到vector再到matrix。 x is a column vector, A is a matrix $d(A*x)/dx=A$ $d(x^T*A)/dx^T=A$ $d(x^T*A)/dx=A^T$ $d(x^T*A*x)/dx=x^T(A^T+A)$ practice:转载 2014-11-01 13:06:36 · 5450 阅读 · 0 评论