相关数学
yudonglin506311858
我是无知的傻瓜,想要见识更广阔的世界。
展开
-
编程需要的数学思维
编程所需要的数学思维,足够抽象,但又需要落实到向量和矩阵的具体数据结构层次来实现各种程序。其中初级的模仿是仿照微积分的构建,通过对极限层次的无穷小量来遍历叠加来构建高维的结构。然后我们可以构建逻辑的微积分,这是基于图灵机的序列运算,本质上是对信息的确定,是对不确定性的消减。序列的运算可以考虑数学归纳法的迭代和递归。而序列的不同表达模式的组合,序列的运算是自指结构。周期的形成,如mod的求余数。原创 2017-01-02 22:51:06 · 1988 阅读 · 0 评论 -
概率1
1我们希望能够将来结合线性代数和微积分等等相关的数学分支来更好地理解随机过程和模式识别等等学科。因为我们要做的建模需要很好地理解这些思想才能有好的算法,如动态规划以及之后用于序列匹配的BLAST算法就是我们的目标,从公式和定理到具体的应用。概率论的公理化的前置条件,测度论是一种基本前提假设和共同认知,毕竟数学要严谨。概率是基于测度的一组度量,就如同度量衡需要提前定义然后才能各种描述。借助概率论,我原创 2017-01-04 19:41:29 · 382 阅读 · 0 评论 -
关于图像处理的一些不成熟的看法
图像其实是一系列的矩阵,其对不同的信息以矩阵的形式来存储(像素。),并且在这个基础上我们可以施加不同的处理,如各种模式识别。最基本的一个应用是灰度分析,能够识别WB的条带所揭示的蛋白质的相对浓度。而具体的彩色图像是不同的三基色的不同比例的组合,也是可以使用矩阵来存储的。然后我们需要具体的矩阵存储的信息所揭示的高维信息,这需要我们已经有数据库层次的信息存储,然后可以根据特征的匹配来形成特定的模式识别原创 2017-01-07 22:41:04 · 851 阅读 · 0 评论 -
概率2
2概率的公理体系:1任何一个事件发生的概率一定都是大于等于零的2样本空间的事件概率之和为一3互斥事件的并集发生的概率等于各自概率加和通过底层的假设构建的系统,如同欧几里得几何公理体系就是从有限的5条公理推导出各种复杂的几何关系,而改变第五公设形成的黎曼几何和洛巴切夫斯基几何。不同的假设可以导出不同的公理体系,从而可以形成更加复杂的定理及其性质。这是大厦的基底,只要公理在特定领域也成立,那么后续原创 2017-01-09 17:55:17 · 480 阅读 · 0 评论 -
模式识别的数学观点
模式识别本质上是对高维结构的把握,如隐马尔科夫序列的各个状态的比例,具体的表达就是我们观察的对象。特定的序列具有不动点的地位,可以根据特定的seed序列不断延伸,根据动态规划,选择分数最高的序列。其中的基于局部最优的继续寻找是如同贝叶斯公式的方法,即使不能找到整体最优至少能够找到的局部最优与整体最优是接近的。对无限多的信息的高维处理过程(不同层次的信息存在维度的差异)可以视为是一个模式识别原创 2017-01-13 19:50:14 · 932 阅读 · 0 评论 -
概率3
3概率独立性:A跟B这两个事件同时发生的概率等于它们个别发生的概率相乘,则A跟B是独立的事件,即彼此不受影响。或者在一个事件发生情况之下与另外这个事件会发生的概率跟该那个事件没有发生的概率相等。温伯格遗传平衡就是基于遗传因子A和a的基因频率与其形成的基因型频率(AA,Aa,aa)的关系:P(AA): P(Aa): P(aa)= P(A)^2: 2P(A)P(a): P(a)^2.概率计算:原创 2017-01-10 20:15:18 · 606 阅读 · 0 评论 -
复变函数1
复数是一种数域(对加、减、乘、除运算封闭)的突破,可以视为是更底层的抽象,而我们平常所能够理解的实数是其选择性表达的结果,这样这种数学工具就有更加强大的对现实的解释能力。对于特定的复杂的实函数的积分,我们可以通过升维到复数域,在这种更加底层的层次进行我们所熟悉的运算;对于微分方程也可以积分变换为一定的代数方程。三大变换,傅里叶变换、拉普拉斯变换、Z变换是我们对复杂信号的分析和处理的有力工具。而小波原创 2017-01-11 12:47:42 · 1438 阅读 · 0 评论 -
对香农《通信的数学理论》的理解
(网络的一个层次就是信息的流动)Abstract:信息的形式与信息传递的路径是耦合的。(介绍相关的重要工作,引用)信息的传递是模糊的,即最后可能只能有近似信息的传递。于是这是多通路多可能的传递路径,而本征的路径是符合能量最低化的,其他路径使得通路具有一定的稳定性。(自己工作在前人的基础的衍生)基本假设:选择每条消息的可能性不相等,这是基于网络的分布性质,从而体现一定的幂律分布。对数函数是我原创 2017-01-12 21:38:42 · 10094 阅读 · 0 评论