- 博客(27)
- 收藏
- 关注
RSS订阅原创 数据结构及算法应用
总是做出在当前来说是最好的选择，而并不从整体上加以考虑，它所做的每步选择只是当前步骤的局部最优选择，但从整体来说不一定是最优的选择。对于一个规模为的问题，若该问题可以容易地解决（比如说规模n较小）则直接解决；否则将其分解为k个规模较小的子问题，这些子问题互相独立且与原问题形式相同，递归地解这些子问题，然后将各子问题的解合并得到原问题的解。在求解问题中，对于每一步决策，列出各种可能的局部解，再依据某种判定条件，舍弃那些肯定不能得到最优解的局部解，在每一步都经过筛选，以每一步都是最优解来保证全局是最优解。
2024-04-07 00:00:54
319
1
原创 需求工程
关系图类图对象图包图组合结构图构件图部署图制品图用例售（用例）顺序图/序列图通信图/协作图定时图状态图活动图交互概览图创建型模式结构型模式行为型模式。
2024-04-06 23:55:47
568
原创 软件工程
可以将软件维护定义为需要提供软件支持的全部活动，这些活动包括在交付前完成的活动，以及交付后完成的活动。交付前完成的活动包括交付后运行的计划和维护计划等；SOAD分为三个层次：基础设计层（底层服务构件）、应用结构层（服务之间的接口和服务级协定)和业务组织层（业务流程建模和服务流程编排)说明：其中V(G)是有向图G中的环路个数，m是G中的有向弧数，n是G中的节点数。先做一块，再做一块，这样不断的对核心功能的审视，降低风险。服务建摸：分为服务发现、服务规约和服务实现三个阶段。适用于需求不明确的开发。
2024-04-06 23:54:53
950
原创 多媒体基础
640×480×16÷8614400B640×480×log2256÷8307200B容量采样频率Hz×量化采样位数位×声道数÷8容量每帧图像容量Byte×每秒帧数×时间音频容量×时间。
2024-04-06 23:53:27
871
原创 程序设计语言与语言处理程序基础前言
# 语法推导树棵语法树应具有以下特征：1.每个结点都有一个标记，此标记是V的一个符号：2根的标记是S;3.若一结点n至少有一个它自己除外的子孙，并且有标记A,则A肯定在V中：4如果结点n的直接子孙，从左到右的次序是结点n1n2⋯nkn1n2⋯nkA1A2⋯AKA1A2⋯AK那么A−A1A2⋯AKA−A1A2⋯AK一定是P中的一个产生式。
2024-04-06 23:49:30
761
1
原创 数据结构与算法基础
归并也称为合并，是将两个或两个以上的有序子表合并成一个新的有序表。合并的过程是：比较A[i]和A[j]的排序码大小，若A[i]的排序码小于等于A[j]的排序码，则将第一个有序表中的元素A[i]复制到R[k]中，并令和k分别加1；直接选择排序的过程是，首先在所有记录中选出排序码最小的记录，把它与第1个记录交换，然后在其余的记录内选出排序码最小的记录，与第2个记录交换…顺序查找的思想：将待查找的关键字为key的元素从头到尾与表中元素进行比较，如果中间存在关键字为key的元素，则返回成功：否则，则查找失败。
2024-04-06 23:47:41
1009
1
原创 数据库系统
当模式改变时，数据库管理员修改有关的外模式/模式映像，使外模式保持不变；而应用程序是根据数据的外模式编写的，从而应用程序不必修改，保证了数据与应用程序的逻辑独立性，简称为数据的逻辑独立性。设R(U)是属性U上的一个关系模式，X和Y是U的子集，r为R的任一关系，如果对于r中的任意两个元组u,v,只要有u[X]=v[X],就有u[Y门=v[Y],则称X函数决定Y,或称Y函数依赖于X,记为X→Y。日志文件：事务日志是针对数据库改变所做的记录，它可以记录针对数据库的任何操作，并将记录结果保存在独立的文件中。
2024-04-06 23:34:49
609
1
原创 操作系统（7分）
所以逻辑地址5A29H转物理地址的后三位不变为A29H，剩余的第一位5，根据表格中的页号5对应的页帧号为6，所以物理地址为6A29H。没有使用块表，说明先要在内存上查表，再根据表，读取相应的内存块，所以每个块需要进行两次的内存访问，一共有6个块所以要进行12次访问。缺点：由于管理软件的增加，复杂性和开销也随之增加，需要的硬件以及占用的内容也有所增加，使得执行速度大大下降。页面4不在内存中，优先淘汰在内存中筛选状态位为1的，然后是没有访问过的访问位为0的，所以淘汰1。因为要占用物理块，所以取值“1”，
2024-04-06 23:33:13
567
1
原创 计算机组成与体系结构
Cache的功能：提高CPU数据输入输出的速率，突破冯·诺依曼瓶颈，即CPU与存储系统间数据传送带宽限制。等待时间为等待读写的扇区转到磁头下方所用的时间。表示主存储器周期时间，以读操作为例，使用“Cache+主存储器”的系统的平均周期为。其中A代表10，B代表11，C代表12，D代表13，E代表14，F代表15。读完数据到缓冲区，等缓冲区处理完，并且需要磁头再转一圈到大。，磁头只需转两圈就可以读取完全部数据，需要时间为。，得到每个物理块读取数据的时间为。，所以处理完11个记录的时间为。
2024-04-06 23:29:43
864
1
原创 EM算法|机器学习方法（李航）
书中的抛硬币游戏，当你知道抛硬币的过程和结果，就很容易统计出三个硬币正面出现的概率。但是当你只知道抛硬币结果，不知道过程（即你不知道抛硬币的顺序），要怎样才能统计出三个硬币正面出现的概率呢？上面我们不知道抛硬币的过程为我们知道的抛硬币结果为如果数据集中含有隐变量的话，我们就无法简单地直接使用极大似然估计法或贝叶斯估计法来估计模型的参数，这时候，我们就需要使用EM算法了。
2024-02-25 22:49:25
897
2
原创 提升方法|机器学习方法（李航）
分类问题的提升方法的思想是，学习多个分类器，各个分类器中训练样本的权重是不同的，最后将这些分类器进行线性组合，形成一个最终的分类器，以提高分类的性能。这种思路类似于将多个专家的判断进行适当的综合所得出的判断，要比其中任何一个专家单独的判断好。在提升方法中有两个基础概念：强可学习，弱可学习。简单来说，一个概念如果存在一个算法能够学习它，且正确率很高，那么就称这个概念是强可学习的。对应的，一个概念如果存在一个算法能够学习它，学习的正确率仅比随机猜测略好，那么就称这个概念是弱可学习的。然而在之后算法的发展
2024-02-23 23:07:26
1038
1
原创 支持向量机|机器学习方法（李航）
支持向量机，可以看着是升级版的感知机，与感知机相比。他们都是找到一个超平面对数据集进行分割，区别在于，感知机模型得到的超平面空间中可以有无穷个超平面，但支持向量机仅含有一个，这一个超平面与样本点的间隔是最大化的。支持向量机学习方法包含三种模型：线性可分支持向量机，要求训练集线性可分，通过硬间隔最大化得到超平面。线性支持向量机，要求训练集近似线性可分，通过软间隔最大化获得超平面非线性支持向量机，训练集线性不可分，可通过使用核函数将线性不可分的训练集转换为线性可分的数据集，并通过软间隔最大化获得超平面
2024-02-20 20:19:45
898
原创 最大熵模型|机器学习方法（李航）
用最大熵原理选择最好的分类模型。我们可以首先考虑模型应该满足的条件，即约束条件。给定训练数据集，可以确定联合分布P(X,Y）的经验分布和边缘分布P(X）的经验分布，两者都可以通过训练集算出来。PXxYyvXxYyNPXxvXxNPXxYyNvXxYyPXxNvXxvXxYyv(X=x,Y=y)vXxYy表示训练数据中样本xy(x,y)xy出现的频数，vXxv(X=x)vXx。
2024-02-09 00:32:58
857
1
原创 逻辑斯蒂回归|机器学习方法（李航）
在感知机中，我们知道一个超平面将特征空间分成两个部分，实例在不同的子空间中则被分为相对应的类。但是存在一个问题在于，我们不知道一个新输入的实例，它属于一个类的概率是多少。例如新输入的实例非常接近超平面，它被分为A类的概念为51%，分为B类的概念为49%。在感知机中将它分为了A类，但是为给出概念。sigmoidx1e−x1Sigmoid函数能够将线性回归产生的值−∞∞转换到01区间内，而概率的取值也在01内，这样，就可以显示一个实例被分为一个类的概率是多少了。
2024-02-07 00:09:58
871
1
原创 决策树|机器学习方法（李航）
决策树，这里的树不是我们日常看到路边的树，是指一种数据结构——树。如上图就是一个二叉树，你可以把决策树看做二叉树。二叉树上的每个圈就是节点，可以看做一个if判断，将数据进行二分。最低的叶节点就是对应的分类。
2024-02-02 11:17:00
1184
原创 使用Verdaccio搭建npm私有仓库
上周淘宝源https://registry.npm.taobao.org/证书过期，导致我们的项目部署不了。只能紧急的将上线项目的源改为cnpm的。现在一周时间过去了，淘宝源的证书还没更新，我们还有其他项目准备上线。我们不清楚淘宝源什么时候会更新证书，也不清楚cnpm什么时候出现不可预测的问题。所以我们不能将希望都寄托在第三方身上，决定搭建自己的npm私有仓库。经过调研（就百度了一下），我们决定使用Verdaccio搭建自己的npm私有仓库。下面使用docker搭建Verdaccio。
2024-01-30 17:01:02
834
1
原创 朴素贝叶斯（NBM）|机器学习方法（李航）
今天阴天，天气预报说有60%的概率下雨，有20%的概率打雷，下雨后发生打雷的概率只有10%。根据朴素贝叶斯模型就可以求出，打雷后下雨的概率。朴素贝叶斯模型是一种简单但非常强大的分类器，在垃圾邮件过滤、疾病诊断、文本分类等方面都显示出了巨大的成效。这里的”朴素“是指：设特征之间是的。
2024-01-28 00:25:23
1188
原创 node实现使用HTML生成PDF和图片
前段时间接到一个任务，是将网页生成PDF。开始的解决方案是使用将页面生成图片，再使用jspdf生成PDF。jspdfPDF后面了解到Puppeteer库，Puppeteer是一个node库，他提供了一组用来操纵Chrome的API, 通俗来说就是一个浏览器。既然是浏览器，那么我们手工可以在浏览器上做的事情PuppeteerPDFVUEPDF我们使用midwayjs作为HTTP服务，通过调用Puppeteer生成图片和PDF返回二进制给浏览器。
2024-01-26 11:44:52
1356
1
原创 VUE的transition组件没有进入动画
在开发中遇到transition组件没有进入动画，元素直接显示出来了。如下图原本想要的效果是红色块从左边离开，蓝色块从右边进入的，但是蓝色块没有进入效果。如下图代码如下。
2024-01-22 15:41:53
577
原创 k近邻（KNN）|机器学习方法（李航）
你可以理解为人以群分，物以类聚。我们在生活中会逐渐与一群兴趣爱好和自己相似的人组成一个圈子，我们的朋友也会组成他们自己的圈子，依此类推。那么以我们为中心，以朋友与朋友的关系将所有人联系起来。相隔K层后，朋友的兴趣爱好还会和我们相似吗？而k近邻就是要找到相隔K层后，朋友的兴趣爱好依然和我们相似的，K层内所有的朋友。书上的定义是：给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的k个实例，这k个实例的多数属于某个类，就把该输入实例分为这个类。
2024-01-19 00:09:08
527
原创 感知机模型(Perceptron)|机器学习方法（李航）
试想一下，在一个盒子里面一个哈密瓜和一个西瓜。你只能用手摸判断哪个是哈密瓜，哪个是西瓜。我们用手摸两个瓜的大小，纹理等特征，然后我们的大脑会根据收集到数据和我们大脑中认知的哈密瓜和西瓜的特征进行对比，识别到哪个是哈密瓜，哪个是西瓜。在上面例子中用手摸两个瓜的大小、纹理两个特征，是一个数据收集的过程，然后我们的到一个二维的数据集。我们大脑中认知的哈密瓜和西瓜的特征，就是一个训练好的模型。我们将收集到的数据集传入模型，就能知道哪个是哈密瓜，哪个是西瓜。在了解感知机后，我们需要了解在数学上怎样实现感知机的。
2024-01-11 23:15:54
881
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人