流传几百年使世人深信不疑的函数“常识”使康脱推出百年病态集论

黄小宁

【摘要】初等几何有史2300多年来一直认定:起点和射出的方向都相同的射线必重合;其实这是将无穷多各异射线误为同一线的2300年肉眼直观错觉。有2300历史的几何学一直不知有长度不同射线。

从代数角度来说至少能代表两个数的字母x就是变量,只能代表一个数的x是固定量(特殊的变量:其变域是一元集的变量)。变量x所取各数也均由x代表,x代表其变域(x所有能取的数组成的集)内任一元。设集A={x}表A各元均由x代表,{x}中变量x的变域是A。其余类推。“实数集”R所有非负元x≥0组成R+={x≥0},这里的x≥0不是表示x可取一切非负数而只是表示x可取R一切非负数。其余类推。R各元x均有对应标准实数x+1等等。

与x∈R相异(等)的实数均可表y=x+δ(增量δ可=0也可≠0)。数集A可几何化为数轴上的点集A从而使x∈R变换为实数y=x+δ的几何意义可是:一维空间“管道”g内R轴上的质点x∈R(x是点的坐标)运动到新的位置y=x+δ还在“管道”g内。R可几何化为R轴。设本文所说集合往往是元不少于两个的集。定义:若数(点)集A可保距变为B则称A≌B。显然A≌A。

h定理1:数(点)集A=B≌B的必要条件是A≌B。

证:⑴任何图≌自己应是初等几何最最起码常识。⑵若A=B则A必可恒等变换地变为B=A≌A,而恒等变换是保距变换。证毕。

h定理2:点(数)集A={x}(B={y})任两异元x与x+△x(y与y+△y)之间的距离是|△x|(|△y|),A≌B的必要条件是|△x|=|△y|即|△y|与|△x|是同一距离变量。

证:A各元x保距变为y=y(x)生成B={y}≌A,距离|△x|=|(x+△x)-x|=|y(x+△x)-y(x)|=|△y|即|△y|与|△x|是同一变量。证毕。

将与n∈N最近的自然数k称为与n相邻的自然数,k是n的“邻居”。A={x}={0,1}任两异元的距离|△x|只能取一个数:1。B={x}={0,1,2}中相邻(不相邻)的两数之间的距离|△x|=1(=2)。这说明B任两异元的距离|△x|(x的变域是B) 只能取两个数:1与2。可见|△x|的变域是随着x的变域的不同而不同的。变域不同的两|△x|不是同一距离变量。

R各元x保距变为y=x+1组成{y}的几何意义可是R轴即x轴各元点x沿x轴正向保距平移变为点x+δ=y=x+1生成元为点y的y=x+1轴≌x轴即x轴沿本身平移距离1变为y=x+1轴叠压在x轴上。射线R+={x≥0}⊂R轴有子部射线V={x≥1}(R+中点x≥1的全体)⊂R+。射线R+各元点x≥0保距变为点x+δ=y=x+1≥1就使R+沿其正向平移距离1变为射线V′={y=x+1≥1}≌R+。自有函数概念几百年来数学一直认定射线V=V′。V′={y=x+1≥1}中x的变域是R+。V′={y=x+1≥1}(△y=△x)任两异元y与y+△y的距离|△y|=|△x|中的x的变域是R+而V={x≥1}⊂R+任两异元的距离|△x|中的x的变域是V⊂R+——说明这两|△x|不是同一变量,据h定理2V′不≌V⊂R+。据≌图概念射线V′不≌V⊂R+说明V′与V⊂R+形状相同大小不同即长度不同。

几百年“V′=V⊂R+”使初等数学误以为:射线R+沿其正向平移可变为其真子集、R+可≌其真子集V,从而使康脱推出错上加错的更重大错误:R+可~其真子集。将两异射线误为同一线自然就会将两异直线误为同一线。

本文实际上是黄小宁的长文《直线公理使初等数学一直将各异直线误为同一线——数集相等定义凸显初数一直将各异假R误为R》的一小部分。

参考文献

黄小宁。凭初等数学常识发现中学数学有一系列重大错误——让5千年无人能识的自然数一下子暴露出来[J],学周刊,2018(9):180。

http://www.360doc.com/content/24/0825/01/70996036_1132227654.shtml

9b0080c53eee469e87cc9da33fc0150f.jpg
 

 

  • 2
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值