大端字节序和小端字节序

1.字节序是什么?

字节序是以字节为单位,讨论存储顺序的。

2.大端字节序 —— 把一个数据的低位字节的内容,存放在低地址处,把一个数据的高位字节内容存放在高地址处。

3.小端字节序—— 把一个数据的高位置字节的内容,存放在低地址处,把一个数据的低位字节内容存放在高地址处。

为什么会有大端字节序和小端字节序这大小端模式之分呢?

因为在计算机系统中,我们是以字节为单位的,每个地址单元都对应着一个字节,一个字节8bit。在c语言中,除了8bit的char型外,还有16bit的short型,32bit的int型和64bit的long型(看具体编译器,有些编译器的long是32bit)

对于位数大于8位的计算器,比如16位或者32位处理器,由于寄存器宽度大于一个字节,那么必然存在着一个如何将多字节安排的问题,因此就有了大端存储模式和小端存储模式。

例如:

一个16bit 的short 型x,在内存中地址为0x0010 (假设) 其中x存放的值为0x1122

那么此时0x11 (数据的高位,可以类比十进制110 其中最左边的1是百位,第二个1是十位,都是权重高的数位)为高字节

0x22 为低字节

对于大端模式 ,就将0x11放在低地址中,即0x0010中,0x22放在高地址中,即0x0011中

小端模式则刚好相反 0x11放在高地址 0x0010, 0x22放在低地址中,即0x0010

常见的大端小端模式

我们常用的x86结构是小端模式,而KEIL C51则为大端模式。很多的ARM,DSP都为小端模式。有些ARM处理器还可以用硬件选择是大端模式还是小端模式

这时应该会有人有疑问了,大小端模式的选择有什么区别吗?会有某些情况下大端模式会比小端模式更有优势吗?

其实是没有区别的。只是一个存储习惯上的区别而已。至于现在有大端和小端两种模式,则是历史遗留问题。即早期计算机开发的时候,并没有大佬出来统一用哪种存储模式。就像当年春秋战国时期没有大一统的时候,各国的货币,文字等等都是不同的。直到后来秦始皇统一了六国,书同文,车同轨。

测试是大端模式还是小端模式代码

char*强制转换类型 只读取一个字节

会读取到最左边的字节数据

ps:至少2个字节以上的才有顺序可言,不要创造成char字符类型的数据来进行测试。

整型 1 的原码是00000000 00000000 00000000 00000001

以上是二进制位的表示方式,而4个二进制位转化1个十六进制位

所以整型1 的十六进制表示为

0x00 00 00 01 (红色为高字节,蓝色为低字节)

大小端模式存储区别如下图

(假设低地址在左,高地址在右)

  • 6
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
评论 1
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