一些数学杂记

数学

• 零输入响应：只有伤口（状态）但没撒盐（输入） 比如一个RC电路，当电容电荷不为零时，这个电路不输入信号，但也发生响应  零状态响应：没有伤口的情况下撒盐

• 卷积的物理意义：

如果小明每年都往银行中存入新的100元钱，那么这个收益表格将是这样的：

求和符号来简化这个公式，可以得到第5年时的收益为：

在上式中，f( τ )为小明的存钱函数，而g( τ )为存入银行的每一笔钱的复利计算函数。在这里，小明第5年最终得到的钱就是他的存钱函数和复利计算函数的卷积。（当5换成t时成了关于t的函数）

如果我们将小明的存款函数视为一个信号发生（也就是激励）的过程，而将复利函数视为一个系统对信号的响应函数（也就是响应），那么二者的卷积就可以看做是在第t时刻对系统进行观察，得到的观察结果（也就是输出）将是过去产生的所有信号经过系统的「处理／响应」后得到的结果的叠加，这也就是卷积的物理意义了。

卷积定理+（离散）傅立叶变换＋采样实现连续信号转换成数字信号（频域好储存）。

• 欧拉公式：我们只需要了解三个函数的泰勒级数。

sinx=x- (1/3!)x^3+ (1/5!)x^5+•••  cosx=1 - (1/2)x^2 +( 1/4)x^4+•••

e^x=1+ x +( 1/2)x^2 + (1/3! )x^3+•••  注:!为阶乘。

可以很容易的看出，如果忽略Sin和cos各项的正负号，它们两者相加就是指数函数。

泰勒等人当时肯定也发现了这一点，可是没有当时没有什么符号能够让这两者产生联系。

直到欧拉提出了虚数的概念，i^2=-1。我们只需要将e^x中的x用ix代替变成e^ix.

e^ix=1+ ix - (1/2)x^2 -(1/3!)ix^3 + ( 1/4!)x^4 + (1/5!)ix^5+•••

再把其中的实数和虚数项分离。

=(1 - (1/2)x^2 +( 1/4)x^4+•••) + i(x- (1/3!)x^3+ (1/5!)x^5+•••)

可以看出前项就是cosx ,后项就是sinx。即得e^ix= cosx + isinx.（cosx + isinx复平面单位圆）

• 傅里叶变换www.zhihu.com/question/22085329/answer/103926934

一个域的离散(采样)对应另一个域的周期化(延拓)；时域采样后离散化，频域周期延拓，如果延拓周期过小，出现叠加；因为DFS为时域频域均为周期的，所以都可以取主值区间储存，他们之间的变换为DFT；DFT(有快速算法)可以用来计算循环卷积，循环卷积一定条件下等于线性卷积，最终用来求线性卷积；加大窗函数的长度可以减少过渡带的宽度，改变窗函数的种类可以改变阻带衰减

• 泰勒级数：实际应用中，总是会出现一堆复杂的函数，这类函数往往令物理学家和数学家都十分头疼。为了解决这一窘境，泰勒想：会不会存在一种方法，把一切函数表达式都转化为多项式函数来近似呢？经过泰勒的研究，终于他研究出了泰勒级数的理论。只有能保证n阶导数存在，就能将它的局部用多项式展开。

• e的含义：

数学里的 e 为什么叫做自然底数？是不是自然界里什么东西恰好是 e？ - 灵剑的回答 - 知乎 https://www.zhihu.com/question/20296247/answer/35473303

如何理解三大微分中值定理？ - 马同学的文章 - 知乎 https://zhuanlan.zhihu.com/p/47436090 数学里的 e 为什么叫做自然底数？是不是自然界里什么东西恰好是 e？ - 知乎

•从线性看线性代数

• ax+by=c 特解： x。,  y。通解：x = x。+ bt    y = y。- at

•  计算 50 个人至少有两个人生日相同的概率，先求生日都相同的概率，每个人选365天中的一天，第一个人有365种选法，第二个人保证与第一个人不同还有364中选法，依次类推50次，分母365^50总的种数，所以P0 = (365×364×…×317×316)/365^50=2.963%  1-P0=97.037%

• 神经网络

神经元它的实质就是用直线/平面/超平面把特征空间一切两半，认为两瓣分别属两个类。

神经元模型的一种学习方法称为Hebb算法：先随机选一条直线/平面/超平面，然后把样本一个个拿过来，如果这条直线分错了，说明这个点分错边 了，就稍微把直线移动一点，让它靠近这个样本，争取跨过这个样本，让它跑到直线正确的一侧；如果直 线分对了，它就暂时停下不动。

 神经网络神奇的地方在于它的每一个组件非常简单——把空间切一刀+某种激活函数(0-1阶跃、sigmoid、max-pooling)，但是可以一层一层级联。输入向量连到许多神经元上，这些神经元的输出又连到一堆神经元上，这一过程可以重复很多次，每次都对某一特征进行分类。

神经网络的训练依靠反向传播算法：最开始输入层输入特征向量，网络层层计算获得输出，输出层发现输出和正确的类号不一样，这时它就让最后一层神经元进行参数调整，最后一层神经元不仅自己调整参数，还会勒令连接它的倒数第二层神经元调整，层层往回退着调整。

• 用卷积进行图像的处理

这个滤波器要对这种曲线有很高的输出，对其他形状则输出很低，这也就像是神经元的激活。

神经网络浅讲：从神经元到深度学习 - 计算机的潜意识 - 博客园 偏导数就是z = f(x,y) ，在三维空间中，y一定的情况下对x进行求导。 Backpropagation反向传播算法（BP算法） - pannyvan - 博客园

•  假如有一个罐子，里面有黑白两种颜色的球，数目多少不知，两种颜色的比例也不知。可放回取100次，有70次是白球，请问罐中白球所占的比例最有可能是多少？很多人马上就有答案了：70%。而其后的理论支撑是什么呢？ 我们假设罐中白球的比例是p，那么黑球的比例就是1-p。因为每抽一个球出来，在记录颜色之后，我们把抽出的球放回了罐中并摇匀，所以每次抽出来的球的颜色服从同一独立分布。这里我们把一次抽出来球的颜色称为一次抽样。题目中在一百次抽样中，事件的概率是P(样本结果|Model)。

设第一次抽样的结果记为x1,第二次抽样的结果记为x2....那么样本结果为(x1,x2.....,x100)。可以得到观察样本结果（七十次是白球的,三十次为黑球）出现的概率表达式：P(样本结果|Model) = P(x1,x2,…,x100|Model) = P(x1|Mel)P(x2|M)…P(x100|M) = p^70(1-p)^30。现在要求模型的参数，也就是求的式中的p。

不同的p，直接导致P（样本结果|Model）的不同。那么既然事情已经发生了，为什么不让这个出现的结果的可能性最大呢？这也就是最大似然估计的核心。我们想办法让观察样本出现的概率最大，转换为数学问题就是使得：p^70(1-p)^30最大，这太简单了，未知数只有一个p，我们令其导数为0，即可求出p为70%，与我们一开 始认为的70%是一致的。其中蕴含着我们的数学思想在里面。

• 条件概率公式：设A,B是两个事件，且P(B)>0,则在事件B发生的条件下，事件A发生的条件概率（conditional probability)为： P(A|B)=P(AB)/P(B) 用韦恩图去思考；全概率公式、贝叶斯公式推导过程 - ohshit - 博客园

• 最小二乘法求线性回归方程：因为点可能在线的上面或者下面，故而距离有正有负，取绝对值又太麻烦，于是我们就直接把每个距离都取一个平方变成正的，然后试图找出一个距离所有点的距离的平方和最小的这条线，简单粗暴而有效最小二乘法求回归直线方程的推导过程_Neo-T的博客-CSDN博客_最小二乘法求线性回归方程

• 从一亿个数中找出最大的一万个数：用前一万个数初始化一个固定大小为10000的最小堆，这时根节点是10000个数里最小的一个。把后续的数依次与最小堆的根节点比较，如果小于等于不做处理，大于则放进最小堆（这个操作同时会弹出一个元素并改变根节点）。这个算法的复杂度几乎接近于O(n)。

• 区域链货币

密码学Hash()函数的单向性：Hash(x) =y ，通过y很难找到x 添加一个随机数（Nonce）假如现在有顺序产生的数据块 A, B , C （给定的）。 我们来这样计算hash头。 注意 “||” 表示拼接。

h0=  Hash(A|| Nonce0)  

h1 = Hash(B || h0 || Nonce1)   

h2 = Hash(C || h1 || Nonce2)

h2是我们计算的hash头部，现在来看， 为什么我们管这个东西叫Hash链， 因为h2 的值依赖于之前一系列数据的内容和计算顺序。 这里我们还添加一个额外的要求， 就是 h0, h1, h2 必须都得是以指定数目的0 bit开头的，例如要求每个哈希值都必须以5个0开头，则h0,h1,h2都应该是这样的形式（00000*****************）添加了这个要求以后， h0, h1, h2就都不是那么容易计算的了， 因为你不能根据输出的形式来反推输入是什么， 而A， B， C又是给定的， 那只能不断更改Nonce2来穷举计算h2， 然后找到一个可以满足要求的Nonce2值 ，使得h0, h1, h2符合要求.到这里大家就知道所谓的矿工是在干什么了， 就是接受广播出来的数据块，然后计算当前最新的哈希链的头部， 当成功计算出了一个符合要求的Hash后， 就告诉所有人，自己找到了， 让别人再去计算下一个哈希头部。