2016年06月_蓝鲸123

12月 11月 10月 07月 06月 05月 04月 03月

原创 Android中Bundle类的作用

Android中Bundle类的作用Bundle类用作携带数据，它类似于Map，用于存放key-value名值对形式的值。相对于Map，它提供了各种常用类型的putXxx()/getXxx()方法，如:putString()/getString()和putInt()/getInt()，putXxx()用于往Bundle对象放入数据，getXxx()方法用于从Bundle对象里获取数据。Bundle的

2016-06-23 14:06:39 713

转载 Android图像处理之Bitmap类

Bitmap是Android系统中的图像处理的最重要类之一。用它可以获取图像文件信息，进行图像剪切、旋转、缩放等操作，并可以指定格式保存图像文件。本文从应用的角度，着重介绍怎么用Bitmap来实现这些功能。1. Bitmap 的生成1.1 BitmapFactory decode出Bitmap**Bitmap实现在android.graphics包中。但是Bitmap类的构造函数是私有的，外面并不

2016-06-23 13:22:19 328

转载 Android之SurfaceView学习（一）

Android之SurfaceView学习（一）首先我们先来看下官方API对SurfaceView的介绍SurfaceView的API介绍Provides a dedicated drawing surface embedded inside of a view hierarchy. You can control the format of this surface and, if you lik

2016-06-23 12:43:41 374

原创 SoundPool

使用SoundPool播放音效如果应用程序经常播放密集、急促而又短暂的音效（如游戏音效）那么使用MediaPlayer显得有些不太适合了。因为MediaPlayer存在如下缺点：1) 延时时间较长，且资源占用率高。2) 不支持多个音频同时播放。Android中除了MediaPlayer播放音频之外还提供了SoundPool来播放音效，SoundPool使用音效池的概念来管理多个短促的音效，例如它可以

2016-06-23 11:52:10 402

原创 ByteBuffer.allocateDirect 与 allocate 方法

一、首先是JavaDocument：直接与非直接缓冲区字节缓冲区要么是直接的，要么是非直接的。如果为直接字节缓冲区，则 Java 虚拟机会尽最大努力直接在此缓冲区上执行本机 I/O 操作。也就是说，在每次调用基础操作系统的一个本机 I/O 操作之前（或之后），虚拟机都会尽量避免将缓冲区的内容复制到中间缓冲区中（或从中间缓冲区中复制内容）。直接字节缓冲区可以通过调用此类的 all

2016-06-21 11:53:56 8192

原创 Resources

数据包package：android.content.res 主要类：Resources InputStream openRawResource(int id) 获取资源的数据流，读取资源数据把一个图片资源，添加你的文件到你工程中res/drawable/目录中去，从这里，你就可以引用它到你的代码或你的XML布局中，也就是说，引用它也可以用资源编号，比如你选择一个文件只要去掉后缀就可以了（例如

2016-06-21 11:35:34 563

原创 Android开发之asserts读取文件

从assert资源加载图片或者三维的obj输入流： public static byte[] loadFromAssets(Context context,String picName) { byte[] result=null; try { InputStream in=context.getResources()

2016-06-21 10:59:31 1135

原创计算机系统结构

《计算机系统结构》往年考题参考答案仅供参考！一、简答题 1. 指令流水计算机中，采用独立的指令缓存与数据缓存对系统性能有什么好处。【答】 ①解决访存和取指的结构冲突，加速流水线；②数据和指令的访问有所不同，设置单独的 Cache 有利于提高命中率，减少平均访存时间。 2. 什么是指令动态调度？使用寄存器重命名能够解决哪些数据冲突？【答】指令动态调度是指在程序执行过程中，依靠专门的

2016-06-19 15:42:44 4003

原创幂法求矩阵的主特征值和特征向量

#include<iostream>using namespace std;int main(){ double A[10]={1.0,1.0,0.5,1.0,1.0,0.25,0.5,0.25,2.0};//矩阵 double v[3]; double vk=-1; double uk[3]; v[0]=1; v[1]=1; v[2]=

2016-06-10 10:11:20 7836

原创 HMAC和NMAC

NMAC和HMAC与1996年提出，1997年HMAC成为RFC2012,事实上是Internet标准NMAC构造： NMAC(k1,k2)(M)=Hk1(Hk2(M))HMAC构造：使用标准初始值 Hk(M)=H(K’ XOR opad||H(K’ XOR ipad ||M )) 其中K’代表在密钥K后面添加若干个0使其成为一个完整的消息分组。ipad和opad为两个b个消息分组的常数。

2016-06-06 19:17:15 1379

转载 B-M求线性移位寄存器

1、B-M算法求线性综合解的过程 2、假设a(11)=(00100011101)是二元域GF(2)上的一个长度为11的序列，试用B-M算法求其线性综合解。#include<iostream>using namespace std;void B_M(int a,int nn){ int i,j,k,n0; int c=1,m,l[15],d=0,d1,cc[15];

2016-06-06 18:34:26 2213

原创 CCM认证加密

认证加密方案，既保证数据的机密性，又保证数据的完整性。加密和认证：加密使用CTR模式，认证使用CBC-MAC 令是明文，K为加密密钥。在计数器模式中，选择计数器ctr,构造一系列计数器T0, T1, T2, …, Tn: Ti=(ctr+i) mod 2^m。计算密文yi=xi XOR Ek(Ti) 认证码，y’=T0　XOR CBC - MAC（x，k）则密文为y=y1||y2…||yn|

2016-06-06 11:23:47 3368

转载 HMM(Forward algorithm)向前算法

由马尔科夫模型MM可知:对于一个系统，由一个状态转至另一个状态的转换过程中，存在着转移概率，并且这种转移概率可以依据其紧接的前一种状态推算出来，与该系统的原始状态和此次转移前的马尔可夫过程无关。隐马尔可夫模型（HiddenMarkov models，HMM）是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一

2016-06-02 21:04:22 3718

原创 VC维

为什么引入VC维 PAC中以|H |来刻画样本复杂度,它存在以下不足:可能导致非常弱的边界;对于无限假设空间的情形, 1/b*(log2(|H|)+log2(1/d))((2)式)根本无法使用。因此有必要引入另一度量标准VC 维。假设空间的VC 维, 用VCdim(H)表示, 被定义为最大的样本数d ,使得在所有可能的2 d 种二分(dichotomy)中,都能找到与该划分一致的一个假设。VC 维

2016-06-02 12:32:53 7219

原创 PAC可学习性

PACPAC可学习性训练学习器的目标是，能够从合理数量的训练数据中通过合理的计算量可靠的学习到知识。机器学习的现实情况： 1、除非对每个可能的数据进行训练，否则总会存在多个假设使得真实错误率不为0，即学习器无法保证和目标函数完全一致 2、训练样本是随机选取的，训练样本总有一定的误导性什么是PAC可学习的弱化对学习器的要求： 1、我们不要求学习器输出零错误率的假设，只要求错误率被限制

2016-06-02 12:21:47 6322

原创机器学习---假设的评估问题

机器学习的假设理论：任一假设若在足够大的训练样例集中很好的逼近目标函数，它也能在未见实例中很好地逼近目标函数。伯努利分布的期望 np 方差 np（1-p）训练样例（Sample）的错误率：errors 测试数据（data）的错误率：errorD评估偏差 bias=E(errors)-errorD 对于无偏估计（bias=0）：h和S选择必须独立评估方差：对于无偏的评估S，erro

2016-06-02 12:12:32 1217

原创 K-means

K-Means 基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标. k个初始类聚类中心点的选取对聚类结果具有较大的公式影响，因为在该算法第一步中是随机的选取任意k个对象作为初始聚类的中心，初始地代表一个簇。该算法在每次迭代中对数据集中剩余的每个对象，根据其各个簇中心

2016-06-02 12:07:06 768

原创决策树

决策树决策树（decision tree）是一个树结构（可以是二叉树或非二叉树）。其每个非叶节点表示一个特征属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。决策树的构造决策树的构造不同于贝叶斯算法，决策树的构造过程

2016-06-02 12:02:33 2501

原创集成学习

集成学习：有效的前提： 1. 每个弱分类器的错误率不能高于0.5。 2.弱分类器之间的性能要有较大的差别，否则集成效果不是很好。集成学习的实验性结论： Boosting方法的集成分类器效果明显优于bagging,但是在某些数据集boosting算法的效果还不如单个分类器的。使用随机化的人工神经网络初始权值来进行集成的方法往往能够取得和bagging同样好的效果。 B

2016-06-02 11:35:23 1224

原创 KNN

KNNKNN方法虽然从原理上也依赖于极限定理，但在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。KNN复杂度分析kNN算法本身简单有效，它是一种lazy-learning算法，分类器不需要使用训练集进行训练，训练时间复杂度为0。kNN分类的计算复杂度

2016-06-02 11:21:17 3119

原创机器学习过拟合问题

过拟合过拟合的定义在对已知的数据集合进行学习的时候，我们选择适应度最好的模型最为最终的结果。虽然我们选择的模型能够很好的解释训练数据集合，但却不一定能够很好的解释测试数据或者其他数据，也就是说这个模型过于精细的刻画了训练数据，对于测试数据或者其他新的数据泛华能力不强。发生过拟合的原因 1）使用过于复杂的模型(dvc 很大)；（2）数据噪音；（3）有限的训练数据。 a.由于对样本数据

2016-06-02 11:16:48 923

原创贝叶斯学习、MAP、ML

贝叶斯估计与有监督学习如何用贝叶斯估计解决有监督学习问题？对于有监督学习，我们的目标实际上是估计一个目标函数f : X->Y，,或目标分布P(Y|X)，其中X是样本的各个feature组成的多维变量，Y是样本的实际分类结果。假设样本X的取值为xk，那么，根据贝叶斯定理，分类结果为yi的概率应该为：因此，要估计P(Y=yi|X=xk)，只要根据样本，求出P(X=xk|Y=yi)的所有估计，以及

2016-06-02 11:11:12 5948