酱懵静的博客

聚类分析在统计学、机器学习、模式识别、图像处理等领域得到了广泛的应用。对于大多数现有的聚类算法来说，发现任意形状的聚类都是一个巨大的挑战。基于最小生成树（MST）的聚类算法能够发现具有任意形状的聚类，但它们耗时且容易受到噪声点的影响。在本文中，作者使用局部密度峰值（LDP）来表示整个数据集，并定义了一个基于共享邻居的局部密度峰值之间的距离，以更好地衡量流形数据上对象之间的相异性。基于局部密度峰值和新的距离，提出了一种新的基于 MST 的聚类算法，称为 LDP-MST。

FKNN-DPC 通过构造与DPC相同的决策图，并利用 𝛾=𝜌𝛿 找到聚类中心。然后分别提出基于 KNN（第一分配阶段）和模糊加权 KNN（第二分配阶段）的两种策略，将剩余点分配到合适的聚类中。

密度峰值聚类（Density peak clustering，DPC）是 Alex Rodriguez 和 Alessandro Laio 于 2014 年发表于 Science 上的一种基于密度的聚类方法，它通过假设一个数据点与其最近的高密度邻居在同一聚类中对非中心数据点进行分组。DPC 具有简单高效，且聚类过程非迭代的优点。

最近在写一个 java web 项目时，遇到一个让我头疼了一下午的问题：前端通过 post 提交的 form 表单数据可以传到后端，但当我从 Servlet 中通过 request.getParameter("name") 拿取各项数据时，得到的内容均为 Null !

深度学习本身是一个非常庞大的方向， 其下属的研究内容十分广泛，且颇具研究价值。而本文的内容，是一篇导论性质的文章，仅供初入机器学习和深度学习的学者们参考。随着人工智能的兴起和计算机算力的不断提升，深度学习从机器学习的众多方向中脱颖而出，并不断迸发出强烈生机。基于此，近年来有关深度学习的研究在不断更新，不断前进，有关它的相关领域也早已形成了自己特有的一些研究范畴。

BD202302 蛋糕划分题目描述 小度准备切一个蛋糕。这个蛋糕的大小为 N × N，蛋糕每个部分的重量并不均匀。小度一共可以切 K 刀，每一刀都是垂直或者水平的，现在小度想知道在切了 K 刀之后，最重的一块蛋糕最轻的重量是多少。

首先对本题的意思进行一个简化：输入 n 个科学家开始理解第五维度的时间点 S_i 以及其单位时间能得到的理解力 V_i （均为非负整数），那么随着时间的推移，全部科学家的总理解力肯定是不断增加的。一旦总理解力达到了 m ，则认为人类能理解第五维度。但是，现在有一个具有上帝视角的人，他总能找到在这些科学家中具有最高理解力的那位并将其从抹除（则他的理解力也将消失），那么这时候人类还能理解第五维度么？如果能，则输出在这样的前提下人类理解第五维度的最早时间；否则输出 -1。

高斯核的本质是（假设原数据集的样本点个数为 n ）计算样本点 i 与其他所有样本点的相似度，从而得到一个长度为 n-1 的向量，并以该向量作为该样本点的新特征（此时的特征向量即为 [x_1,…,x_{i-1},x_{i+1}…,x_n]）。因此，在用高斯核函数对数据进行处理后，数据的特征将发生本质改变。而新特征的长度则仅与数据集中的样本点个数相关。总结：高斯核是通过计算相似度来进行特征替换的。

这是一道经典的盒子放球问题，简化描述如下：n 个不同的球放入r 个不同的盒子，使每个盒子至少有一个球，问总的放置方案。这实际上是一个集合划分问题，为解决此类问题定义第二类斯特林数 ，表示将 n 个不同元素划分成 m 个非空集合（读作“n 子集 m”）。由于该定义是将元素分成若干集合，故又将第二类斯特林数称为斯特林子集数。

箱子中只有一个红球和一个白球，因此第一次抽取时，抽到红球和抽到白球的概率各占一半。接下来对该箱子进行盲抽，如果抽出红色则停止抽奖；如果抽到白色则重新放入一个白球（已被抽出的白球不放回）。这就是说，对该箱子的每一次抽取，其内部总是含有一个红球和一个白球。因此这个模型实际上是一个 p=12p=\frac{1}{2}p=21​ 的伯努利概型。本题要求的，是停止抽奖时 “中奖球数/摸出总球数” 的数学期望。从理论上说，“抽到奖时摸出的总球数” 可以取到无穷大（即永远抽不到）。因此，本题限制假设最多能抽 M 次。

注意到在埃式筛法过程中，存在相当一部分重复筛除工作。例如，当确定 2 为质数时，后续会将其倍数：4、6、8、10、12、……全部筛除。而接下来当确定 3 为质数时，后续会将 6、9、12、……全部筛除。这时，所有以 2×3=6 为因数的数，如 6、12、18、24、……等都会被重复纳入筛除进程中，这无疑浪费了相当一部分计算资源。因此，出现了一种更节约时间的筛法——欧拉筛法（线性筛法）。欧拉筛法的整体思路和埃式筛法相似，都是通过将已得到质数的倍数从数据集中筛除来减少判断时间。不过为了让某个数只执行一次筛除

MT2206 tax。小码哥要交税，交的税钱是收入 n 的最大因子（该最大因子为不等于 n 的最大因子)，但是现在小码哥为了避税，把钱拆成几份（每份至少为 2），使交税最少，输出税钱。格式输入格式：一个正整数 n 表示收入（总钱数）。输出格式：输出一个正整数表示税钱。

多位数加法的过程涉及到对各个位的加法运算，因此在处理大数的加法运算时，通常会用一个 int 型数组来存储大数在各个位上的值。例如，数：122333444455555666666，可通过一个足够长的数组进行存储。采取数位与索引大小相对应

本题要求找出尚未在输入数据中出现的最小值（所有数据的最小取值为 0）。但是题目给出的数据为二进制字符串（合法的），因此为了找出最小未出现的数，我们需要先将所有输入的二进制字符串转换为十进制数，并将这些数存放进一个集合 nums 中。接下来，从 0 开始逐步向后枚举整数，一旦存在某个数不在集合 nums 中，就说明这个数是尚未在输入数据中出现的最小数。注意：我们还需对这个数进行格式转换！即将这个数由十进制再转换为二进制字符串（长度需要和输入数据的长度一致）。

对于输入的任意新十六进制字符串，如果要找到其对应的十进制数，我们可以通过顺序查找的方式进行求解。即从 0 开始依次枚举该数对应的十六进制数，同时再定义一个计数器 cnt 来记录当前找到的合法的新十六进制数个数，当存在某个十进制数对应的十六进制数与输入的新十六进制数一致时，计数器 cnt 保存的值即为所求。

支持向量机作为传统机器学习算法中的霸主，其背后的数学知识是相当复杂且精密的。对于每个学习机器学习的同学而言，理解并掌握支持向量机的思路对于认识和学习其他算法也会起到非常巨大的推动作用。

支持向量机（Support Vector Machine, SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。支持向量机作为传统机器学习算法中的霸主，其背后的数学知识是相当复杂且精密的。

提瓦特大陆上有个贫穷的占星术士小码哥，他要从蒙德去往璃月，两个地方相隔很远，所以要搭乘车队。但是搭乘车队需要金币，而小码哥没有太多金币，幸运的是，车队在这一路上有 n 个停靠点，每两个停靠点之间所需要的金币数不一样，如果能选择好的话说不定能省点钱。于是小码哥找来了每个站点之间所需的路费，请你帮他找出他完成这一旅途所需要的最少的旅费。。

这道题本质是求“最长上升子序列”，是动态规划最经典的问题之一。对于需要进行动态规划的题目而言，其核心点在于如何设计转移方程和转移数组。对于上升序列，其中的元素必定满足后者不小于前者，因此我们在求上升子序列时可以从此角度出发，不断从后往前进行寻找（或从前往后）。基于此，可设转移数组 dp[i] 为“以索引 i 结尾的子序列中，其含有的上升序列个数”，则最终的待求答案即为：dp[ ] 数组中的最大值。

若要用最少的邻项交换次数使得该序列变为升序，那么我们每次交换就一定要减少整个序列的逆序对个数（进行有效交换）。在这样的情况下，如果我们交换了 n 次，就表示该序列有 n 个逆序对。例如题目给出的例子中（序列 {9, 8, 7, 6, 5} ）含有的逆序对为：{, , , , , , , , , }共10 个，因此其通过邻项交换使原序列变得有序的最低交换次数就为10。