Koorye-CSDN博客

原创【数学建模笔记 29】数学建模的多元分析

29. 多元分析定义多元分析是多变量的统计分析方法，是数理统计中应用广泛的一个重要分支。判别分析判别分析是一种分类方法。假定有 rrr 类判别对象 A1,A2,…,ArA_1,A_2,\dots,A_rA1,A2,…,Ar，每一类 AiA_iAi 由 mmm 个指标的 nin_ini 个样本确定，即Ai=(a11(i)a12(i)…a1m(i)a21(i)a22(i)…a2m(i)⋮⋮⋱⋮ani1(i)ani2(i)…anim(i))=((a1(i))T(a2(i))T⋮(ani(i))

2021-07-30 21:12:28 1326

原创【数学建模笔记 24】数学建模的时间序列模型

24. 时间序列模型定义时间序列是按时间顺序排列的、随时间变化且相互关联的数据序列。分析时间序列的方法构成数据分析的一个重要领域，即时间序列分析。一个时间序列往往是以下几类变化形式的叠加。长期趋势变动 TtT_tTt：朝一定方向的变化趋势；季节变动 StS_tSt；循环变动 CtC_tCt：周期一年以上，由非季节因素引起的涨落起伏波形相似的波动；不规则变动 RtR_tRt。常见的确定性时间序列模型有加法模型 yt=Tt+St+Ct+Rty_t=T_t+S_t+C_t+R_t

2021-07-29 23:33:12 1984 1

原创【数学建模笔记 22】数学建模的模糊数学模型

定义模糊数学就是用数学方法研究与处理模糊现象的数学。现实的数学模型可以分为三大类：确定性数学模型：模型背景具有确定性，对象之间具有必然关系；随机性数学模型：模型背景具有随机性和偶然性。模糊性模型：模型背景具有模糊性。被讨论的对象全体称论域，用 U,VU,VU,V 等表示。对于论域 UUU 的每个元素和某一子集 AAA，在经典数学中，要么 x∈Ax\in Ax∈A，要么 x∉Ax\notin Ax∈/A。在模糊数学中，称没有明确边界的集合为模糊集合，元素属于模糊集合的程度用隶属度表示，计

2021-07-29 23:31:52 2948

原创【数学建模笔记 20】数学建模的偏微分方程的数值解

20. 偏微分方程的数值解定解问题各种物理性质的定常过程都可用椭圆型方程描述Δu=∂2u∂x2+∂2u∂y2=f(x,y),\Delta u=\frac{\partial^2u}{\partial x^2}+\frac{\partial^2u}{\partial y^2}=f(x,y),Δu=∂x2∂2u+∂y2∂2u=f(x,y),当 f(x,y)=0f(x,y)=0f(x,y)=0 时，即拉普拉斯方程Δu=∂2u∂x2+∂2u∂y2=0.\Delta u=\frac{\partial

2021-07-28 20:34:31 1226

原创【数学建模笔记 13】数学建模的差分方程模型

13. 差分方程模型定义设函数 xk=x(k)x_k=x(k)xk=x(k)，kkk 取非负整数，称改变量 xk+1−xkx_{k+1}-x_kxk+1−xk 为函数 xkx_kxk 的差分，也称函数 xkx_kxk 的一阶差分，记 Δxk\Delta x_kΔxk。一阶差分的差分称二阶差分 Δ2xk\Delta^2x_kΔ2xk，即Δ2xk=Δ(Δxk)=Δxk+1−Δxk\Delta^2x_k=\Delta(\Delta x_k)=\Delta x_{k+1}-\Delta x_

2021-07-28 20:33:53 4628 2

原创【数学建模笔记 13】数学建模的微分方程建模

13. 微分方程建模定义微分方程建模是数学建模的重要方法，大体可以按以下几步：根据实际要求确定要研究的量 (自变量、未知函数、必要参数)，确定坐标系；找出这些量所满足的基本规律；运用规律列出方程和定解条件。微分方程的数值解考虑一阶常微分方程{dydx=f(x,y),y(x0)=y0.\left\{\begin{aligned}&\frac{dy}{dx}=f(x,y),\\&y(x_0)=y_0.\end{aligned}\right.⎩⎨⎧dxdy=f(

2021-07-27 20:21:49 1870

原创【数学建模笔记 12】数学建模的回归分析

12. 回归分析定义回归分析是对拟合问题作统计分析，包括模型建立、可信度检验、预测和控制。回归分析的主要步骤是：由观测值确定参数 (回归系数) 的估计值；对线性关系、自变量的显著性进行统计检验；利用回归方程进行预测。多元线性回归分析参数估计对于 mmm 元线性回归模型y=β0+β1x1+⋯+βmxm+ϵ,y=\beta_0+\beta_1x_1+\dots+\beta_mx_m+\epsilon,y=β0+β1x1+⋯+βmxm+ϵ,对 yyy 作 nnn 次抽样得到

2021-07-26 23:06:04 1396

原创【数学建模笔记 09-2】数学建模的拟合

09-2. 拟合定义拟合：已知有限个数据点，求近似函数，不要求过已知数据点，只要求在某种意义下它在这些点上的总偏差最小。最小二乘拟合已知一组点 (xi,yi),i=1,2,…,n(x_i,y_i),i=1,2,\dots,n(xi,yi),i=1,2,…,n，xix_ixi 互不相同，寻求一个函数 y=f(x)y=f(x)y=f(x)，使 f(x)f(x)f(x) 在某种准则下与所有数据点最为接近。称δi=f(xi)−yi,i=1,2,…,n\delta_i=f(x_i)-y_i,

2021-07-26 23:04:47 356 2

原创【数学建模笔记 09-1】数学建模的插值

09-1. 插值定义插值：求过已知有限个数据点的近似函数。插值方法拉格朗日插值用多项式作为插值工具，称代数插值。已知函数 f(x)f(x)f(x) 在区间 [a,b][a,b][a,b] 上 n+1n+1n+1 个不同点 x0,x1,…,xnx_0,x_1,\dots,x_nx0,x1,…,xn 处的函数值 yi=f(xi),i=0,1,…,ny_i=f(x_i),i=0,1,\dots,nyi=f(xi),i=0,1,…,n，求一个至多 nnn 次多项式φn(x)=a0+a1x+⋯

2021-07-26 23:04:07 164 1

原创【数学建模笔记 07】数学建模的对策论

07. 对策论定义对策论亦称竞赛论或博弈论，是研究具有斗争或竞争性质现象的数学理论和方法。基本要素：局中人：在一个对策行为中，有权决定自己行动方案的对策参加者，通常用 III 表示局中人集合；策略集：一局对策中，可供局中人选择的一个实际可行的完整行动方案称一个策略，每个局中人 i,i∈Ii,i\in Ii,i∈I 都有自己的策略集 SiS_iSi；赢得函数 (支付函数)：一局对策中，各局中人所选定的策略形成的策略组称一个局势，即若 sis_isi 是第 iii 个局中人的一个

2021-07-25 22:35:00 1199

原创【数学建模笔记 06】数学建模的排队论

06. 排队论定义排队论也称随机服务系统理论，它研究的内容有三部分：形态问题：各种排队系统的概率规律性，如队长分布、等待时间分布、忙期分布等；最优化问题：分静态最优 (最优设计) 和动态最优 (最优运营)；排队系统的统计推断：判断一个给定的排队系统符合于哪种模型。排队论的一般模型如图：#mermaid-svg-lOMohPEZRZrtyYLA .label{font-family:'trebuchet ms', verdana, arial;font-family:var(--mermai

2021-07-25 22:34:18 1294

原创【数学建模笔记05】数学建模的图与网络

05. 图与网络基本概念无向图：一个非空有限集合 V(G)V(G)V(G) 和 V(G)V(G)V(G) 中的某些元素的无序对集合 E(G)E(G)E(G) 构成的二元组，记G=(V(G),E(G))G=(V(G),E(G))G=(V(G),E(G))其中V(G)={v1,v2,…,vn}V(G)=\{v_1,v_2,\dots,v_n\}V(G)={v1,v2,…,vn}称顶点集或结点集，E(G)={e1,e2,…,em}E(G)=\{e1,e2,\dots,e_m\}

2021-07-24 21:16:53 212

原创【数学建模笔记04】数学建模的动态规划

04. 动态规划定义动态规划是运筹学的一个分支，是求解决策过程最优化的数学方法。动态规划是求解某类问题的一种方法，而不是一种特殊算法，没有标准的数学表达式和明确定义的一组规则。动态规划的基本概念有：阶段：对整个过程的自然划分，阶段变量一般用 k=1,2,…,nk=1,2,\dots,nk=1,2,…,n 表示；状态：每个阶段开始时过程所处的自然状况，用 xkx_kxk 表示第 kkk 阶段的状态变量，用 XkX_kXk 表示第 kkk 阶段的允许状态集合；决策：一个阶段的状态确

2021-07-24 21:15:54 1704

原创【数学建模笔记 03】数学建模的非线性规划

03. 非线性规划定义如果目标函数或约束条件中包含非线性函数，就称这种规划问题为非线性规划问题。非线性规划目前还没有适于各种问题的一般算法。非线性规划模型描述如：min⁡f(x),\min f(x),minf(x),s.t.{gi(x)≤0,i=1,2,…,m,hj(x)=0,j=1,2,…,l,s.t.\left\{\begin{aligned}&g_i(x)\le0,i=1,2,\dots,m,\\&h_j(x)=0,j=1,2,\dots,l,\end{alig

2021-07-23 20:49:53 503

原创【数学建模笔记 02】数学建模的整数规划

02. 整数规划定义规划中的变量 (部分或全部) 限制为整数时，称为整数规划。若在线性规划模型中变量限制为整数，则称为整数线性规划。分类：变量全限制为整数时，称纯 (完全) 整数规划；变量部分限制为整数时，称混合整数规划。求解方法分枝定界法思路：将可行解空间分割为越来越小的子集，对每个子集内的解集计算目标下界，超出已知可行解集目标值的子集不再进一步分枝。步骤**分枝：**在问题中任选一个不符合整数条件的变量 xj=bjx_j=b_jxj=bj，取小于 bjb_jbj 的最

2021-07-23 20:49:16 385

原创【数学建模笔记 01】数学建模的线性规划

01. 线性规划定义线性规划，就是在一组线性约束条件的限制下，求一线性目标函数最大或最小的问题。线性规划由三部分组成：决策变量目标函数约束条件形式编程中，线性规划的标准形式为：min⁡xcTx\min_xc^TxxmincTxs.t.{Ax≤bAeq⋅x=beqlb≤x≤ubs.t.\left\{\begin{aligned}&Ax\le b \\&Aeq\cdot x=beq \\&lb\le x\le ub\end{aligned}\rig

2021-07-23 20:48:21 941

原创【机器学习自学笔记8】隐马尔可夫模型(HMM)

隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如模式识别。隐马尔可夫模型的结构HMM 模型是一种生成式模型。HMM 模型中有 2 个相关序列，分别是状态序列和观测序列，HMM 模型具有以下规则：观测序列是可以直接观测的，状态序列是不可观测的状态序列在 t 时刻的值只与 t-1 时刻的值有关观测序列在 t 时刻的值只与 t 时刻状态序.

2021-01-25 21:06:06 259 1

原创 Spring Boot 源码分析——RequestContextHolder 与 ThreadLocal

笔者一直在思考 Shiro 如何通过 SecurityUtils 拿到当前用户。原来是对于每个 HTTP 请求，在 Java 中都会开启一个线程进行处理，这个线程内就存放了当前的请求与请求信息，Shiro 通过当前线程，就可以拿到对应的 HTTP 请求，从而拿到当前用户。进一步考虑，Spring Boot 是如何实现这一过程的呢？Spring Boot 如何为每个请求分配线程，在线程中注入请求信息，又如何通过线程取出请求呢？RequestContextHolder源码：public abstrac

2020-12-10 20:58:13 2127 3

原创【机器学习自学笔记7】主成分分析(PCA)

PCA（Principal Component Analysis）是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。维数灾难维数灾难(Curse of Dimensionality)：通常是指在涉及到向量的计算的问题中，随着维数的增加，计算量呈指数倍增长的一种现象。在机器学习中，随着数据集维数的增加，数据的计算量将呈几何倍数增加，同时样本间的距离会远远增大，这将导致样本数据失去其意义。为了减少计算量、增加准确度，我们有必要按照一定的规则去除一些维度 (特征)，这便

2020-11-16 17:07:09 190

原创【机器学习自学笔记6】高斯混合模型(GMM)

我们知道生活中的很多现象，比如身高体重的分布，都满足高斯分布 (正态分布)。而高斯混合模型，则是通过多个高斯分布的叠加，实现对数据集的拟合。高斯分布如果学过概率论，我们知道高斯分布的公式如下：X∼N(μ,σ2)X \sim N(\mu,\sigma^2)X∼N(μ,σ2)生活中的很多现象，比如身高，都近似一种高斯分布：考虑一个问题，如果有一组数据，其中包括男性和女性的身高，比起使用一个高斯分布，使用两个高斯分布拟合的效果是不是更好呢？然而，我们只知道数据集，并不知道分布的参数，高斯混合

2020-11-02 20:43:04 652

原创【机器学习自学笔记5】AdaBoost

AdaBoost 是一种典型的集成学习算法，通过对多个弱学习器的集合，构成一个强学习器。#mermaid-svg-PEJzTS0OP71AzPio .label{font-family:'trebuchet ms', verdana, arial;font-family:var(--mermaid-font-family);fill:#333;color:#333}#mermaid-svg-PEJzTS0OP71AzPio .label text{fill:#333}#mermaid-svg-PEJzTS

2020-10-30 19:19:29 161 1

原创【机器学习自学笔记4】朴素贝叶斯分类器

title: 【机器学习自学笔记4】朴素贝叶斯分类器date: 2020-10-29 18:34:29categories: 机器学习tags:机器学习概率论贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。而朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法。贝叶斯公式P(B∣A)=P(AB)P(A)=P(A∣B)P(B)P(A)P(B|A) = \frac{P(AB)}{P(A)} = \frac{P(A|B)P(B)}{P(A)}.

2020-10-29 19:12:13 238 2

原创【机器学习自学笔记3】决策树剪枝

决策树如果任其自由生长，很容易产生过拟合。因此，我们有必要对决策树进行剪枝。CART 剪枝算法从"完全生长"的决策树的底端剪去一些子树，使决策树变小(模型变简单)，从而能够对未知数据有更准确的预测。CART 剪枝CART 剪枝的思想：从完全生长的整体树 T0T_0T0 的最底端开始不断剪枝直至剪到 T0T_0T0 的根结点为止，形成子树序列 {T0,T1,...,TnT_0, T_1, ... , T_nT0,T1,...,Tn}通过交叉验证法在独立的验证集上对子树序列进行测试，选

2020-10-29 18:12:08 141

原创【机器学习自学笔记2】决策树

决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。如果我们有一套数据集：颜色响声甜.

2020-10-28 18:05:14 147

原创【机器学习自学笔记1】信息熵

一直想记录一下机器学习的笔记，奈何水平不足，不过还是想挑战一下自己。话不多说，下面开始。熵**熵 **(entropy) 泛指某些物质系统状态的一种量度，某些物质系统状态可能出现的程度。亦被社会科学用以借喻人类社会某些状态的程度。信息熵信息熵的由来信息熵这个词是C.E.Shannon（香农）从热力学中借用过来的。热力学中的热熵是表示分子状态混乱程度的物理量。香农用信息熵的概念来描述信源的不确定度。信息熵是一种衡量信息不确定性的物理量，信息熵越大，信息越难以确定。一个例子：抛一枚硬币，

2020-10-28 18:04:32 447

原创【Elasticsearch 自学笔记三】Spring Boot 整合 ES

文章目录导入依赖编写配置索引操作字段操作创建实体类创建接口调用接口方法复杂搜索结果分页与排序使用 @Query使用 NativeQuery这一期我们用 Spring Boot + Spring Data Elasticsearch 整合 ES.导入依赖选用 Idea 快速创建 Spring Boot 项目，选择：Spring Data ElasticsearchLombok  <depend

2020-08-06 16:14:49 363

原创【Elasticsearch 自学笔记二】IK 中文分词器和搜索语法

文章目录IK 中文分词器测试自定义词典ES 搜索语法keyword 和 text 的区别测试过滤搜索结果结果分页与排序逻辑查询区间查询结果高亮ES 作为一个搜索引擎，拥有高效且功能齐全搜索算法，这一期我们来了解一下其细节。IK 中文分词器ES 并不支持中文词语的切割，当使用中文时，我们输入的词汇会被切割成一个个单子，而不能组成我们想要的词语。幸运的是，ES 人性化的支持各种插件的安装，通过安装 IK 分词器，我们就可以解决这个问题。在 Docker 中，我们需要先进入容器，不用 Docker 可

2020-08-06 01:47:15 591

原创【Elasticsearch 自学笔记一】什么是 ES？ ES 的基本安装和使用

文章目录什么是 ES？Docker 安装 ESDocker 安装 Kibana配置 Docker 网络基本使用索引操作字段操作Elasticsearch是一个基于Lucene的搜索服务器。它提供了一个分布式多用户能力的全文搜索引擎，基于RESTful web接口。Elasticsearch是用Java语言开发的，并作为Apache许可条款下的开放源码发布，是一种流行的企业级搜索引擎。Elasticsearch用于云计算中，能够达到实时搜索，稳定，可靠，快速，安装使用方便。官方客户端在Java、.NE

2020-08-06 01:46:40 382

原创【Shiro 自学笔记八】Spring Boot 环境下 Shiro 整合 JWT

文章目录自定义 token自定义 Realm自定义 Filter配置网络安全管理器配置过滤规则登录控制器全局异常控制器测试这一期我们用 Shiro 整合 JWT。自定义 token我们之前使用 Shiro 提供的 UsernamePasswordToken，这次我们需要自定义一个 token，实现空参构造、全参构造、GetSet：@NoArgsConstructor@AllArgsConstructor@Getter@Setterpublic class JwtPasswordToken

2020-07-25 18:03:46 159

原创【Shiro 自学笔记七】什么是 JWT？Shiro 整合JWT

文章目录什么是 JWTSession 的缺陷JWT 的结构JWT 的生成和解析导入依赖编写工具类测试基于 JWT 的用户认证编写拦截器配置拦截规则编写控制器测试主流的双 token 认证方案主流的双 token 认证方案JWT 全称 JSON Web Token，是一种用于通信双方之间传递安全信息的简洁的、URL安全的表述性声明规范，经常用在跨域身份验证。本期内容与 Shiro 无关，不过在下一期我们就会整合 Shiro 和 JWT。什么是 JWTJWT 是一种可以携带信息的加密串，加密时可以将各

2020-07-25 18:01:59 433

原创【Shiro 自学笔记六】Shiro 的默认缓存机制和 Redis 实现缓存

文章目录Shiro 的登录验证机制Shiro 的默认缓存机制导入依赖配置 RealmRedis 实现缓存导入依赖修改配置配置 Redis 序列化编写 Service 层配置 Redis 缓存配置 Redis 缓存管理器修改 Shiro 配置类测试上一期我们实现了登录验证，然而，每次登录 Shiro 都需要去查询一次数据库，而查询数据库是极其耗费资源的，因此，我们需要引入缓存来减小资源开支。Shiro 的登录验证机制我们给 Service 层加入日志打印，再行测试：@Servicepublic c

2020-07-24 22:29:06 1990

原创【Shiro 自学笔记五】Spring Boot 整合 Shiro + Spring Data JPA 加密与验证

文章目录配置数据库编写工具类整合 Spring Data JPA编写实体类编写 Dao 层编写 Service 层编写控制器注册测试实现登录编写 Dao 层编写 Service 层编写控制器设置算法与散列加盐测试上一期我们整合了 Spring Boot，但是用的是假数据而且是明文。这一期我们将实现数据库整合和加密。配置数据库建立一个数据表，设立 3 个列：id INT 自增主键username VARCHAR(16) 非空password VARCHAR(16) 非空建表语句

2020-07-24 03:33:41 257

原创【Shiro 自学笔记四】Spring Boot 整合 Shiro

文章目录导入依赖自定义 Realm编写基本配置编写配置类配置过滤规则编写 Realm实现登录这一期我们将使用 Spring Boot 整合 Shiro 并实现登录验证和授权认证功能。导入依赖使用 Idea 快速构建项目，选择：Spring Develop ToolsLombokSpring WebSpring Data JPA (笔者使用 Spring Data JPA 整合数据库，你也可以使用 MyBatis 等框架)MySQL Connector for Java (MySQL

2020-07-24 03:32:43 128

原创【Shiro 自学笔记三】Shiro 的授权机制

文章目录授权的概念主体资源权限角色授权的类型基于角色的访问控制基于资源的访问控制判断是否授权编程式注解式标签式实现授权和判断这一期来了解一下 Shiro 的授权。授权的概念主体主体，即访问应用的用户，在 Shiro 中使用 Subject 代表用户。用户只有授权后才允许访问相应的资源。资源在应用中用户可以访问的任何东西都称为资源。用户只有授权后才能访问。权限安全策略中的原子授权单位，通过权限我们可以表示在应用中用户有没有操作某个资源的权利。即权限表示在应用中用户能不能访问某个资源。Shi

2020-07-24 03:31:16 295

原创【Shiro 自学笔记二】自定义 Realm 实现 MD5 加密、加盐与再散列

文章目录什么是MD5加盐散列Shiro 实现 MD5 加密基本 MD5 加密加盐与散列自定义 Realm 实现登录验证自定义 Realm 实现 MD5 加密声明加密算法声明加盐和散列上一期我们完成了基本的登录操作，然而，直接通过明文密码登录显然是非常不安全的。因此，我们必须对密码进行加密以加强信息的安全性。什么是MD5MD5信息摘要算法（英语：MD5 Message-Digest Algorithm），一种被广泛使用的密码散列函数，可以产生出一个128位（16字节）的散列值（hash value）

2020-07-24 03:30:41 381

空空如也

空空如也