数学
windroid
这个作者很懒,什么都没留下…
展开
-
100层楼摔鸡蛋问题
一种石头,在某一高度扔下就会碎,在这个高度以下不会碎,高度以上一定碎。现在有4个石头,1000层的楼房,需要测定这个石头破碎的高度。求最少多少次一定可以测出来。 分析:这道题我们应反过来考虑,就是用a块石头扔b次至多一定可分辨层数X(a,b)。先从最简装的一块石头考虑,很显然,X(1,1) = 1X(1,2) = 2X(1,3) = 3.X(1,i) = i转载 2015-04-20 19:39:41 · 759 阅读 · 0 评论 -
k-means算法cpp实现
k-means过程:从数据集中随机选取k个点作为初始center迭代(直到一定次数或迭代前后无变化): 计算每个向量最近的center,将其归为该类计算每一类向量的质心,作为新的center在此使用欧氏距离测试数据集(68040*32):CorelFeatures-mld/ColorHistogram.asc#include <iostream>#inclu...原创 2018-05-24 23:05:03 · 493 阅读 · 0 评论 -
PCA算法cpp实现
PCA过程:零均值化求协方差求特征值及特征向量按特征值大小排序特征向量取前k行组成变换矩阵使用变换矩阵即可进行降维或还原测试数据集(68040*32):CorelFeatures-mld/ColorHistogram.asc#include <iostream>#include <math.h>#include <string.h>...原创 2018-05-24 22:57:29 · 401 阅读 · 1 评论 -
LZW编码解码cpp实现
算法过程: 1:将词典初始化为包含所有可能的单字符,当前前缀P初始化为空。 2:当前字符 C=字符流中的下一个字符。 3:判断 P+C 是否在词典中 (1) 如果“是”,则用C扩展P,即让P=P+C,返回步骤2 (2) 如果“否”,则: 输出与当前前缀P相对应的码字W; 将P+C添加到词典中; 令P=C,...原创 2018-05-23 14:12:01 · 1136 阅读 · 0 评论 -
Container With Most Water
一个非负整数数组a1, a2, …, an 分别代表一系列点 (i, ai),分别过这些点作x轴的垂线,任选两条线与x轴组成一个容器,求容器最大能盛下多少水。要求复杂度O( n ) 注:容器不能倾斜;保证n>=2最容易想到的就是类似冒泡扫一遍过去,复杂度O( n^2 ),TLE题解很容易理解的O( n )方法:双指针(Two Pointers)设选择的两个点为(i, a[i])(j, a[j]),原创 2017-06-25 00:48:27 · 221 阅读 · 0 评论 -
Median of Two Sorted Arrays
现给两个已排序的数组nums1和nums2,长度分别为m和n 求两个数组合并后的中位数,要求复杂度为O( log( m+n ) )例1:nums1 = [1, 3] nums2 = [2]The median is 2.0例2: nums1 = [1, 2] nums2 = [3, 4] The median is (2 + 3)/2 = 2.5虽然二分的复杂度是O( log(n翻译 2017-06-20 00:06:52 · 243 阅读 · 0 评论 -
音乐评分系统MATLAB仿真
分别提取演唱者音频与模版音频的特征参数,通过特征参数的差值得到演唱得分。源码分三个部分: 1. main.m 主文件,运行入口 音频的读入,对基音特征进行分段DTW,根据DTW的结果计算得分 计算方式为:(cos((pl/tpl)*pi)+1)*50 其中,pl为待评分音频的结果 tpl为对照音频的结果 2. solve.m 基音特征提原创 2016-04-21 17:33:51 · 6047 阅读 · 6 评论 -
BWT (Burrows–Wheeler_transform) 解码分析
原文地址: BWT (Burrows–Wheeler_transform)数据转换算法 原文讲解十分详细,但关键地方有点绕,故作分析注释 因为进行的是循环移位,且是循环左移注意下面的性质: 1、L的第一个元素是Text中的最后一个元素 2、对于M中的每一行(第一行除外)第一个元素都是最后一个元素的下一个元素。 也就是说,对于文本块而言,原创 2016-01-23 18:31:09 · 4440 阅读 · 0 评论 -
动态规划入门详解
对于动态规划,每个刚接触的人都需要一段时间来理解,特别是第一次接触的时候总是想不通为什么这种方法可行,这篇文章就是为了帮助大家理解动态规划,并通过讲解基本的01背包问题来引导读者如何去思考动态规划。本文力求通俗易懂,无异性,不让读者感到迷惑,引导读者去思考,所以如果你在阅读中发现有不通顺的地方,让你产生错误理解的地方,让你难得读懂的地方,请跟贴指出,谢谢! ----第一节转载 2015-04-21 20:02:38 · 530 阅读 · 0 评论 -
参数估计
参数估计是什么? 现在有一些样本x,假设他们服从某种分布(例如高斯分布),但是我们并不知道该分布的参数,我们通过这些样本估计出未知的参数,这就是参数估计。有什么前提? 样本是独立同分布的,且训练样本足够充分。 如果样本不是同一个分布,那么我们的假设(他们服从某种分布)就是错误的。 如果训练样本过少,估计出来的参数就会有偏差。最大似然估计 反过来考虑,假设存在某个数据流满足高斯分布...原创 2018-07-16 17:04:33 · 527 阅读 · 0 评论