数论总结 - by yzq986

n条公式:

基本转化

  1. [n=1]=d|nμ(d)
  2. n=d|nϕ(d)
  3. ϕ(n)=d|nμ(d)nd
  4. [gcd(a,b)=d]=[d|a][d|b][gcd(ad,bd)=1]
  5. gcd(a,b)=dϕ(d)[d|a][d|b]==d[d|a][d|b]d|dμ(d)dd
  6. (2016.10.22 update)
    1gcd(a,b)=d[d|a][d|b]d|dμ(d)dd
    μ 真的只是一个容斥系数而已啊qwq)
  7. [n|i×j]=[ngcd(n,i)|j]

求和式

  1. 1in[d|i]=nd
  2. 1ingcd(i,n)=d|nϕ(d)nd
  3. 1in[gcd(i,n)=1]=d|nμ(d)nd=ϕ(n)
  4. 1in[gcd(i,n)=1]×i=n(ϕ(n)+[n=1])2
  5. 1in1jmgcd(i,j)=dϕ(d)ndmd
  6. 1in1jm[gcd(i,j)=1]=dμ(d)ndmd
  7. 1in1jmgcd(i,j)k=DnDmDd|Ddkμ(Dd)
  8. 1inlcm(i,n)=nd|nd(ϕ(d)+[d=1])2
  9. ddf(dd)=Dd|Df(D)
  10. Fn=1infn=1ind|ifd2inFnk
    满足左边可以快速计算下,对 nN23 暴力计算,否则递归计算,复杂度降到 N23 (注意递归需要记忆化。。)
  11. (2016.5.9 update)给定
    F(n)=1inf(n)
    其中
    f(n)=d|n,d<nf(d)
    则通过对第二式两边求和,化简,可得
    F(n)=2inF(ni)
    分段记忆化算 Fn ,可以证明是 O(n34) 复杂度的(通过分 n 求和,换积分算上界可得)(这里推的时候可能会有个转化的坑,即注意 d n/d的转化)
  12. (2016.10.22 update)
    1dnμ(d)nd2=1in1jn[gcd(i,j)=1]=1+1in2ϕ(i)
    (倒推的思想)
  13. (2016.10.22 update)
    1dnϕ(d)nd2=1in1jngcd(i,j)=d|nϕ(d)nd=ϕId
    (换成一个 O(nlogn) 求所有 f(n) 值的方法)

m个注意:

  1. 注意使用 d|n 的对称性,即 nd|n
  2. 注意推理过程中要十分注意多重 的使用,如下例:
    ϕ(n)======1in[gcd(i,n)=1]1ind|id|nμ(d)d|n1ind|iμ(d)d|n1in[i=1]d|n1τ(n)

    迷之推导错误在于 d 是同一个!换句话说:
    1i101i201===1i1020=200i[1i10][1i20]=i[1i10]=101i10[1i20]=10

    其中第一行是错的,第二第三行是对的,也就是说其实两个 中,变量只有一个,从而不能也不可能分布求和
    通过使用[…]代替下标可以有效避免这种错误

k个新奇:

  1. 注意到积性函数强力性质可以降低复杂度。然而,其实如果函数满足
    f(x)f(px) 其中 p 为质数,能分p|n pn 分别转移,就能通过在线性筛法上修改线性求解
  2. (2016.10.22 update)当问题给出一个 f(n)=d|ng(d)h(nd) ,求 F(n)=d|nf(n) 时,有个比较漂亮的推法是:
    F(n)=fϵ=ghϵ

    然后如果这个时候碰巧 h 又是个μ或者 ϕ ,有: μϵ=ϕ ϕϵ=id ,那么恭喜你,又 算子满足交换律结合律,有
    F(n)=g(hϵ)=gϕorgId

    如果此时 g 又是个Id,那么再次恭喜你
    F(n)=IdId=Idτ

    附上推演式:https://en.wikipedia.org/wiki/Dirichlet_convolution
  3. 3.
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值