达美航空

目录 第四章：M-absolute 和 M-square 风险度量 思维导图 两个重要不等式的推导 关于 \(M^A\) 的不等式 关于 \(M^2\) 的不等式 凸性效应（CE）和风险效应（RE）的推导 第四章：M-absolute 和 M-square 风险度量 思维导图 从第四章开始比较难了 \(M^A\) 和 \(M^2\) 控制了组合预期变化的下限 两个重要不等式的推导 首先有 \[ V_0 = \sum_{t=t_1}^{t_n} CF_t e^{-\int_0^t f(s)ds} \] 令 \[ \begin{aligned} V_H &= V_0 e^{\int_0^H f(s)ds}\\ &= \sum_{t=t_1}^{t_n} CF_t e^{-\int_0^t f(s)ds} e^{\int_0^H f(s)ds}\\ &= \sum_{t=t_1}^{t_n} CF_t e^{\int_t^H f(s)ds} \end{aligned} \] 以及 \[ V_H^{\prime} = \sum_{t=t_1}^{t_n} CF_t e^{\int_t^H f^{\prime}(s)ds} \] 那么 \[ \begin{aligned} \frac{V_H^{\prime} - V_H}{V_H} &= \frac{1}{V_0 e^{\int_0^H f

时间表示的类型 1.时间戳 2.字符串时间 3.元组类型的时间 import os import time # 1.时间戳 print ( time.time ( )) # 2.字符串时间 print ( time.ctime ( )) # 3.元组时间 print ( time.localtime ( )) info = time.localtime ( ) print ( info ) print ( info.tm_yday ) print ( info.tm_mon ) #执行结果 1575989292.1338549 Tue Dec 10 22:48:12 2019 time.struct_time ( tm_year = 2019, tm_mon = 12, tm_mday = 10, tm_hour = 22, tm_min = 48, tm_sec = 12, tm_wday = 1, tm_yday = 344, tm_isdst = 0 ) time.struct_time ( tm_year = 2019, tm_mon = 12, tm_mday = 10, tm_hour = 22, tm_min = 48, tm_sec = 12, tm_wday = 1, tm_yday = 344, tm_isdst = 0 ) 344 12 时间类型的转换

写在前面 这次来总结一下IMU的一些东西，主要包含： 测量模型 运动模型 IMU的测量模型 通常，我们将IMU的测量模型写作如下模型（注意不是观测模型）： w m = w t + b w + n w a m = a t + b a + n a w_m = w_t+b_w+n_w \\ a_m = a_t+b_a+n_a w m ​ = w t ​ + b w ​ + n w ​ a m ​ = a t ​ + b a ​ + n a ​ 亦即：“测量值=真值+零偏+高斯白噪声”，其中： 零偏值是我们希望实时进行估计的，会在状态变量中进行估计； 零偏值通常被建模为随机游走过程； 高斯白噪声 高斯白噪声其实是我们常见的噪声模型，一个典型的高斯白噪声满足： E [ n ( t ) ] = 0 E [ n ( t 1 ) n ( t 2 ) ] = σ g 2 δ ( t 1 − t 2 ) \begin{array}{c}{E[n(t)]=0} \\ {E\left[n\left(t_{1}\right) n\left(t_{2}\right)\right]=\sigma_{g}^{2} \delta\left(t_{1}-t_{2}\right)}\end{array} E [ n ( t ) ] = 0 E [ n ( t 1 ​ ) n ( t 2 ​ ) ] = σ g 2 ​

参考： https://www.cnblogs.com/whiteyun/archive/2009/08/10/1543139.html concat是concatenate(连锁, 连接)的缩写. table.concat()函数列出参数中指定table的数组部分从start位置到end位置的所有元素, 元素间以指定的分隔符(sep)隔开。除了table外, 其他的参数都不是必须的, 分隔符的默认值是空字符, start的默认值是1, end的默认值是数组部分的总长. sep, start, end这三个参数是顺序读入的, 所以虽然它们都不是必须参数, 但如果要指定靠后的参数, 必须同时指定前面的参数. > tbl = {"alpha", "beta", "gamma"} > print(table.concat(tbl, ":")) alpha:beta:gamma > print(table.concat(tbl, nil, 1, 2)) alphabeta > print(table.concat(tbl, "\n", 2, 3)) beta gamma table.insert(table, pos, value) table.insert()函数在table的数组部分指定位置(pos)插入值为value的一个元素. pos参数可选, 默认为数组部分末尾. > tbl =

为了加深在人工智能、深度学习领域的学习，接下来会推出数学基础系列博客，加深自己在这领域的基础知识。 一、函数 1、函数的定义 函数表示量与量之间的关系如：$A=\pi r^{2}$。更普遍的是用$y=f(x)$表示，其中x表示自变量，y表示因变量。函数在x 0 处取得的函数值$y_{0}=y\mid _{x=x_{0}}=f(x_{0})$。值得一提的是，符号只是一种表示，也可以用其他符号来表示，比如：$y=g(x)$、$y=\varphi (x)$、$y=\psi (x)$等。 2、常用函数形式 分段函数：$f(x)=\left\{\begin{matrix}\sqrt{x}, &x\geqslant 0 \\ -x, & x< 0\end{matrix}\right.$ 反函数：$h=\frac{1}{2}gt^{2}\rightarrow h=h(t) \rightarrow t=\sqrt{\frac{2h}{g}}\rightarrow t=t(h)$ 显函数：$y=x^{2}+1$ 隐函数：$F(x,y)=0$，$3x+y-4=0$ 3、函数特点 奇函数：相对于原点对称的函数$f(-x)=-f(x)$，如$f(x)=x^{3}$，代入计算可得$f(-x)=(-x)^{3}=-x^{3}=-f(x)$。 偶函数：相当于Y轴对称的函数$f(-x)=f(x)$，如$f(x)

1.前言 在机器学习，深度学习中，我们通过定义损失函数并采用最小化损失函数的策略来优化模型中的参数。到了这个环节，其实我们面临的就是最优化问题。求解这些问题的方法也有很多，最常用就是 梯度下降算法 ，在李航博士的《统计学习方法》中也还有 牛顿法 等。而针对梯度下降算法的不足，对此改进的有 随机梯度下降法 以及添加 动量 等。在本篇博文中，我们先来看看梯度下降算法的数学原理。 2.预备知识 在了解梯度下降算法之前，我们需要有一定的数学基础，例如：偏导，梯度，泰勒展开式。偏导大家应该很清楚，就不做细谈，现在让我们回忆以下梯度以及泰勒展开式的相关概念。 2.1梯度 本部分主要参考百度文库[1]。梯度：表示一函数在该点的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此梯度的方向）变化最快，变化率最大（为该梯度的模）。这里又有一个新名词 方向导数 ，那么什么是方向导数呢？下面我们来看看： 背景 ：假如我们有一个曲面（我们可以联想到这是一个山坡， z z z 可以看成一个高度） z = ( x , y ) z=(x,y) z = ( x , y ) ，其中 ( x , y ) ∈ D (x,y)\in D ( x , y ) ∈ D ，可以将 D D D 理解为这座山所占水平面的那块平面区域，在这块区域上有一点 M 0 ( x 0 , y 0 ) ∈ D M_0(x_0,y_0)

目录 矩阵的奇异值分解（Singular Value Decomposition）： 分解步骤（SVD）： 几何意义（SVD）： 矩阵的奇异值分解（Singular Value Decomposition）： 定义：设矩阵 A ∈ C r m × n A \in C_r^{m\times n} A ∈ C r m × n ​ , λ i \lambda _i λ i ​ 是 A A H ( A H A ) AA^H(A^HA) A A H ( A H A ) 的非零特征值，则称 σ i = λ i \sigma _i=\sqrt{\lambda _i} σ i ​ = λ i ​ ​ 为 A A A 的奇异值， i = 1 , 2 , ⋯   , r i=1,2,\cdots,r i = 1 , 2 , ⋯ , r 定理：设矩阵 A ∈ C r m × n A \in C_r^{m\times n} A ∈ C r m × n ​ ,则存在 U ∈ U m × m U \in U^{m\times m} U ∈ U m × m ， V ∈ U n × n V \in U^{n\times n} V ∈ U n × n ，使得 A = U [ Δ 0 0 0 ] V H A=U \left [ \begin{matrix} \Delta &0\\ 0&0\end{matrix}

C++内置了异常处理的语法元素try... catch ... -t ry语句处理正常代码逻辑 - catch语句处理异常情况 -try语句中的异常由对应的catch语句处理 try { 　　double r = divide(1,0); } catch(...) { 　　cout << "Divided by zero..." << endl; } C++通过throw语句抛出异常信息 double divide(double a, double b) { const double delta = 0.000000000000001; double ret = 0; if( !((-delta < b) && (b < delta)) ) { ret = a / b; } else { throw 0; //产生除0异常 } return ret; } C++异常处理分析 -throw抛出的异常 必须被catch处理 　　 当前函数能够处理异常，程序继续往下执行 　　 当前函数无法处理异常，则函数停止执行，并返回 未被处理的异常会顺着函数调用栈向上传播，直到被处理为止，否则程序将停止执行 当产生异常后，先看function3这个函数有没有能力处理，此时是没有能力处理的。于是function3这个函数就会立即停止执行，并且带着 异常返回function2的调用点

目录 Delta RPMs disabled because /usr/bin/applydeltarpm not installed Delta RPMs disabled because /usr/bin/applydeltarpm not installed yum -y install deltarpm 来源： https://www.cnblogs.com/anyux/p/12006945.html

代码如下： from PIL import Image from os import listdir import math import numpy as np import cv2 def textureSquare( imgPath): img = Image.open(imgPath) width, height = img.size delta = width - height if(delta > 0): repeat = delta / height result = Image.new(img.mode, (width, height + delta)) region1 = img.crop((0, height - (delta - repeat * height), width, height)) result.paste(region1, box = (0, 0)) for i in range(0, repeat + 1): result.paste(img, box = (0, delta - repeat * height + i * height)) return result elif(delta < 0): delta = abs(delta) repeat = delta / width result = Image.new(img.mode,