线性

解非线性方程y=x^3 +4*x^2-10在区间[1,2]的根,精确到小数点后第三位 严格按照科学出版社数值计算方法定义 # include <iostream> using namespace std ; # define WUCHA 0.0005 //误差 double hanshu ( double x ) { //函数 return x * x * x + x * x * 4.0 - 10.0 ; } int main ( ) { double a = 1 ; double b = 2 ; double midd ; int count = 1 ; while ( ( b - a ) / 2 > WUCHA ) { midd = ( a + b ) / 2 ; if ( hanshu ( midd ) > 0.0 ) { b = midd ; } else { a = midd ; } count ++ ; } cout << "结果:" << ( a + b ) / 2 << endl ; cout << "运算次数:" << count ; return 0 ; } } 来源： CSDN 作者： 菜虚困爱菜籽 链接： https://blog.csdn.net/weixin_43625164/article/details/104613250

MATLAB线性回归 regress函数 线性回归 其实就是通过拟合的方法求出离散点的一元线性方程，采用的是最小二乘方法。最后能求出k，b 即 y = k x + b y = kx + b y = k x + b [ b , b i n t , r , r i n t , s t a t s ] = r e g r e s s ( y , X ) [b,bint,r,rint,stats] = regress(y,X) [ b , b i n t , r , r i n t , s t a t s ] = r e g r e s s ( y , X ) 这里直接用最为常见的5个参数的regress 其中b是一个一行两列的向量，第一个返回的是常数项，第二个返回的是k。stats有4个数够构成，第一个是 R 2 R^2 R 2 ，用来表示这个回归模型是否良好，第二个数是F分布自由度对应的F值，主要用来做F检验用，通过这个值大于自由度下的 F 0.05 ( m , n ) F_{0.05}(m,n) F 0 . 0 5 ​ ( m , n ) 以及 F 0.01 ( m , n ) F_{0.01}(m,n) F 0 . 0 1 ​ ( m , n ) 进行比较做F检验，如果利用第三个参数p值来做检验，如果 0.01 < p < 0.05 0.01<p<0.05 0 . 0 1 < p

面试的时候，可能会经常碰到这样一个问题：嘉定区有两个桶，一个容量为 3 升，一个容量为 5 升，我们怎么能够不通过其他度量工具的帮助兑出 1 升的水来。假定水是无限的。 !! 此处限制条件：会给定先倒入哪个桶，并且在倒的过程中，不能出现如下情况：给定先倒的桶空了，而另一个桶是满的。 例如题： https://exercism.io/my/solutions/3b849bba3ee840ccac12eb7ca734ba8e 问题分析 如果单纯针对这个问题来看，相信我们还是可以很容易的得到一个推导过程。既然我们有两个桶，一个是 3 升，一个是 5 升，那么我们可能需要将一个桶装满水，然后倒到另外一个桶里， 通过将一个桶倒满而另外一个桶可能还有盈余来达到最终兑换出期望容量的水的目的 。按照这个思路，我们可以开始第一步分析。 初步分析 上个例子问题中，我们整个兑水的过程可以描述如下（假设先倒入 3 升的桶）： (3, 0) 将 a 桶倒满； (0, 3) 将 a 桶倒入 b 桶；此情况可以出现，因为虽然 a 桶满了，但是 b 桶未满 (3, 3) 将 a 桶倒满； (1, 5) 将 a 桶倒入 b 桶 2 升，b 桶仅剩下 2 升的容积。此时 a 桶剩下 1 升，即为所求。 从这个特定的问题本身，似乎没什么特殊的，我们就这么来回的倒腾似乎有点靠运气。 可是，如果我们再深层次的去想想。

//下标为数字, 数值判定是否为为素数， int check [ 100000 ] = { 0 } ; //0是,1不是, 假定全是素数。 int prime [ 100000 / 2 ] ; //循序保存从2开始的素数数组 int prime_num = 0 ; //素数个数，结果要减一 void find_prime ( int n ) { for ( int i = 2 ; i <= n ; i ++ ) //寻找[2, n]的素数 { if ( check [ i ] == 0 ) //如果当前数标记为0, 即不是合数 prime [ prime_num ++ ] = i ; //则将该数添加到素数集合prime数组 for ( int j = 0 ; j < prime_num && i * prime [ j ] < n ; j ++ ) //再将某些是该素数的倍数的数字标记为合数 { check [ i * prime [ j ] ] = 1 ; //i*已有的素数集合 if ( i % prime [ j ] == 0 ) //关键 break ; } } } 测试 # include <iostream> # include <cstdio> using namespace std ; int check [ 20005 ] ; //基数桶 int prime [

默认角度从上往下 但如果使用角度，0度是从下往上，顺时针旋转 来源： CSDN 作者： 一只肥鹤 链接： https://blog.csdn.net/weixin_43322208/article/details/104539662

二分查找和线性查找可运用于数组 线性查找 时间复杂度 O(n) 1、遍历数组 2、拿目标和数组中的元素进行匹对 3、找到则返回数组中该元素的下标 4、未查询到则返回-1 //自定义数组 public class MyArray { int[] elements; // 线性查找 public int search(int target) { for (int i = 0; i < elements.length; i++) { if (target == elements[i]) { return i; } } // 如果没找到 return -1; }} 二分查找 时间复杂度 O(log2n) 二分查找是有必要的前提，即数组中的元素一定要排好顺序 1、找到该数组的中点 2、目标元素与中点值进行比对 相等则返回该中点元素下标 如果目标元素大于中点 则把低位元素的下标设置成中点向右移动一位 如果目标元素小于中点 则把高位元素的下标设置成中点向左移动一位 根据低位元素下标和高位元素下标重新计算出中点 public class MyArray { int[] elements; // 二分查找 public int binarySearch(int target) { int low = 0; int high = elements.length - 1; int mid = (low

函数空间 1.距离：从具体到抽象 2.范数 3.内积 4.拓扑 本博文为观看《上海交通大学公开课-数学之旅-函数空间 》所整理笔记，公开课视频连接：http://open.163.com/newview/movie/free?pid=M8PTB0GHI&mid=M8PTBUHT0 数学中的空间 是 大家研究工作的 对象 和这些对象遵循的 规则 组成的。数学空间的两个核心要素：元素和结构（线性结构和拓扑结构）（砖块为一个个元素，按照一定的结构盖成房子，就有了空间。房子是一个空间，但是一堆任意的砖，不一定是房子，因为，没有说明结构问题） 说到 距离 ，大多数人脑海里最熟悉的就是两点之间的欧式距离。实际生活中还有很多很多的距离：地球仪上两个地点的距离、城区距离、两条曲线之间的距离（取最大差异为距离，当最大差异都为0，两条曲线才为一条。） 1.距离：从具体到抽象 两个向量之间的距离 ， x = ( x 1 , . . . , x n ) x=(x_1,...,x_n) x = ( x 1 ​ , . . . , x n ​ ) 到 y = ( y 1 , . . . , y n ) y=(y_1,...,y_n) y = ( y 1 ​ , . . . , y n ​ ) 之间的距离，可以用下面三种方式衡量： 1.两向量（点）之间的欧几里得距离： d 1 ( x , y ) = ( x 1

本章笔记整理线性系统时域分析的相关内容，包括以下几节，主要是对相关知识点的梳理以及方法的总结，适合期末或者考研复习记忆，详细的原理或证明过程还请参考《自动控制原理》相关教材。 系统对典型信号输入的响应。 拉氏变换求解方法。 状态方程的全解。 时间常数。 时间响应性能指标。 一阶系统。 二阶系统。 高阶系统。 来源： CSDN 作者： hkx_fate 链接： https://blog.csdn.net/m0_46265973/article/details/104463791

只用来记录学习笔记 线性合并： double alpha = 0.5 ; if ( src1 . rows == src2 . rows && src1 . cols == src2 . cols && src1 . type ( ) == src2 . type ( ) ) { addWeighted ( src1 , alpha , src2 , ( 1.0 - alpha ) , 0.0 , dst ) ; imshow ( "blend demo" , dst ) ; namedWindow ( "input1" , CV_WINDOW_AUTOSIZE ) ; imshow ( "input1" , src1 ) ; namedWindow ( "input2" , CV_WINDOW_AUTOSIZE ) ; imshow ( "input2" , src2 ) ; } else { cout << "size not same" << endl ; return - 1 ; } 效果图： 相乘： multiply ( src1 , src2 , dst , 0.6 ) ; 来源： CSDN 作者： 没有改不了的bug 链接： https://blog.csdn.net/weixin_44177447/article/details/104443259

UA MATH574M 统计学习II 二元分类 基础模型 Bayes分类器 均等成本 不等成本 线性概率模型 线性分类器 线性判别分析（LDA） Logistics回归 基础模型 假设一个二元分类问题特征为 X ∈ X ⊂ R d X \in \mathcal{X} \subset \mathbb{R}^d X ∈ X ⊂ R d ，类别为 Y ∈ { 0 , 1 } Y \in \{0,1\} Y ∈ { 0 , 1 } ，二元分类的目标是训练一个模型： f : X → 0 , 1 f: \mathcal{X} \to {0,1} f : X → 0 , 1 完成分类任务。因为输出是0和1，所以通常用示性函数表示 f f f f = I ( b ( X ) > 0 ) f = I(b(X)>0) f = I ( b ( X ) > 0 ) 称 b ( X ) = 0 b(X)=0 b ( X ) = 0 为这两个类别的边界。二元分类问题与二值回归有哲学上的不同，二值回归认为特征 X X X 不具有随机性，响应 Y Y Y 的随机性来源于随机误差，而二元分类问题中特征 X X X 与响应 Y Y Y 均是随机变量。 Bayes分类器 假设 Y Y Y 的先验为 B e r ( π 1 ) Ber(\pi_1) B e r ( π 1 ​ ) ，特征的条件密度为 X ∣ Y = 1