2301_80025611的博客

原创 第七章 空间存储与索引 知识点梳理-2

基础区分：数据文件 vs 索引文件、主键 vs 索引键、聚集索引 vs 非聚集索引。核心工具：B + 树（主流索引结构）、SQL 索引操作、三种表连接算法。核心逻辑：索引适配查询场景（精确匹配、范围查询、表连接），需结合数据量、查询类型选择索引属性。

原创 【地理空间数据库】第一次小测（知识点详解3）

空间数据表的字段 = 「普通属性字段」+「空间几何字段」，考试考的字段类型是固定的 3 类，必须记牢语法 + 含义 + 应用场景WHERE 子句中使用 ST_DWithin + 普通属性条件，是所有空间业务的基础，考试考的场景全部固定，无其他变种！在「位置关联查询」的基础上，结合SQL 聚合函数 + 分组 + 排序，实现对空间数据的统计分析，是考试的核心大题，所有考点都集中在这里，但是题型固定，解题思路固定，只要掌握「聚合函数 + GROUP BY+ORDER BY」的搭配，就能轻松得分！

原创 人工智能入门学习——传统机器学习算法VS深度学习方法

Pooling层能够减少参数数量，降低计算复杂度，减轻过拟合，提高模型对目标位置轻微变化、旋转和噪声的适应能力，使模型具有一定的平移不变性。相比RNN，LSTM具有更强的长期记忆能力、更稳定的训练过程、更高的预测精度，因此广泛应用于天气预测、水文预测、气候预测、海洋预测等时间序列分析任务。由于遥感影像具有明显的空间结构和纹理信息，CNN能够自动学习道路、建筑、水体、森林等地物特征，因此广泛应用于遥感分类、目标检测、变化检测、土地覆盖分类等任务，是目前地球科学图像分析最重要的方法之一。

原创 数据结构基础hw9判断选择题、hw7编程题、hw12编程题

分数 8作者 陈越单位 浙江大学。

原创 数据结构基础期末复习例题

在关于 d-堆的诸多性质中，最核心且无争议的数学事实就是其父子节点之间的索引关系可以通过。

原创 AI时代核心技术概念理解：LLM、RAG、Agent、MCP、Harness

复杂Prompt：“你是一名AI行业分析师，请面向准备进入AI领域的大学生，分析2026-2030年人工智能产业趋势，重点讨论Agent、多模态模型和机器人，并从技术、商业和职业发展三个角度展开。未来AI竞争的重要部分，很可能不是单纯比较谁的模型参数更大，而是谁能够设计更强的Harness，让模型真正解决现实问题。英文：“I love AI”可能被拆分为：“I / love / AI”三个Token。例如：“人工智能”可能会被模型切分成：“人工” + “智能”两个Token。RAG负责“找到正确的信息”。

原创 人工智能入门学习——ANN、CNN基本概念和考试核心代码

ANN = 用多层“线性变换 + 非线性激活”拟合函数关系。

原创 数据结构基础复习——网络流（Network Flow / Max Flow）最小生成树（MST）深度优先 DFS 递归版前序遍历

在一个带容量的有向图中，求：从源点 s 到汇点 t 的最大可行流量约束：每条边有容量 cap(u,v)流量不能超过容量流守恒（除 s/t 外）对于每条边 u → v：正向残量：cap(u,v) − flow(u,v)反向边：flow(u,v)方法选路策略复杂度任意路径不保证多项式BFS最短路O(VE²)Dinic分层图O(E√V)（常见）1. 给残量网络问还能加多少流 → 找所有 s → t 增广路2. 问当前是否最大流 → 看是否还存在 s → t 路径。

原创 梯度下降的局限性与解决办法（自然梯度…）以及梯度下降的应用

摘要： 梯度下降在非欧氏参数空间（如流形）中效率低下，因其忽略几何结构。自然梯度引入黎曼度量（如Fisher信息矩阵）修正方向，沿流形测地线更新，优化更精准且稳定，但计算复杂度高。其他非欧氏优化方法包括：流形梯度下降（切空间投影）、投影梯度法（凸约束）、黎曼牛顿法（利用曲率）、Wasserstein梯度（概率空间）及ADMM（复杂约束）。各类方法在收敛速度、计算成本与应用场景（如生成模型、低秩学习）上各有优劣，需权衡选择。高效近似（如K-FAC）是当前研究重点。

原创 数据结构基础复习 二叉树重构：后序与中序序列建树技巧

左指针 = 第一个孩子右指针 = 下一个兄弟一般树的后序遍历规则先访问所有孩子（从左到右）→ 再访问自己左子树 = 第一个孩子及其子树右子树 = 兄弟节点链（同一层的其他孩子）所以二叉树后序遍历刚好模拟：👉 “先所有孩子 → 再自己”普通二叉树中，很多指针都是空的（NULL）。A/ \B CDD 的左右孩子都是 NULL。把这些 NULL 指针改成指向遍历序列中的前驱或后继。这样遍历时可以少用栈或递归。

原创 数据结构基础——第四板块：优先队列与堆（Priority Queues & Heaps）

最重要模板：建 max-heap：O(N)删除 k 次：O(k log N)👉 总复杂度：堆 =完全二叉树 + 堆序性质min-heap：父 ≤ 子（只保证“局部有序”）用数组存树（无指针）Heap = 用完全二叉树结构 + 局部有序规则，实现 O(logN) 插入/删除最值的“动态最值机器”如果你要，我可以再帮你做一个👇：🔥“堆 + 快排 + 归并 + BST 对比终极一页图”（FDS最常考综合题）这道题其实是堆 + 删除模拟 + 树结构重建 + 遍历转换。

原创 数据结构基础——Hashing（散列）

平均 O(1+α)成功查找 O(1/(1−α))不成功查找更慢✔ Hashing = O(1)均摊✔ 冲突 = unavoidable✔ 解决 = chaining / probingHashing = 用函数直接定位 + 冲突用结构或探测解决，使平均复杂度保持 O(1)。再散列（Rehashing）+ Robin Hood Hashing 速记当开放定址哈希表过满或性能下降时：重新建一个更大的表（通常约2倍+取素数），把所有合法元素重新插入。

原创 数据结构基础——Sorting 快速排序、比较排序下界 + 桶/基数/表排序

✔ pivot决定效率✔ partition决定结构✔ recursion决定复杂度比较排序 = 决策树 → 必须区分 N!种情况 → 下界 Ω(N log N)❌ 非比较排序不受 Ω(N log N) 限制❌ LSD必须稳定❌ Bucket/Radix依赖数据范围或位数❌ Table Sort本质是“间接排序”✔ 比较排序下界 = Ω(N log N)✔ 来源 = 决策树 + N!排列比较排序的本质是决策树，因此存在 Ω(N log N) 下界；要突破必须利用“键结构”（桶/基数）

原创 数据结构基础——第三板块：树与二叉树（Trees & Binary Trees）

✔ 每层最多 2^(i−1)✔ 树高 = log n✔ preorder = root first ✔ inorder = BST排序基础 ✔ postorder = root last✔ 完全二叉树 → 数组2i规则 ✔ 表达式树 → 后序建树树 = 层次结构 + n0=n2+1 + DFS三种遍历 + BFS层序 + 结构可唯一还原把图分成两部分：S 在一边 T 在另一边割掉的边就是 cut👉 找还能走的路径。

原创 数据结构基础——第七板块：Sorting（插入排序、希尔排序、堆排序、归并排序）

Shell原始：Θ(N²)Shell sort = 多轮“间隔插入排序”，逐步缩小h直到1Shell sort = “带间隔的插入排序 + 逐步缩小间隔 + 用空间换时间的优化版插入排序”堆排序 & 归并排序 速记模板三、堆排序（Heapsort）堆排序=“先建堆，再不断删除最大值/最小值放到末尾”，每次调整堆。两步流程② N−1次 DeleteMax + PercDown（每次O(logN)）复杂度时间：O(N log N)（稳定上界）空间：O(1)（原地排序）性质。

原创 数据结构基础 第六板块：图算法（Graph Algorithms）

每条边最多更新一次：→ 总次数 = O(E)每次 decrease-key = O(log V)O(E log V)BFS 解决“步数最少”，Dijkstra 解决“权重非负最短路”，DAG 用拓扑序一次性完成最短路。

原创 地球科学大数据24-25历年卷复习提纲

回答下述问题。

原创 数据结构基础复习——排序算法的关键代码片段

针对数据结构考试中常见的代码填空题，我为你整理了上述核心排序算法的关键代码片段。考试时，出题人通常会挖空或。

原创 数据结构基础——排序常见考点和关键术语

这是最基础也是必考的内容，主要考察对各类排序算法时间复杂度、空间复杂度和稳定性的记忆与理解：考试常要求手动写出排序的中间状态，需要特别注意以下细节：在算法题中，常给出部分代码让你补全核心逻辑：考察结合实际需求选择最优算法的能力：keypivotheap_size。

原创 数据结构基础hw12Iterative Mergesort函数题

归并过程中，只要有一个子序列先用完，另一个子序列剩下的元素本身已经有序，所以不用再比较，直接接到后面即可。的有序子序列合并到辅助数组中，若末尾不足两个完整子序列，则根据剩余元素数量决定继续合并或直接复制。其实它已经是一个有序段了，但没有另一个长度为 2 的段和它合并，所以直接复制。两个子序列都是有序的，所以每次只需要比较两个当前元素，把较小的放入。说明从第 8 个位置开始，已经不够两个完整长度为 2 的子序列了。第一个子序列长度是 8，第二个子序列长度只有 2。第三，处理数组末尾不够两个完整子序列的情况。

原创 可解释性人工智能（XAI, Explainable Artificial Intelligence）方法的分类体系

在构建AI系统时，我们需要在准确性和可解释性之间做权衡。如果我们选择Pre-hoc，我们选择了简单的逻辑，放弃了部分精度。如果我们选择Post-hoc，我们保留了高精度的黑盒模型，但需要额外的步骤来“翻译”它的决策过程。3. 可解释范围 (Scope of Explanation)这一维度关注的是解释的覆盖面：是针对整个模型的宏观逻辑，还是针对单个预测的微观原因。Global (全局解释)生成的解释旨在帮助理解模型的整体逻辑。它试图回答“这个模型总体上是如何工作的？

原创 数据结构基础图论测试题

这一部分是图论的“高阶进阶”内容，也是拉开分数差距的关键。它通常以简答题（论述选择依据）或算法设计大题（手写代码/伪代码）的形式出现。下面为你进行详细拆解：在考试中，如果题目要求“设计一个算法解决某问题”，你必须在答题开头明确声明你选择的存储结构，并给出理由。选择依据主要看两个维度：图的稠密程度和主要操作类型。这部分要求你将 DFS/BFS 作为“工具”，去解决变种的图论问题。在做算法设计题时，最后一定要写上复杂度分析，这是重要的得分点：💡 答题技巧总结：在考场上遇到“设计一个算法解决XX问题”的题目，

原创 数据结构基础图论知识点

A、图的基本概念。

原创 人工智能入门基本概念汇总

数理逻辑的进阶形式，引入量词（∀、∃）和谓词（描述对象属性/关系），能更精细表示复杂知识（如“所有人都是会死的”形式化为 ∀x(人(x)→会死(x))）。迭代优化算法，用于含隐变量的概率模型参数估计（如高斯混合模型），通过“E步（期望）- M步（最大化）”循环逼近最优参数。强化学习范式，通过学习状态/动作的价值函数（如Q - learning）间接得到最优策略，核心是“评估每个决策的好坏”。强化学习的数学框架，描述智能体在环境中“状态→动作→奖励”的序列决策过程，假设“未来仅依赖当前状态”（马尔可夫性）。

原创 数据结构课程中散列表（哈希表）的常见考点梳理

开放定址法更节省空间，适合元素数量已知且变化不大的场景。链地址法空间灵活性更强，适合元素数量动态变化大、无法预估的场景，代价是每个元素多一个指针的开销。在工程实践中，Java 的HashMap采用链地址法（链表 + 红黑树），而 Python 的字典则采用开放定址法的变种，各有取舍。

原创 数据结构基础hw4编程题（1）

分数 8作者 陈越单位 浙江大学。

原创 数据结构基础开放地址法（平方探测）的哈希表代码

/ 1. 单元格状态枚举（标记槽位是空、合法数据、已删除）// 2. 单个单元格（Cell）的结构// 存储的关键字（如int、字符串等）// 标记该槽位的状态（Empty/Legitimate/Deleted）} Cell;// 3. 哈希表的结构// 哈希表的实际大小（取不小于输入的最小素数）// 指向动态分配的Cell数组（即哈希表的“桶”）

原创 数据结构基础hw11判断选择题

逆拓扑排序是对有向无环图（DAG）的所有顶点按照“从后往前”的顺序进行排列。每次从图中选择一个没有后继（即出度为0）的顶点并输出。从图中删除该顶点以及所有以它为终点的有向边。不断重复上述两个步骤，直到当前图（AOV网）为空。

原创 雅思口语备考——材料1

原创 数据结构基础hw8判断题选择题

拓扑排序是针对。

原创 数据结构基础hw5判断题选择题

只有当二叉搜索树是平衡的时候（例如 AVL 树或红黑树），它的查找时间复杂度才与二分查找相同（都是 O(log⁡n)O(logn) ）。对于普通的二叉搜索树，由于存在退化为 O(n)O(n) 的风险，不能说它的时间复杂度与二分查找完全相同。

原创 数据结构基础hw7选择判断题

那么任意节点的深度不超过 N/2N/2，而不是 O(log⁡N)O(logN)。这个说法需要澄清。下面我解释一下按大小合并时的两个常见深度上界。

原创 数据结构基础hw5基础题知识点

只看差≤1，不看全局取法一致：这是你遇到的问题！很多树满足差≤1，但取法前后矛盾，直接排除混淆内部 / 外部节点：题目明确排除外部节点，只算内部比较节点，不要把失败节点算进去子树大小统计错误：统计子树节点数时，要包含该子树的所有后代内部节点，不是只算直接孩子。

原创 人工智能入门题目——特征人脸识别

由于原始像素数（112×92=10304）远大于样本数（200），直接计算 10304×10304 的协方差矩阵太大。这个函数是实现 PCA（主成分分析）来提取特征脸的核心函数。k 越大，重建精度越高，但计算量也越大。沿着样本轴（axis=0）计算平均值。选择方差最大的前 k 个特征脸。将特征向量转换回原始像素空间。用于对称矩阵的特征值分解。得到所有人脸图像的平均值。消除光照等共同因素的影响。确保每个特征脸是单位向量。：找到数据方差最大的方向。然后通过变换得到特征脸。得到的就是"特征脸"

原创 【人工智能引论期末复习】第7章 强化学习2 - 基于价值

目标：通过估计状态价值函数 V(s)或动作价值函数 Q(s,a)来找到最优策略特点：不直接学习策略，而是通过价值函数间接推导策略。

原创 浓缩版——过去全球气候与环境变化

地球气候与环境历经漫长演变，从早期无氧环境到现代冰期-间冰期旋回。关键节点包括大氧化事件（24亿年前）、多次雪球地球事件及超大陆聚合裂解。新生代以来，青藏高原隆升、巴拿马地峡闭合等构造事件推动全球变冷，形成现代气候格局。第四纪冰期-间冰期旋回受米兰科维奇轨道周期控制，期间发生新仙女木事件等千年尺度突变。全新世相对稳定的气候为人类文明发展提供了条件，但中世纪暖期和小冰期显示自然变率仍显著。多尺度气候演变是构造活动、天文强迫与地球系统反馈共同作用的结果。

原创 地球科学大数据回忆卷答案24-25春夏（2）

冰川 SMB 与深海流速这两类任务的共同挑战都是：用稀疏、高质量、点尺度的实地真值，去关联覆盖广但间接、有噪声、尺度不匹配的遥感 / 表层数据，并解决空间稀疏、尺度错位、物理关系复杂、模型难以外推等问题。

原创 地球科学大数据回忆卷答案

100 个样本优先用 5/10 折交叉验证，训练集调参，独立测试集做最终评估，严控过拟合。

原创 浓缩版——地球系统与全球变化的关键过程

水循环是地球系统的“血脉”，通过输送能量（潜热）、物质（水、营养物质）和调节地表温度，将各圈层紧密耦合。受温度、水分、养分和人类活动（土地利用变化）强烈影响。：赤道太平洋海温的异常增暖（厄尔尼诺）和变冷（拉尼娜）事件，通过改变沃克环流和哈德莱环流，导致全球气候（如干旱、洪涝）的遥相关异常。：源于地幔深部的炽热、上涌的圆柱状物质流，可导致板块内部火山活动（如夏威夷热点）、大火成岩省形成，并可能触发板块裂解。：海洋（约96.5%）、冰冻圈（冰川、冰盖，约1.74%）、地下水、湖泊、土壤水、大气水、生物水。

原创 全球气候与环境演变期末复习模拟题（4）

大西洋温盐环流（AMOC）：北大西洋高纬海水冷却变重下沉，向南输送并与低纬暖海水交换形成的跨洋环流，调节北半球气候。放射性碳测年（¹⁴C 测年）：利用 ¹⁴C 的放射性衰变规律，测定有机质（木头、古土壤等）年龄的方法，适用范围 100-30000 年。铀系定年（U-Th 定年）：基于铀、钍同位素衰变，测定碳酸盐（石笋、珊瑚）年龄的方法，适用范围 1-350 千年。释光测年（TL/OSL）：利用矿物晶体累积的放射性辐照能量，测定沉积物最后一次见光 / 加热后埋藏年龄的方法，适用范围 30 万年以来。