for x in range(1,r + 1): # 循环求出完全数
a = 0
b = 0
for y in range(1,x+1): # 循环求因数
if x % y == 0:
a += y #
b += 1 / y
if a == x * 2: # 判断是否是完全数,是则打印,否则不打印
print("完全数有:",x,)
print("完全数的约数的倒数的和加自身的倒数的和:",b)
墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.2k累计阅读
1.2k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年,写一次发全网
我也要 →
码龄9年
个人总结:常见的激活函数 梯度下降家族与BatchSize 梯度消失和梯度爆炸
激活函数 在普通的DNN中,如果不使用激活函数,相当于激活函数是f(x) = x。无论有多少隐藏层,输出的都是输入的线性组合,只能运用于线性分类。与没有隐藏层的效果相当,这就是原始的感知机。所以引入了非线性激活函数,增加神经网络的非线性。 常见激活函数: (1)sigmoid函数 在逻辑回归中使用的激活函数,。 它的优点在于求导方便。 但是有三大缺点: 1、容易出现gradien...
完数
完全数(Perfect number),又称完美数或完备数,是一些特殊的自然数。它所有的真因子(即除了自身以外的约数)的和(即因子函数),恰好等于它本身。如果一个数恰好等于它的因子之和,则称该数为“完全数”。第一个完全数是6,第二个完全数是28,第三个完全数是496,后面的完全数还有8128、33550336等等。 下面写的是建立100个元素的数组,数组元素的值为2、3、4、5、6、7、。。。。1...
MATLAB实战:用Costas环和Gardner环搞定QPSK同步问题(附完整代码)
本文详细介绍了如何使用MATLAB实现Costas环和Gardner环联合解决QPSK同步问题,包括载波同步和定时同步的技术原理、MATLAB代码实现及性能分析。通过完整的仿真示例和工程实践建议,帮助读者掌握QPSK同步技术的核心要点,提升数字通信系统的解调性能。
完全数计算
1.题目描述 完全数(Perfect number),又称完美数或完备数,是一些特殊的自然数。 它所有的真因子(即除了自身以外的约数)的和(即因子函数),恰好等于它本身。 例如:28,它有约数1、2、4、7、14、28,除去它本身28外,其余5个数相加,1+2+4+7+14=28。 输入n,请输出n以内(含n)完全数的个数。计算范围, 0 < n <= 500000 本题输入含有多组样例。 2.思路分析 题目比较简单 用两重循环,第一层是针对0~n中的每个数字,第二层循环自然是寻找这个数字的符合
运动控制实战:从核心架构到C#上位机开发与PID整定
运动控制是现代自动化与机器人技术的核心,它通过算法、硬件和软件的精密协作,实现对电机等执行机构的精确轨迹、速度与力度控制。其核心原理在于构建一个包含控制器、驱动器、电机和反馈装置的闭环系统,通过PID等控制算法实现精准调节。这项技术的价值在于为高端制造、医疗设备和消费电子等领域提供了“运动神经中枢”,是实现设备智能化、高精度化的关键。在实际应用中,工程师需要根据轴数、同步性和精度等需求进行系统选型,并熟练进行参数整定与调试。本文聚焦于运动控制系统的核心架构、选型逻辑、PID参数整定实战,并深入探讨了如何利用
【信息科学与工程学】【物理/化学和工程技术】第七十五篇 电气工程 系列二 电路电气基础02
这是电路电气电磁电场设计/制造/公式/公理/模型库,涵盖射频微波、电力电子、电机驱动、电磁兼容、控制系统、通信信号处理及前沿交叉等更广泛的领域。
用Python输出完全数
如果一个数恰好等于它的真因子之和,则称该数为完全数。例如:6=1+2+3,6就是一个完全数。
基于yantuo.zip的重力异常解析延拓与数据异常处理全流程指南
在重力勘探与位场数据处理中,重力异常是地下密度分布的综合反映,浅部干扰与深部信息往往相互叠加。解析延拓作为位场理论的重要转换手段,能将观测面上的异常换算至不同高度,从而分离不同深度场源。实际应用中,向上延拓可压制高频干扰、突出深部构造,向下延拓则有助于识别浅部矿体,但极易放大噪声。频率域FFT实现高效,却需防范边界振铃与周期延拓假设,配合数据异常处理(如网格化去噪、扩边、窗函数)方能保证结果可靠。基于yantuo.zip工具,系统梳理解析延拓的算法原理、参数选取与工程实践,为处理实测重力数据提供可落地的参考
完美数
如果有一数n,其真因数(Proper factor)的总和等于n,则称之为完美数(Perfect Number),例如以下几个数都是完美数: 6 = 1 + 2 + 3 28 = 1 + 2 + 4 + 7 + 14 496 = 1 + 2 + 4 + 8 + 16 + 31 + 62 + 124 + 248 程式基本上不难,第一眼看到时会想到使用回圈求出所有真因数,再进一步求因数和,不过若n值很大,则此法会花费许多时间在回圈测试上,十分没有效率,例如求小于10000的所有完美数。 解法如何求小于
DEAP数据集情绪识别实战:脑电信号预处理到SVM分类全流程
情绪识别是情感计算与脑机接口领域的核心议题,其目标是通过分析脑电信号等生理数据推断人的情感状态,在人机交互、心理健康监测、智能推荐等场景中具有重要价值。该任务的基本原理在于,不同情绪状态会引发脑电信号在频段能量、复杂度等特征上的可测差异,因此需要从原始信号中提取有效特征并构建分类模型。公开数据集DEAP为研究者提供了标准化的验证平台,但其数据解析与预处理环节常成为实践门槛。本文围绕DEAP数据集,系统梳理了从数据下载、格式解析、去基线滤波、微分熵特征提取到SVM分类的完整工程链路,并针对维度读取错误、数据泄
stm32h743 FM25CL64铁电存储器踩坑记录
调试FRAM经验总结: 1、跑完FRAM读写代码之后,逻分仪发现总线上只有简单、短暂的电平变化,明显不是SPI的通信数据。 (经提醒发现连片选拉高拉低都没有执行到位) 后来发现是因为片选引脚没有初始化,所以直接拉高拉低是无效的。 2、引脚成功初始化后发现CLK、MISO、MOSI数据仍不正常。通过加打印的方式发现跑到HAL_SPI_Transmit中之后还没有执行到写SPI数据寄存器的那一步就return了。 后来经提醒发现: 上图中的指针使用方式错误 后来又发现: 打印出来发现
基于XMC4500 DSD模块实现全数字旋变解码:从原理到伺服驱动实践
在工业伺服与机器人控制领域,高精度位置反馈是实现精准运动控制的核心。旋转变压器作为一种鲁棒性强的位置传感器,其模拟信号需通过轴角变换器转换为数字角度。传统方案依赖专用RDC芯片,而随着微控制器性能提升,利用MCU内部高精度模拟前端与数字处理能力实现全数字解码成为新趋势。该技术通过软件定义硬件,在信号解调、角度跟踪算法上具有极高灵活性,能有效优化系统成本与集成度。本文以英飞凌XMC4500的DSD模块为例,深入剖析其Delta-Sigma解调原理,并结合数字跟踪环路与椭圆拟合标定等关键技术,详解如何在伺服驱动
UDS诊断入门第一课:手把手教你玩转0x10会话控制服务(附ISO14229实战解析)
刚接触汽车电子诊断的工程师们,往往会被厚厚的ISO 14229标准文档和各种专业术语吓退。但就像学习编程要从"Hello World"开始一样,掌握UDS协议的最佳切入点就是0x10诊断会话控制服务。这个看似简单的服务,实际上是整个诊断系统的"钥匙"——它决定了ECU(电子控制单元)当前处于何种工作模式,直接影响着其他诊断服务的可用性。 在实际车辆诊断中,ECU默认处于DefaultSession模式,这种模式下许多高级诊断功能是被禁用的。想象一下你正在开发一个需要刷写ECU固件的工具,如果连最基本的会
从完全数问题入门算法优化:暴力枚举、因子求和与数论方法详解
在编程与算法学习中,时间复杂度是衡量程序效率的核心概念。通过分析问题的数学定义,可以找到优化暴力解法的关键。以经典的完全数问题为例,其核心在于高效计算一个数的所有真因子之和。最直接的思路是遍历所有可能因子,但通过观察因子成对出现的数学性质,可将遍历范围从 O(n) 优化至 O(√n),这是算法优化中常见的【空间换时间】策略。进一步地,结合数论中的欧几里得-欧拉定理,可将问题转化为寻找梅森素数,实现从 O(N√N) 到近乎 O(1) 的跨越,完美诠释了【算法复杂度】分析的价值。这种从基础定义出发,逐步深入数学
如何设计ADAS系统功能状态机(一)
状态机模块在自动驾驶系统中扮演着关键的角色,它负责管理和控制各个功能的状态转换和行为执行。今天我们来聊聊如何设计自动驾驶系统的状态机。
基于Python的Steam游戏评论与销量数据爬取及预测分析
随着数字游戏市场的蓬勃发展,Steam作为全球最大的数字游戏分发平台,积累了海量的游戏数据与玩家行为数据。本文旨在通过Python网络爬虫技术,采集Steam平台的游戏基本信息、玩家评论数据及销量相关信息,为后续的游戏评论情感分析与销量预测模型构建提供数据支持。本文将详细介绍使用requestsselenium等库实现Steam数据爬取的全过程,并提供完整的代码实现与数据处理方法。关键词:Steam;Python爬虫;数据采集;评论分析;销量预测。
机器学习算法汇总大梳理
多分类问题优先选择SVM,随机森林,其次是逻辑回归。 朴素贝叶斯和线性回归都是比较简单的模型,对于数据的要求比较高,功能不是特别强大。 1、决策树 不需要对数据做任何预处理, 2、随机森林 3、数据预处理与特征工程 (1)数据预处理:只需要X 数据无量钢化:标准化(转化为正态分布)、归一化(不改变数据原始分布,改变范围,默认(0-1)) 处理缺失值:可用均...
《基于YOLOv5/8/10的足球比赛球员识别系统毕设全指南:从开发到部署的一站式实战》
本文提出了一个基于YOLO系列模型的足球球员识别系统,具备完整的开发流程和技术方案。系统通过YOLOv5/8/10三大框架实现球员检测,平衡精度与速度需求。开发过程包含数据标注与增强、模型训练调优、PyQt5界面开发等关键环节,并提供了模型轻量化、多任务扩展等优化方向。系统可实现单张图像和视频流的实时识别,支持跨设备部署,适用于赛事分析和训练复盘场景。项目特色在于完整的技术实现路径和对不同YOLO框架的性能对比,为计算机视觉在体育领域的应用提供实践参考。
大数据基础复习
第一章 1.大数据的概念: 大数据是指无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合。 2.大数据的特点: (1)Volume:数据存储量大,计算量大。 (2)Value:价值密度低,对未来趋势与模式可预测分析,深度复杂分析。 (3)Variety:数据来源多,数据类型多,关联性强。 (4)velocity:数据存储、传输、处理速度快。数据更新增长速度快。 3.数据中心: 计算机系统及其通信、存储、安全、监控等系统配套设备。 4.大数据的步骤: (1)数据采集:将数据抽取到临时的文件或
ESD防护设计宝典(十九):元器件选型宝典——共模电感
然而,这位“大师”的脾气也颇为古怪,若设计者不解其性、用之不当,它非但不能抑制噪声,反而会引入信号完整性恶化、电源压降等新问题,甚至让您的系统EMC性能“雪上加霜”,导致项目在测试阶段功亏一篑。本文将带您深入共模电感的内在世界,从本质解析到参数详解,从设计陷阱到实战选型,全方位领悟其平衡艺术,掌握其应用核心,规避那些足以让项目翻车的致命陷阱。:这是存在于电路板内部的“家贼”。共模电感实质上是一个四端器件,它通过磁场的“加法”与“减法”运算,巧妙地实现了对共模噪声的抑制,同时为差模信号大开绿灯。
环境配置与基础教程:2026大厂标准:使用 DVC (Data Version Control) 实现 YOLO 数据集版本控制全链路管理
本文介绍了使用DVC 3.0对YOLO数据集进行全链路版本控制的方法。主要内容包括: DVC 3.0的核心增强:内容块级缓存去重、并行云传输、AI智能体元数据跟踪等新特性,可显著提升YOLO数据集管理效率。 环境配置:详细说明DVC 3.0的安装步骤、项目初始化方法以及远程存储配置方案(支持S3、GCS、Azure等多种存储后端)。 目录结构规范:提供符合大厂MLOps标准的项目目录结构设计。 实战操作: 原始数据版本化 多格式标注数据版本控制 版本切换方法 优势说明:DVC通过哈希指针机制管理大型数据集,
ACM竞赛数论核心:质数筛法原理、优化与完数求解实战
质数与素数是数论与算法竞赛的基石概念,指在大于1的自然数中,除了1和自身外无法被其他自然数整除的数。其高效判定与批量生成的核心原理在于筛法思想,即通过标记合数来反推质数。埃拉托斯特尼筛法(埃筛)通过从质数倍数标记合数,达到O(N log log N)的时间复杂度,而线性筛(欧拉筛)确保每个合数仅被其最小质因子标记一次,实现理论最优的O(N)复杂度。掌握这些算法具有极高的技术价值,它们不仅是解决质数相关问题的利器,更是高效完成质因数分解、计算约数个数与和、求解欧拉函数等高级数论操作的基础模块。在ACM/ICP
【WorkBuddy专栏25】如何选择大模型——积分消耗、用途场景、选型决策全指南
【WorkBuddy专栏25】如何选择大模型——积分消耗、用途场景、选型决策全指南
C++智能铁路调度系统测试优化实战:从单元测试到性能调优
在工业软件与嵌入式系统开发中,软件测试与性能优化是保障系统可靠性、实时性与安全性的核心工程实践。其原理在于通过分层测试策略(如单元测试、集成测试、系统测试)验证功能正确性,并借助性能剖析(Profiling)工具定位瓶颈。对于C++这类高性能计算场景,优化技术价值显著,能直接提升系统吞吐量、降低延迟,并确保在资源受限环境下稳定运行。应用场景广泛覆盖实时控制系统、物联网后端及高并发服务器等。本文以智能铁路调度系统为例,深入探讨了如何针对海量实时数据处理与复杂决策逻辑,实施从算法复杂度优化(如利用R树索引将冲突
SAP B1中文培訓教材_SDK
公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白
542
422
385

被折叠的 条评论
为什么被折叠?



