SML-Rangelab

SML-Babblelab Babblelab 实验背景 “图灵测试”是指测试者在与被测试者(一个人和一台机器)隔开的情况下,通过一些装置(如键盘)向被测试者随意提问。进行多次测试后,如果有超过30%的测试者不能确定出被测试者是人还是机器,那么这台机器就通过了测试,并被认为具有人类智能。 本实验设计了一个算法,使得机器能够通过图灵测试。即通过对所提供的文本进行分析,根据每个词之后的一定词数范围内的词出现的频率决定机器所 阅读详情

Rangelab

实验背景

为实现范围查找,设计orderTable数据结构,本实验实现了一些基本的接口,并实现一定条件下的Rane query

实验细节

1 Ordered Tables

1.1 First and last

fun first (T : 'a table) : (key * 'a) option
fun last (T : 'a table) : (key * 'a) option

函数功能:

返回ordered table的第一个或者最后一个元素

函数思路:

既为BST存储,那么根据BST的特性求最大最小元素即可

函数代码:

  fun first (T : 'a table) : (key * 'a) option =
    case Tree.expose T of
      NONE => NONE
      | SOME {key, value, left, right} =>
        case (Tree.expose left,Tree.expose right)
          of (NONE,_) => SOME (key,value)
           | (_,_) => first left

  fun last (T : 'a table) : (key * 'a) option =
    case Tree.expose T of
      NONE => NONE
      | SOME {key, value, left, right} =>
        case (Tree.expose left,Tree.expose right)
          of (_,NONE) => SOME (key,value)
           | (_,_) => last right
1.2 Previous and next

fun previous (T : 'a table) (k : key) : (key * 'a) option
fun next (T : 'a table) (k : key) : (key * 'a) option

函数功能:

返回给定元素的之前或者之后的一个元素

函数思路:

将所给orderedtable在所给的key处切开,产生左树和右树,对左树取last即为previous,对右树取first即为next

函数代码:

  fun previous (T : 'a table) (k : key) : (key * 'a) option = 
    last (#1 (Tree.splitAt (T,k)))

  fun next (T : 'a table) (k : key) : (key * 'a) option =
    first (#3 (Tree.splitAt (T,k)))

1.3  Join and split

fun join (L : 'a table, R : 'a table) :'a table

ffun split (L : 'a table, k : key) :'a table * 'a option * 'a table

函数功能:

合并两个table或者在某点切开一个table

函数思路:

调用Tree.join以及Tree.splitAt 即可

函数代码:

  fun join (L : 'a table, R : 'a table) : 'a table =
    Tree.join (L,R)

  fun split (T : 'a table, k : key) : 'a table * 'a option * 'a table =
    Tree.splitAt (T,k)

1.4 getRange

fun getRange (T : 'a table) (low :key, high :key) : 'a table

函数功能:

返回位于给定的key:low和high之间的元素构成的新的table

函数思路:

分别在low和high处切开,再取中间元素合并即可

函数代码:

  fun getRange (T : 'a table) (low : key, high : key) : 'a table =
    let
      val (_,x,r) = split (T,low)
      val x' = case x 
        of NONE => r
         | SOME v => join (Tree.singleton (low,v),r) 
      val (l,y,_) = split (x',high)
      val y' = case y 
        of NONE => l
         | SOME v => join (Tree.singleton (high,v),l)
    in
      y'
    end


2 Range Query

2.1 makeCountTable

fun makeCountTable:point seq -> countTable

函数功能:

将所给的点串转化成countable

函数思路:

将输入的点按横坐标从小到大排序,然后整理成一个Table,Table.value是x<=key的全部点所构成的Table

函数代码:

  type countTable = ((point seq) table) table
  
  fun makeCountTable (S : point seq) : countTable =
    if Seq.length S = 0 then empty ()
    else
    let
      val preS = Seq.map (fn (x,y) => (x,(y,(x,y)))) S
      val preT = Seq.map (fn (x,y) => (x,collect y)) (Seq.collect (fn (x,y) => compareKey (x,y)) preS)
      fun f (x:(Key.t * Key.t) seq,y:(Key.t * Key.t) seq) = Seq.append (x,y)
      val res = Seq.scani (fn ((m,x),(n,y)) => (n,merge f (x,y))) (#1 (Seq.nth preT 0),empty ()) preT
    in
      fromSeq res
    end
渐进复杂度分析:

W(map)=O(n) S(map)=O(1)

W(preT)=O(nlogn) S(preT)=O(log^2n)

W(res)=O(n) S=O(logn)

2.2 count

count:Table -> point * point -> int

函数功能:

返回给定点所确定的矩形区域内的点的个数

函数思路:

求出xLight之前的点数以及xRight之前的点数作差即可

函数代码:

  fun count (T : countTable)
                   ((xLeft, yHi) : point, (xRght, yLo) : point) : int  =
    if size T = 0 then 0
    else
    let
      val left = previous T xLeft 
      val leftNum = case left of NONE => 0 
                               | SOME x => size (getRange (#2 x) (yLo,yHi))
      val right = case find T xRght of NONE => previous T xRght
                                     | SOME x => SOME (xRght,x)
      val rightNum = case right of NONE => 0 
                               | SOME x => size (getRange (#2 x) (yLo,yHi))
    in
      rightNum - leftNum
    end





SECS/GEM开发的相关基础知识 目录1. FA(Factory Automation)的目的2. 半导体设备通信标准2.1 标准描述2.2 总体结构2.3 通信标准的历史2.4 通信协议分层结构3. SECS-I通信标准3.1 硬件通讯3.2 数据块传输协议3.3 消息格式3.4 握手信号3.5 超时4. HSMS通信标准4.1 TCP/IP 的使用4.2 HSMS的控制消息4.3 HSMS的状态转换4.3.1 状态图4.3.2 被动模式连接的状态转换4.3.3 主动模式连接的状态转换4.4 HSMS的消息格式4.4.1 一般消息格式4. 阅读详情

相关推荐

5个4000比特大状态置换算法的设计与分析

下面是 5 个概念性、实验性的 4000 位可逆置换设计。它们都保证是双射,但未经过密码分析,不可直接用于生产系统。风格分别覆盖:三维 SPN、Feistel、可逆元胞自动机、ARX、宽轨迹/Keccak 式结构。 这 5 个设计分别代表了 SPN、Feistel、元胞自动机、ARX、宽轨迹 Keccak 五种不同风格,覆盖了主流大状态置换的构造思路。再次强调:它们只是实验性概念,若要用于实际协议,必须经过严格安全性分析。

HuangJinLong2的博客 345

SML-Abridgelab

Abridgelab 实验背景 本实验主要研究了割边(桥)的寻找算法(Tarjan)以及A*启发式算法 实验细节 1 Bridges 假设有连通图G,e是其中一条边,如果G-e是不连通的,则边e是图G的一条割割边,即桥。此情形下,G-e必包含两个连通分支。 1.1 makeGraph  makeGraph : edge seq -> ugraph  type vertex = in

Numlogn的博客 748

sml-interface-gen:从XML或JSON生成TS接口

从JSON或XML生成接口 这个工具是在工作时制作的,因为XSplit核心返回的通常格式是XML,而在XJS上工作时,我必须为其创建适当的类型/接口。

sml基本语法(一)

注释 (* *)(不是单行注释// 或 块注释/* */) 运算 一元操作符没有+和-,表示负数应该使用~,eg:~6表示-6 除法div(不是/),取余(模)mod(不是%) 函数运用比中缀运算符优先级更高 函数的形参列表可以不用括号"()"括住,如下 area (1.0); area 1.0 //二者等价 PS: area a + b 等价于 (area a) + b 但不等价于 a...

hgkjbm的博客 7391

我的交叉验证翻车实录:从‘炼丹’到可靠评估,我是怎么用五折验证拯救我的图像分割模型的

本文分享了作者在医学图像分割模型评估中从失败到成功的实战经验。通过引入五折交叉验证方法,解决了传统数据划分的局限性,显著提升了模型评估的稳定性和泛化能力。文章详细介绍了Python实现、数据准备策略和训练流水线改造,为AI医疗影像分析提供了可靠的技术方案。

weixin_42625070的博客 269

ExcelVBA批量添加PDF文件

如图1所示,"BOM-01.xlsx"工作簿中的Sheet1工作表根据B列图号单元格中的内容,在图2所示的文件夹中找到对应的PDF文件,然后嵌入到相应的N列,双击N列中所示的图标,会打开PDF文件,是源文件的副本,即删除源文件,也可以打开N列的文件。 图1 根据B列的图号在N列嵌入对应的PDF文件 图2 PDF文件 图3 文件格式 Sub 导入文件() Ap...

qq389445046的博客 5575

SML语言 形式语意学

(* 定义记录结构 name 名字 gaoshu 高等数学 english 英语 computer 计算机 avage 平均分 *) type StuRecord ={ name:string, gaoshu:real, english:real, computer:real, avage:real }; (*打开文件,准备读取数据*) val my_in =

u010959525的专栏 4162

基于SolidWorks宏的草图点坐标自动化提取与Excel集成

本文详细介绍了如何利用SolidWorks宏编程实现草图点坐标的自动化提取并与Excel集成,显著提升机械设计效率。通过VBA代码解析与优化,解决了人工记录坐标耗时易错的问题,并扩展了多草图批量处理、数据可视化等高级功能,适用于数控加工、质量检测等场景。

weixin_29251131的博客 460

SML-Thesauruslab

Thesauruslab 实验背景 在所给的字典或者词料库之中,给定任意两个词,出乎意料地,一般可以找到一条或者多条语义线路,使得在找寻一个词的同义词的过程之中,完成找寻给定的另外一个往往毫不相干的词的工作。 本实验首先通过设计算法解决无向图的最短路径问题(ASP),其次视词间的同一关系为边,以此给出两个词之间的变化线路。 实验细节 1 Unweighted Shortest Paths

Numlogn的博客 795

用户存续期价值评估CLV(二) BG/NBD Model python模拟

BG/NBD Model …继续 想象每一个客户有两个硬币,一个“Buy Coin"控制客户购买的概率;一个"Die Coin"控制客户流失、不再购买的概率。 前面假设了客户的交易次数服从泊松过程: 在一年中的每个月,客户都以抛硬币的方式来决定是否购买。我们所观察到的购买次数取决与泊松分布的参数 ????。 %matplotlib inline import numpy as np impor...

weixin_43171270的博客 3421

高并发网络爬虫实践(欧赔、亚盘、大小指数数据爬取)

本文通过对一个实战化的高并发网络爬虫脚本进行深度模块化剖析,展示了如何构建一个兼具性能、健壮性和易用性的数据采集工具。核心设计思想总结模块化与单一职责: 每个函数都专注于解决一个特定问题,无论是网络请求、数据解析还是文件操作。并发与效率: 通过ThreadPoolExecutor实现了高效的并发抓取,极大缩短了总耗时。健壮性与容错: 强大的重试机制、细致的异常处理和线程安全的文件写入,保证了程序在复杂网络环境下的稳定运行。断点续传: 精心设计了进度记录与恢复机制,使得大规模抓取任务变得轻松可控。

猫敷雪 480

sml基本语法(三)——函数

语法原型(数学中) 通常表示函数,是(on the real line) f(x)=x2+2x+1f(x) = x^2+2x+1f(x)=x2+2x+1 数学中,函数还有其他表示方法 f:R→R:x∈R↦x2+2x+1f: R\to R:x \in R \mapsto x^2+2x+1f:R→R:x∈R↦x2+2x+1 ML语言中的函数正是这种表示方式,它表明fff是R→RR \to RR→R(定...

hgkjbm的博客 4039

YOLOv8/v9轻量化优化:剪枝30%+蒸馏提精,模型体积缩至4MB还能跑Jetson

剪枝:用敏感度分析找到“可牺牲的30%”,不碰核心特征;蒸馏:借大模型的“经验”补回精度,甚至反超原始小模型;量化:针对边缘设备特性优化量化策略,把体积和延迟压到最低。如果你的项目卡在边缘部署(速度慢/体积大),按“剪枝→蒸馏→量化”三步走,90%能在Jetson上跑通30FPS+的实时检测。需要轻量化模型文件(v8s/v9s剪枝蒸馏后权重)、剪枝工具和Jetson部署脚本的,评论区扣“轻量化”,直接发你可运行版本~

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 669

sml基本语法(二)

变量、类型、作用域 变量 类型 作用域 ML语言的作用域是静态的、词法的(static, lexical),与C语言类似。 声明的变量、类型的作用域具有全局的作用域(global scope),即剩下的代码块都是它的作用域,详细的动态作用域(Dynamic Scope)和静态作用域的区别讲解见链接 PS:ML也支持限制地声变量和类型,即限制它们的作用域——letletlet语句 绑定(Bin...

hgkjbm的博客 3738

把 SAP ABAP BDC 跑得又快又稳:从 SHDB 录屏到可上线的批量上传程序(含 MM01 案例与源码)

SAP BDC批量数据迁移实践 摘要:本文介绍了SAP系统中BDC(Batch Data Communication)技术在数据迁移中的应用。文章首先对比了Session method和CALL TRANSACTION method两种实现方式的特点及适用场景,重点推荐使用Session method进行主数据批量处理。然后详细讲解了通过SHDB工具录制MM01事务创建物料主数据的完整流程,包括如何生成基础BDC代码。最后展示了将录制的脚本改造为可批量处理文件数据的实用程序,核心改动包括定义数据结构、读取文

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 322

解锁RK1126与SC132GS摄像头适配密码:技术与代码全解析

本文详细介绍了瑞芯微RK1126芯片与SC132GS摄像头的适配方法。首先分析了RK1126的四核Cortex-A7处理器、Mali-T860 GPU等硬件特性,以及SC132GS的130万像素、全局快门等技术参数。重点阐述了基于MIPI CSI接口的硬件连接原理和基于V4L2框架的软件驱动设计,并提供了完整的初始化、数据采集和图像处理代码实现。针对常见连接和图像质量问题给出了解决方案,展现了该组合在智能安防、工业检测等领域的应用潜力,为开发者提供了实用的技术参考。

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 1501

SML-大数运算问题

大数相加 求解思路: 对于carry状态,两串对应bit相加,结果为ONE+ONE=ZERO则标记GEN,为ONE标记PROP,ZERO+ZERO=ZERO标记为STOP 定义copy函数,使得用scani copy 操作上述所得串,GEN开始向右将非STOP标记的所有bit修改为ZERO,遇到STOP标记的ZERO停止,并将之改为ONE 对于GEN右侧所有的GEN标记过的bit进行加一操

Numlogn的博客 1898

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

SML—括号最大匹配距离问题(一)

 暴力求解算法 fun parenMatch (parens : paren seq) : bool =   let    fun pm ((NONE, _) | (SOME 0, CPAREN)) = NONE       | pm (SOME c, CPAREN) = SOME (c-1)       | pm (SOME c, OPAREN) = SOME (c+1)   

Numlogn的博客 1478

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

SML-Segmentlab

Segmentlab 实验背景 本实验研究了如何将星型收缩法应用至生成无向图的最小生成树的方法(Bor˚ uvka’s Algorithm),并在此基础上通过Python处理图像 实验细节 1 Bor˚ uvka’s Algorithm 1.1 MST MST : edge seq * int -> edge seq 函数功能: 生成所给图的最小生成树,并以edge seq 的形式

Numlogn的博客 787

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

SML-Dplab

Dplab 实验背景 本实验介绍了一种快速的横向或者纵向缩放图片的算法,采用了动态规划的思想,即通过找寻一张图中像素相近的一条条“缝”,然后去这条缝上的全部像素,这样的话删除多条缝即可达到缩放的目的。 实验代码 functor MkSeamFind(structure Seq : SEQUENCE) : SEAMFIND = struct structure Seq = Seq o

Numlogn的博客 692

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 177

【算法拾光】链表 哈希表|K个一组翻转链表 + 两数之和

K个一组翻转链表需分段反转,借助哑节点与前驱指针维护连接,避免断链;两数之和利用哈希表实现O(1)查找,空间换时间,高效定位目标组合。前者考察链表指针操作,后者聚焦映射关系构建,均为面试高频题。

wuqingyigexiaoba的博客 274

排序算法深度笔记(下):非比较类排序的线性突破与工程边界

排序算法时间复杂度额外空间复杂度稳定性是否基于比较选择排序O(N^2)(O(1))不稳定是冒泡排序O(N^2)(O(1))稳定是插入排序O(N^2)(O(1))稳定是归并排序O(N\log N)(O(N))稳定是快速排序O(N\log N)O(log N)不稳定是堆排序O(N\log N)O(1)不稳定是计数排序(O(N + M))O(M))稳定否基数排序O(N)稳定否桶排序平均O(N) / 最坏O(N^2)

2401_87069538的博客 556

算法日常・每日刷题--<动态规划>42

本题为“不相交的线”,与最长公共子序列问题相似。使用动态规划求解:定义 dp[i][j] 表示 nums1[0:i] 与 nums2[0:j] 的最大不相交连线数。若元素相等,则继承左上值加1;否则取上方或左方最大值。最终返回 dp[m][n],即两数组的最大不相交连线数。时间复杂度 O(mn),空间复杂度 O(mn)。

2503_92261635的博客 18
上一篇: SML-Thesauruslab
下一篇: SML-Abridgelab
Numlogn
博客等级 码龄10年 1粉丝 17原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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