- 博客(46)
- 收藏
- 关注
RSS订阅原创 Blazor 学习 WebAPI
将返回所有记录，因为 0 表示不进行特定的过滤。在成功执行后，记录将被更新，并且输出参数。为 806 的记录。
2024-06-25 15:45:58
1157
转载 C#异步操作
任务异步编程模型（Task Asynchronous Programming, TAP）为异步代码提供了一个抽象。你可以像往常一样将代码写成一系列语句。你可以阅读这些代码，就像每个语句在下一个语句开始之前完成一样。编译器会进行许多转换，因为其中一些语句可能会启动工作并返回一个表示正在进行的任务（Task）。这种语法的目标是：使代码看起来像是一系列语句，但实际上是根据外部资源分配和任务完成情况以更复杂的顺序执行。这类似于人们给出包含异步任务的过程说明。
2024-06-20 15:49:24
90
原创 高级模拟架构 - 时间管理
• 为什么我们需要时间管理？• 消息排序• HLA 时间管理服务• 总结功能：• 允许具有不同时间管理要求（及本地 TM 机制）的联邦在单一联盟执行中结合DIS 风格的训练模拟具有严格实时约束的模拟事件驱动的模拟时间步进的模拟乐观模拟HLA 时间管理服务：• 事件顺序接收顺序交付时间戳顺序交付• 逻辑时间推进机制TARNER• 或许是迄今为止分布式模拟技术的最主要应用人在环中：训练、互动、多玩家视频游戏硬件在环中• 管理处理器间通信是关键死亡推测技术。
2024-04-28 21:47:31
1156
原创 高级架构 - 数据分发管理
• 声明管理（静态）• 数据分发管理提供基于值的数据过滤动态兴趣，描述表达式设计涉及多个权衡 ： 过滤效率 ，易用性 ， 实施复杂性• 实施将名称空间映射到多播组将兴趣表达式映射到多播组加入将描述表达式映射到多播组发送• DDM基于区域基于网格其他（基于排序的方法 - 见 tomacs.pdf）
2024-04-28 21:30:55
1259
原创 分布式虚拟环境/高级体系结构
• 分布式虚拟环境 – 分布式交互式仿真• 死亡推算• 高级体系结构• 分布式虚拟环境与分析模拟有不同的需求，导致解决方案的不同为了实现更好的视觉真实感，牺牲精确度可能是可以接受的经常可以利用人类感知的限制• 分布式交互式模拟（DIS）是构建DVEs所采用的方法的代表• 管理通信是实施分布式模拟的主要问题• 死亡推算模型（DRM）根据过去的更新外推当前位置当DRM误差变得太大时发送更新消息减少处理器间通信• DRM基于运动方程• 时间补偿以考虑消息延迟。
2024-04-28 19:15:22
1409
原创 并行和分布式仿真 II
死锁避免使用空消息来避免死锁死锁检测与恢复一旦发生死锁，采取措施进行恢复/打破死锁逻辑处理单元（LPs）交换时间戳事件（消息）静态网络拓扑，不动态创建LPs每个链接上发送的消息都按时间戳顺序发送网络提供可靠的传输，保持顺序观察：以上假设意味着接收到的最后一条消息的时间戳是该链接后续消息时间戳的下限（LBTS）目标：确保LP按时间戳顺序处理事件每个LP必须按时间戳顺序处理事件必须计算LP可能接收到的未来消息的时间戳的下限（LBTS），以确定哪些事件是安全的处理对象。
2024-04-28 18:01:56
1131
原创 数据库—依赖性
定义：设R是一组属性。以下推理规则是阿姆斯特朗公理。反射性 ∀X ⊂ R ∀Y ⊂ R ((Y ⊂ X) ⇒ (X → Y))增强性 ∀X ⊂ R ∀Y ⊂ R ∀Z ⊂ R ((X → Y) ⇒ (X ∪ Z → Y ∪ Z))传递性 ∀X ⊂ R ∀Y ⊂ R ∀Z ⊂ R ((X → Y ∧ Y → Z) ⇒ (X → Z))技术上讲，阿姆斯特朗公理不是公理而是推理规则。定理 ： 反射性推理规则是正确的（正确，有效）。定理 ： 增强性推理规则是正确的。定理 ：传递性推理规则是正确的。
2024-04-06 21:40:24
1493
原创 并行与分布式仿真 I
离散事件仿真：一个系统的计算机模型，系统状态的变化在仿真时间的离散点上发生。系统状态（状态变量）状态转换（事件）仿真时间：一组完全有序的值集合，代表被模拟系统（物理系统）中的时间仿真器维护一个仿真时间时钟一个离散事件仿真计算可以视为一系列事件计算的序列每个事件计算包含一个（仿真时间的）时间戳，指示该事件在物理系统中发生的时间。每个事件计算可能：(1) 修改状态变量，和/或(2) 将新事件安排到模拟的未来中。离散事件仿真计算 示例：机场的空中交通 事件：飞机到达、降落、离开。
2024-03-26 19:38:01
1531
原创 XML技术
从概念上讲，一个XML文档表示一个带标签的、非等级的、有序的树结构，由节点组成，其中一个是根，以及表示子节点或父节点（以及传递性的后代和祖先）关系的边，并且兄弟节点之间是有序的。带标签意味着每个节点都附加了一些注释，即标签。非等级意味着节点的子节点数量没有预先限定。有序意味着每个节点的子节点之间存在顺序。不同实现（文档对象模型、XQuery数据模型、Xpath数据模型等）之间对数据模型的细节和节点的描述没有进一步的共识。
2024-03-15 17:22:05
931
原创 系统模拟--输出分析
因此，可能的样本大小 R(13, 14, 15,...) R 13 14 15 15.39 15.10 14.83 因此 R = 15，且 R - R0 = 11 需要额外的重复实验！对于仿真n次复制，并且每次仿真中有m个中间观察结果，设 xij = 第i次复制的第j次观察， 其中 i = 1, 2, ..., n;对于大R（R ≥ 50），，因此当R较大时，R的第二个不等式是充分的。对于双侧检验，如果检验统计量落在拒绝区间的两端（即，检验统计量的值比上临界值还大或比下临界值还小），则拒绝H0。
2024-03-13 18:18:26
1116
原创 分布式系统paxos
P2. 如果一个值为v的提议被选择，那么每一个。P2. 如果一个值为v的提议被选择，那么每一个。P2a. 如果一个值为v的提议被选择，那么。P2b: 如果一个值为v的提议被选择，那么。P2b: 如果一个值为v的提议被选择，那么。P2b: 如果一个值为v的提议被选择，那么。P2b: 如果一个值为v的提议被选择，那么。的每一个编号更高的提议都有值v。的每一个编号更高的提议都有值v。的每一个编号更高的提议都有值v。的每一个编号更高的提议都有值v。的每一个编号更高的提议都有值v。的每一个编号更高的提议都有值v。
2024-02-29 17:02:24
725
原创 深度学习实战指南
PyTorch是一个开源的机器学习库，广泛应用于计算机视觉、自然语言处理等人工智能领域。它提供了强大的GPU加速，以及灵活的深度学习研究平台。以下是对PyTorch的基本介绍，以及如何用中文简单介绍其核心概念。
2024-02-25 13:04:53
796
原创 了解您的数据库管理系统及其优化器
在其他统计信息中，它还记录了EXPLAIN的属性宽度中使用的列的平均宽度（9字节）。通过考虑执行计划和估算，程序员获得了数据库引擎如何操作数据、使用索引和执行其他操作来执行语句的见解，关于估计的成本，以及规划器/优化器可用的信息。pgAdmin 4的工具栏中的Explain和Explain Analyze按钮分别生成执行计划和生成并执行执行计划。执行计划是由执行引擎执行的计划。执行计划是一个有向无环图或物理代数运算符的树，如顺序扫描、索引扫描、排序和聚合运算符、嵌套循环、哈希和合并连接。
2024-02-20 13:46:16
988
原创 分布式系统primary back up
这个过程可以是同步的，也可以是异步的，但关键是需要有一个明确的确认机制，以便原主服务器（或在其失败后由视图服务）确认备份服务器已成功接收并应用了所有必要的状态信息。每个视图定义了当前的主服务器和备份服务器。在高可用性和容错性设计中，这通常涉及到复杂的同步、确认和健康检查机制，以确保在任何时候系统的状态都是一致的，即使在发生故障和角色转换的情况下。：在这种情况下，如果有客户端向B（现在的主服务器）写入新数据，而另一个客户端尝试从A（过时的服务器）读取数据，就会发生陈旧读取，因为A包含的数据不是最新的。
2024-02-12 17:23:01
1011
原创 随机数生成和随机变量生成
随机数在模拟随机模型中经常被使用在随机模拟中，经常使用数百万随机数。因此，伪随机数生成器的效率很重要，需要生成随机且均匀分布的数字。X_0。
2024-02-12 14:52:45
1744
原创 实体关系模型和图表
(x, 1) 对于一个涉及的实体和 (x, N) 或 (x, y) y > 1 对于其他实体表明一对多的关系。(x, N) 或 (x, y) y > 1 对于所有涉及的实体表明多对多的关系。我们合并表 employee 和表 work_for，并使用弱实体的主键。关系的属性由关系集的属性以及参与实体的键组成。我们合并雇员表和 work_for 表，并使用雇员表的主键。我们更改了关系表的主键或添加了 UNIQUE 约束。(x, 1) 对于所有涉及的实体表明一对一的关系。(1, x) 表示强制参与。
2024-02-05 20:07:32
663
原创 分布式状态和一致性
看到旧值是否可以？只要不超过30秒？也许看到旧值可以，只要它不是在我们最后一次更新之前？或者我们应该总是读取最新的更新？如果读取和更新同时（大致）发生怎么办？如果有并发更新怎么办？我应该读哪一个？我们需要正式的语义！
2024-02-04 23:26:59
1077
原创 窗口函数以及SQL中的各种聚合结构
在PostgreSQL中，SQL统计聚合函数包括：“VARIANCE()”（方差）、“STDDEV()”（标准差）、“VAR_POP()”（总体方差）、“COVAR_POP()”（总体协方差）、“COVAR_SAMP()”（样本协方差）、“REGR_AVGX()”（线性回归的X平均值）、“REGR_SLOPE()”（线性回归斜率）、“REGR_INTERCEPT()”（线性回归截距）和“REGR_R2()”（线性回归的决定系数R平方）。相同值的行会有相同的排名，但是下一个排名会跳过中间的数字。
2024-02-01 23:58:40
1859
原创 数据仓库和维度建模
操作系统的用户推动组织的运转。他们接受订单，注册新客户，并记录投诉。操作系统的用户几乎总是一次处理一条记录。他们反复执行相同的操作任务，一遍又一遍。另一方面，数据仓库的用户则观察组织的运转情况。他们统计新订单并将其与上周的订单进行比较，询问新客户为何注册以及客户抱怨了什么。数据仓库的用户几乎从不一次只处理一行数据。相反，他们的问题通常需要搜索数百或数千行数据，并将其压缩成一个答案集。为了进一步复杂化情况，数据仓库的用户不断改变他们提出的问题类型。
2024-02-01 23:04:47
775
原创 深度学习-感知器
在多层感知器（MLP）或深度学习模型中，每个神经元通常都会有自己的偏置项。在训练过程中，偏置项会和权重一起被调整，以最小化损失函数，从而找到最佳的模型参数。: 通过这种方式，感知器逐渐学习将特征向量映射到正确的标签上，不断调整其权重，直到模型在训练集上的表现达到一定的准确度或者直到完成一定数量的迭代。请注意，在这种方法中，我们是基于每个训练样本得到的梯度来进行参数更新的；的线性组合，通常还有一个激活函数（如阶跃函数）来确定最终的分类。: 感知器是一种简单的线性二分类模型，它的输出。 个样本的特征向量。
2024-01-30 13:43:45
866
原创 离散事件仿真
离散事件仿真（DES）介绍术语我们如何推进仿真时间？离散事件仿真的组成部分和组织结构示例：单服务器排队系统的仿真建模世界观（不同的方法）仿真和模型构建的步骤。
2024-01-29 21:17:53
2237
原创 数据库SQL
SQL不是一种编程语言。SQL是一种专用于在关系模型中创建和操作数据的查询语言。它不是图灵完备的。由于其受限的表达能力，可以更容易地进行自动优化，从而实现高效的数据独立性。传统上，SQL语言可以分为五个部分：数据库定义语言（DDL）用于创建表和约束，数据操作语言（DML）用于填充表，数据查询语言（DQL）用于查询表，数据库控制语言（DCL）用于其他管理和调优方面，以及一些扩展，例如过程化SQL。
2024-01-26 22:17:03
1862
原创 系统模拟和建模技术--1. 介绍
● 建模一个系统● 研究系统的不同方法● 模型的分类● 介绍模拟● 模拟生命周期●模型是关于系统的信息体，为了研究系统而收集●模型只包含真实系统的本质部分；那些对系统行为没有显著贡献的方面被排除●研究的目的将决定应收集的信息性质●对于一个系统并没有唯一的模型建模一个系统 - 例子开发一个模型来研究从点A到点B（家到办公室）的行程时间：其中x是距离，v是平均速度，t是行程时间。开发一个模型来估计单服务队列中的等待时间：其中W是预期等待时间，λ是到达率，μ是服务率。
2024-01-24 16:03:54
1080
原创 数据挖掘-推荐系统
● 2 个臭名昭著的副作用 （特别是在推荐新闻或社交媒体帖子时）■ 过滤泡泡■ 回音室效应● 核心问题■ 服务提供商没有动机 确保（足够的）多样性■ 用户不知道显示了哪些内容 以及为什么（或为什么不）● 推荐系统■ 更具体地说：个性化推荐系统■ 许多在线平台的组成部分■ 用户：找到相关项目 + 提供商：展示相关项目■ 但是：过度个性化推荐的风险● 实施推荐系统■ 广泛的数据挖掘技术都适用■ 没有“一刀切”的解决方案■ 在实践中，混合方法最为成功R_%7Buv%7D。
2023-11-02 23:03:17
125
原创 数据挖掘-维度降低
■ 只考虑了 3（4个中的3个）特征 — 只为了方便可视化 22 具有3个主成分的数据集 3个 PC 的解释方差。■ 根据其区分数据点的能力移除排名较低的特征 (决策树的基本方法，根节点附近的特征产生更纯净的子树)■ 基于专家知识移除"不重要"的特征 (例如，一个人的出生日期不太可能影响他/她的消费行为)■ 最小化每个类中的转换点的方差 （回想一下 PCA 是最大化整个数据集的方差）■ 由每个主成分所属性的方差的百分比 ➜ 归一化的特征值。■ 更大的perplexity：更多的邻居具有有效的。
2023-10-31 22:10:57
122
1原创 计算机性能- 资源分析
→ 系统管理员→ 应用开发者插入系统或处理器板上的插槽的物理芯片，其中包含一个或多个作为核心或硬件线程实现的CPU。多核处理器上的独立CPU实例。使用核心是一种扩展处理器的方法，称为芯片级多处理（CMP）。支持在单个核心上并行执行多个线程的CPU架构（包括Intel的超线程技术），其中每个线程都是一个独立的CPU实例。这种扩展方法称为同时多线程（SMT）。来自其指令集的单个CPU操作。有用于算术操作、内存I/O和控制逻辑的指令。也称为虚拟处理器，操作系统CPU实例（可调度的CPU实体）。
2023-10-13 16:17:57
243
原创 博弈论-匹配机制
● 双边市场 ■ 居民匹配 ■ 约会网站 ■ 大学录取 ■ 求职市场● 单边市场 ■ 学生/课程 ■ 宿舍房间分配● 物物交换 ■ 肾脏交换 ■ 物物交换市场● 厚实 ■ 有很多买家，很多卖家，很多选择... ■ 每个人都知道他们的选择● 及时 ■ 不要太快（有时间权衡决策） ■ 不要太慢（快速处理提议，新提议迅速到达）● 安全 ■ 人们在揭示偏好时不会受到伤害 ■ 结果是公平的 ■ 人们通过参与会更好● 律师事务所想
2023-10-10 16:50:24
368
原创 回归&分类II
● 决策树■ 直观的分类和回归模型 ➜ 可解释！■ 可以处理分类和数值数据（尽管在实践中有点棘手）■ 通常结果不错但不是最好● 树集成■ 目标是解决单个决策树的局限性（特别是高方差）■ 独立模型的集成：Bagging，随机森林■ 依赖模型的集成：AdaBoost，梯度提升树■ 在许多应用场景中是最先进的D_tD_0tI%28t%29In_inI%28i%29I%28t%29IGIG%3E0DD_iDD_iDD_iD_iD_iDD_iD_iD_i1%7DD_mh_mx_ix_ih_m。
2023-10-03 01:03:48
74
原创 数据分类&回归
● 分类与回归■ 监督机器学习的核心任务■ 训练：在数据集中找到依赖变量的值与独立变量（特征）的值之间的模式■ 预测：使用这些模式为新的/未见过的数据的依赖变量分配值● 分类与回归的区别■ 分类：依赖变量是分类的■ 回归：依赖变量是连续的● k 太小 -- 过拟合的风险■ 预测对噪声/异常值敏感■ 非常不均匀的决策边界 （或回归线）● k 太大 -- 欠拟合的风险■ 无法捕捉局部模式■ 非常平滑的决策边界 （或回归线）● 分类器的评估（对于回归器来说很直接）■ 不同的度量有不同的解释。
2023-10-02 22:14:35
169
原创 操作系统简单介绍
这是内核CPU调度器的正常功能，并涉及将运行中的CPU寄存器集（线程上下文）切换到一个新集。• 内核：管理系统的程序，根据内核模型，包括硬件设备、内存和CPU调度。程序在用户模式下运行，通过系统调用或陷入内核来访问内核模式（例如，执行设备I/O）。• 任务：Linux中可运行的实体，可以指一个进程（具有单个线程）、来自多线程进程的线程或内核线程。• 系统调用（syscall）：用户程序请求内核执行特权操作的一种明确定义的协议，包括设备I/O。■ 例如，缓冲区缓存是主内存的一个区域，存储着最近使用的磁盘块。
2023-09-28 00:36:11
54
原创 性能-操作分析
• 排队网络中性能指标的平均值 • 不对服务时间或到达间隔的分布做出假设 • 操作平均值是直接测量得出的 • 操作数量在有限的观察期间内直接测量得出 • 操作定律是操作数量之间的关系• 考虑设备i（或服务中心i）的黑箱视图： 如果我们观察设备一段有限的时间T（观察期），我们可以测量：• 可以得出更多的操作数量： ■ 到达率 ■ 吞吐量 ■ 利用率 ■ 其中 i=0（系统）且 i > 0（设备） ■ 每个工作访问队列i的平均服务时间， ■ 在离开系统之前，工作访问设
2023-09-28 00:08:01
68
原创 马尔可夫排队模型
1. M/M/1 排队系统:在M/M/1模型中，顾客按照一个固定的平均速率到达，并且被一个服务台服务。如果服务台忙，新到达的顾客将等待。 2. M/M/m 排队系统:在M/M/m模型中，如果所有的m个服务台都忙，新到达的顾客将等待。当有服务台可用时，等待的顾客将被服务。 3. M/M/m/B 排队系统:在M/M/m/B模型中，系统有一个最大的容量限制。当系统达到这个容量时，新到达的顾客将被拒绝，直到有顾客离开并为新的顾客腾出空间。• 马尔可夫链 ■ 一个描述可能事件序列的随机模型，其中每个事件
2023-09-17 21:43:08
2135
原创 机制设计-选址/路由游戏
• 因此，从列 = X 的情况我们得到 (p*B + (1-p)*D, X)，其中 1/2 行 = 任意值 --> （分离，偷走）换句话说，当一个玩家偏离时，势函数的变化与偏离者的个体成本的变化是相同的！，其最大成本的近似比率 < 2。
2023-09-13 00:19:55
146
原创 关联规则挖掘
● 项集(Itemset)■ 一组物品的子集，例如：{面包}、{酸奶}、{面包, 酸奶}、{牛奶}、{麦片}、{鸡蛋}、{面包, 牛奶}、{面包, 牛奶, 麦片} 等。● K-项集(K-itemset)■ 包含k个物品的项集，例如，当k=3时：{面包, 牛奶, 麦片}、{面包, 酸奶, 奶酪}、{酸奶, 牛奶, 麦片}、{酸奶, 麦片, 奶酪}、{牛奶, 麦片, 奶酪}、{面包, 牛奶, 鸡蛋} 等。● 支持计数 SC （Support Count）■ 包含某个项集的交易数量。
2023-09-12 00:00:21
215
原创 聚类，K-Means，DBSCAN，层次聚类，链接方法，簇评估合集
● 目标：将未标记的数据分成相似对象/点的组。■ 最大化簇内相似性并最小化簇间相似性。● 基本特征■ 簇：基于密度■ 聚类：划分式、互斥、部分● 输入（对于d维欧几里得空间）■■— 定义点邻域的半径■— 最小点数● 基本特性■ 簇：基于树状结构或层次结构■ 聚类：层次的（显然！），完整的， 每一层都是互斥的！● 原则上没有参数化■ 在实践中，通常指定簇的数量 与K-均值相似■ 选择不同的度量来计算 簇之间的距离。
2023-09-09 01:40:52
352
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人