81、图域中的大样本统计

图域中的大样本统计

在结构模式识别和统计模式识别之间架起桥梁是一个具有挑战性的任务,特别是在使用概率方法研究图等组合结构时。本文将深入探讨图域中的大样本统计,包括大数定律、中心极限定理、图均值的特性和唯一性条件,以及两个图的加权均值等内容。

1. 研究背景与目标

在图的有限集合中,中位数和均值等中心点在图的中心聚类、图量化、频繁子结构挖掘和蛋白质结构的多序列比对等领域有重要应用。然而,与向量空间相比,对图均值的基本理解仍然不足。本文旨在为属性图的大样本统计基本性质提供新的见解,主要目标包括:
- 重述图分布的强大数定律。
- 提出图分布的中心极限定理。
- 刻画图的均值。
- 提出图均值唯一性的充分条件。
- 研究两个图的加权均值的性质。

为了实现这些目标,我们将图表示为黎曼轨道流形中的点,这种表示方法使我们能够应用微分几何中的有用概念和技术。

2. 属性图的表示

为了进行统计数据分析,需要对属性图进行合适的表示。我们建议将图表示为黎曼轨道流形中的点,因为轨道流形允许我们应用微分几何中的概念和技术。

2.1 属性图的定义

设 (E) 是一个 (d) 维欧几里得空间。属性图 (X = (V, E, \alpha)) 由以下部分组成:
- 顶点集 (V)。
- 边集 (E \subseteq V \times V)。
- 属性函数 (\alpha : V \times V \to E),对于每条边 (\alpha(i, j) \neq 0),对于每条非边 (\alpha(i, j) = 0)。顶点 (i) 的属性 (\alpha(i, i)) 可以取 (E) 中的任意值。

2.2 图的矩阵和向量表示

为了简化数学处理,假设所有图的阶数为 (n)((n) 足够大)。阶数小于 (n) 的图可以通过添加属性为零的孤立顶点扩展到阶数 (n)。

图 (X) 可以用其矩阵表示 (X = (x_{ij})) 完全指定,其中 (x_{ij} = \alpha(i, j)),(1 \leq i, j \leq n)。设 (X = E^{n \times n}) 是所有元素来自 (E) 的 ((n \times n)) 矩阵的欧几里得空间,(\Gamma) 表示所有 ((n \times n)) 置换矩阵的子群。如果存在置换矩阵 (P \in \Gamma) 使得 (P^TXP = X’),则两个矩阵 (X, X’ \in X) 是等价的。商集 (X / \Gamma = {[X] : X \in X}) 由所有等价类 ([X]) 组成。

为了方便表示,我们将 (X) 与 (E^N)((N = n^2))等同起来,并考虑图的向量表示。通过将图 (X) 的矩阵表示 (X) 的列连接起来,我们得到图 (X) 的向量表示 (x)。

2.3 黎曼轨道流形表示

黎曼轨道流形的图 (Q = (X, \Gamma, \pi)) 由以下部分组成:
- 具有范数 (|\cdot|) 的欧几里得空间 (X)。
- 作用在 (X) 上的置换群 (\Gamma)。
- 轨道流形图表 (\pi : X \to X_Q = X / \Gamma),(x \mapsto [x]),它将每个向量 (x) 投影到其轨道 ([x])。

我们用大写字母 (X, Y, Z) 表示 (X_Q) 中的图,如果 (\pi(x) = X),则写 (x \in X)。每个向量 (x \in X) 是结构 (X) 的向量表示,所有向量表示的集合 (X) 是 (X_Q) 的表示空间。

2.4 内在度量

轨道流形 (Q = (X, \Gamma, \pi)) 的图的内在度量定义为:
[d(X, X’) = \min {|x - x’| : x \in X, x’ \in X’}]

我们称满足 (|x - x’| = d(X, X’)) 的对 ((x, x’) \in X \times X’) 为 (X) 和 (X’) 的最优对齐。用 (A(X, X’)) 表示 (X) 和 (X’) 的所有最优对齐的集合。内在度量不是为了分析目的而人为构造的,而是在不同的图接近度度量中常见的选择。

下面是图表示的流程:

graph LR
    A[属性图 X = (V, E, α)] --> B[矩阵表示 X = (xij)]
    B --> C[向量表示 x]
    C --> D[黎曼轨道流形表示 Q = (X, Γ, π)]
    D --> E[内在度量 d(X, X')]

3. 弗雷歇均值

在这部分,我们将重点关注图分布的均值。除非另有说明,所有结果的证明将在其他地方给出。

3.1 图的弗雷歇均值集

由于不清楚如何使用图的加权和或积分来定义图的均值,我们基于弗雷歇提出的通常均值的性质给出定义。假设 ((Q, d)) 是图的度量轨道流形,其中 (Q = (X, \Gamma, \pi))。弗雷歇函数定义为:
[F(Y) = E_X [d(X, Y)^2] =
\begin{cases}
\int_{C_Q} d(X, Y)^2 dP_Q(X) & \text{如果 } X \text{ 是连续的} \
\sum_{X \in C_Q} d(X, Y)^2 P_Q(X) & \text{如果 } X \text{ 是离散的}
\end{cases}]

其中 (P_Q) 是 (X_Q) 的波莱尔 (\sigma) - 域上的概率测度,在连续情况下支持在可测子集 (C_Q) 上,在离散情况下是概率质量函数。弗雷歇均值是满足 (F(M) = \inf_{Y \in C_Q} F(Y) < \infty) 的任何元素 (M \in C_Q)。弗雷歇均值集 (F) 是所有弗雷歇均值的集合。

3.2 弗雷歇均值的刻画

为了刻画弗雷歇均值,我们需要狄利克雷基本域的概念。(\Gamma) 在 (X) 中的基本域 (D \subset X) 是一个闭子集,满足 (X = \bigcup_{\gamma \in \Gamma} \gamma(D)) 且 (\text{int}(\gamma(D)) \cap \text{int}(\gamma’(D)) = \varnothing) 对于所有 (\gamma, \gamma’ \in \Gamma)。

狄利克雷基本域 (D(x)) 是满足 (x’ \in D(x) \Rightarrow |x - x’| \leq |x - \gamma(x’)|) 对于所有 (\gamma \in \Gamma) 的基本域。每个狄利克雷基本域 (D(x)) 是一个凸多面体锥,包含每个图的至少一个向量表示。

定理 1(弗雷歇均值的表示):设 (Q = (X, \Gamma, \pi)) 是具有内在度量 (d) 的图的轨道流形,((X_Q, \Sigma_Q, P_Q)) 是一个概率空间。假设 (M \in F) 是 (P_Q) 的弗雷歇均值。则投影到 (M) 的任何向量表示 (m \in X) 具有以下形式:
[m = \int_{D(m)} x dP(x)]
其中 (P(x) = P_Q(\pi(x))) 在 (D(m)) 上。

从狄利克雷基本域的定义可知,弗雷歇均值 (M) 的向量表示 (m) 是与 (m) 最优对齐的所有 (X) 的向量表示 (x) 的分布的总体均值。

3.3 弗雷歇均值的唯一性

接下来,我们将展示在什么条件下图的弗雷歇均值是唯一的。对于结构 (X \in X_Q),我们定义其注入半径为:
[r_X = \min {|x - x’| : x’ \in \text{bd}(D(x))}]
其中 (x \in X) 是向量表示。注入半径 (r_X) 测量从 (x) 到其狄利克雷基本区域 (D(x)) 边界的最短距离。注入角定义为:
[\alpha_X = \arcsin \frac{r_X}{l(X)}]

定理 2(弗雷歇均值的唯一性):设 (Q = (X, \Gamma, \pi)) 是具有内在度量 (d) 的图的轨道流形,((X_Q, \Sigma_Q, P_Q)) 是一个概率空间。假设存在结构 (Z \in X_Q),使得 (P_Q) 的支持是开圆锥 (C_{\Gamma}(Z, \frac{\alpha_Z}{3}) = {X \in X_Q : \angle(Z, X) < \frac{\alpha_Z}{3}}) 的可测子集,其中圆锥轴的方向为 (Z)。则 (P_Q) 的弗雷歇均值是唯一的。

3.4 强大数定律

由于分布 (P_Q) 通常是未知的,并且基础度量空间往往缺乏足够的数学结构,弗雷歇函数 (F(Y)) 既不能直接计算也不能直接最小化。相反,我们从经验数据中估计弗雷歇均值。

假设 (X_1, X_2, \ldots, X_N \in X_T) 是独立同分布的随机样本。我们用经验弗雷歇函数 (\hat{F} N(Y) = \frac{1}{N} \sum {i = 1}^{N} d(X_i, Y)^2) 代替弗雷歇函数,并通过经验弗雷歇函数的全局最小值来近似弗雷歇均值。用 (\hat{F}_N) 表示弗雷歇样本均值集,它由 (\hat{F}_N(Y)) 的所有全局最小值组成。

定理 3:设 (Q = (X, \Gamma, \pi)) 是具有内在度量 (d) 的图的轨道流形,((X_Q, \Sigma_Q, P_Q)) 是一个概率空间。假设 (P_Q) 的弗雷歇函数 (F) 是有限的。则对于任何 (\varepsilon > 0),存在随机变量 (n(\omega, \varepsilon) \in \mathbb{N}) 和 (P_Q) - 零测集 (N(\omega, \varepsilon)),使得对于所有 (N \geq n(\omega, \varepsilon)),在 (N(\omega, \varepsilon)) 之外有 (\hat{F} N \subseteq F {\varepsilon} = {X \in X_T : \min_{M \in F} d(X, M)^2 < \varepsilon})。特别地,如果弗雷歇均值集 (F = {\mu}) 是单元素集,则从 (\hat{F}_N) 中选取的每个可测选择 (\hat{\mu}_N) 是 (\mu) 的强一致估计量。

3.5 中心极限定理

为了推导图的中心极限定理,我们引入以下符号:表达式 (X_N = o(Y_N)) 表示 (\frac{X_N}{Y_N} \xrightarrow{P_Q} 0)。

定理 4:设 (Q = (X, \Gamma, \pi)) 是具有内在度量 (d) 的图的轨道流形,((X_Q, \Sigma_Q, P_Q)) 是一个概率空间。如果 (\hat{F} N(\hat{M}_N) \leq \inf {Y \in X_Q} F(Y) + o_{P_Q}(\frac{1}{N})) 且 (\hat{M} N \xrightarrow{P_Q} M \in F),其中 (M) 是非奇异的。则
[\sqrt{N} (\hat{M}_N - M) = \frac{1}{\sqrt{N}} \sum
{i = 1}^{N} (x_i - m) - o_{P_Q}(1)]
其中 (m) 投影到 (M),((x_i, m) \in A(X_i, M)) 是最优对齐。特别地,序列 (\sqrt{N} (\hat{M} N - M)) 渐近正态,均值为零,协方差矩阵为:
[\Sigma = \int
{D(m)} (x - m)(x - m)^T dP(x)]

3.6 两个结构的弗雷歇均值

作为特殊情况,考虑弗雷歇函数 (F(Y) = p \cdot d(X, Y)^2 + (1 - p) \cdot d(X’, Y)^2),其中 (p = P_Q(X)) 和 (1 - p = P_Q(X’)) 分别是结构 (X) 和 (X’) 的概率。将 (p) 和 (1 - p) 视为权重而非概率,(F(Y)) 的弗雷歇均值集是中心聚类和图量化的竞争学习方法的基本组成部分。

定理 5:设 (Q = (X, \Gamma, \pi)) 是具有内在度量 (d(\cdot|\cdot)) 的图的轨道流形。考虑弗雷歇函数 (F(Y) = p \cdot d(X, Y)^2 + (1 - p) \cdot d(X’, Y)^2),其中 (X, X’ \in X_Q) 且 (p \in [0, 1])。则有以下性质:
- (P1) 弗雷歇均值 (M \in F) 的任何向量表示 (m) 具有形式 (m = p \cdot x + (1 - p) \cdot x’),其中 ((x, m) \in A(X, M)) 和 ((x’, m) \in A(X’, M)) 是最优对齐。
- (P2) (M \in F) 是弗雷歇均值当且仅当 (M) 中的任何向量表示 (m) 具有形式 (m = p \cdot x + (1 - p) \cdot x’),其中 ((x, x’) \in A(X, X’)) 是最优对齐。
- (P3) 弗雷歇均值 (M \in F) 满足 (d(X, M) = p \cdot d(X, X’)) 和 (d(X’, M) = (1 - p) \cdot d(X, X’))。
- (P4) 几乎必然有 (|F| = 1)。

这些性质总结如下表:
| 性质 | 描述 |
| ---- | ---- |
| (P1) | 弗雷歇均值的向量表示为 (m = p \cdot x + (1 - p) \cdot x’),((x, m) \in A(X, M)),((x’, m) \in A(X’, M)) |
| (P2) | (M) 是弗雷歇均值当且仅当 (m = p \cdot x + (1 - p) \cdot x’),((x, x’) \in A(X, X’)) |
| (P3) | (d(X, M) = p \cdot d(X, X’)),(d(X’, M) = (1 - p) \cdot d(X, X’)) |
| (P4) | 几乎必然 (|F| = 1) |

通过将图表示为黎曼轨道流形中的点,我们成功地推导了图分布的大数定律和中心极限定理,刻画了图的均值,提出了均值唯一性的条件,并研究了两个图的加权均值的性质。这些结果为无监督结构模式识别方法提供了坚实的统计基础,同时也加深了我们对图域几何的理解。

4. 总结与应用展望

4.1 研究成果总结

本文聚焦于图分布的大样本统计,取得了一系列重要成果:
- 理论定理推导 :成功推导了概率论中两大关键结果——大数定律和中心极限定理的结构版本,为图数据的统计分析提供了坚实的理论基础。
- 均值特性研究 :对弗雷歇均值进行了深入研究,包括对其进行刻画、提出均值唯一性的充分条件,以及探讨两个图的加权弗雷歇均值的性质。
- 图表示方法 :核心思想是将图识别为黎曼轨道流形中的点,这种表示方法不仅推广了欧几里得空间中的相应结果,还为无监督结构模式识别方法奠定了良好的统计基础。

下面通过一个表格来更清晰地展示这些成果:
| 成果类别 | 具体成果 |
| ---- | ---- |
| 理论定理 | 大数定律结构版本、中心极限定理结构版本 |
| 均值研究 | 弗雷歇均值刻画、均值唯一性条件、两个图加权弗雷歇均值性质 |
| 图表示方法 | 将图表示为黎曼轨道流形中的点 |

4.2 对无监督结构模式识别方法的意义

这些研究成果在无监督结构模式识别方法中具有重要的应用价值,以下是具体的应用场景:
- PCA 用于结构分析 :可以利用推导的理论结果,对图结构数据进行主成分分析(PCA),提取数据的主要特征,实现数据的降维和特征提取。操作步骤如下:
1. 将图数据表示为黎曼轨道流形中的点。
2. 根据大数定律和中心极限定理,对图数据进行统计分析。
3. 应用弗雷歇均值等概念,确定数据的中心和分布特征。
4. 基于上述分析,进行主成分分析,提取主要特征。
- 中心聚类 :在图的中心聚类中,弗雷歇均值的性质可以用于确定聚类的中心,提高聚类的准确性和效率。具体操作流程如下:
mermaid graph LR A[输入图数据] --> B[将图表示为黎曼轨道流形中的点] B --> C[计算弗雷歇均值集] C --> D[根据均值唯一性条件确定唯一中心] D --> E[进行聚类操作]
- 图量化 :对于图量化问题,两个图的加权弗雷歇均值的性质可以指导量化过程,实现更有效的图数据压缩和表示。操作步骤为:
1. 确定两个图的概率权重 (p) 和 (1 - p)。
2. 根据定理 5 中的性质,计算加权弗雷歇均值。
3. 利用均值进行图的量化操作。

4.3 对图域几何的新认识

通过本文的研究,我们对图域的几何有了更深入的理解。将图表示为黎曼轨道流形中的点,使得我们可以应用微分几何的概念和技术,对图数据进行更细致的分析。例如,在研究弗雷歇均值的唯一性时,引入的注入半径和注入角等概念,让我们能够从几何角度理解图数据的分布和特征。这种新的认识将有助于我们进一步推导图的统计和结构模式分析的相关结果,为图数据的处理和分析提供更多的思路和方法。

综上所述,本文的研究成果不仅在理论上具有重要意义,而且在实际应用中也具有广泛的价值。通过对图域大样本统计的深入研究,我们为图数据的分析和处理开辟了新的途径,有望在更多领域得到应用和推广。

同源策略与跨域 前言:最近业务上前端同学多次联系说访问腾讯云cos资源的时候因为跨域的问题访问不到。大致看了下腾讯云关于设置跨域访问的教程,按照前端同学给的域名等选项就给配了,而且测试下来也是好的。但是呢一直不知道什么是跨域这里就做一个简单的学习记录。 一、同源策略 同源策略(Same Origin Policy)是一种约定,它是浏览器最核心也是最基本的安全功能。同源策略会阻止一个域的javascrip脚本和另一个域的内容进行交互,是用于隔离潜在恶意文件的关键安全机制;关于这一点我们后面会举例说明。... 阅读详情

相关推荐

(篇九)C语言统计某个字母的个数、统计各种字符的个数、统计单词的个数

文章目录一、统计某个字母的个数二、统计各种字符的个数三、统计单词的个数 本篇文章主要介绍在C语言中统计某个字母的个数、统计各种字符的个数和统计单词的个数;总之就是计数,-由于C语言中没有直接统计的函数,因此需要我们自己编写函数来循环遍历查找需要统计的元素。 一、统计某个字母的个数 1、参考代码: #include <stdio.h> int main() { int i, k=0;...

Viewinfinitely的博客 2万+

Redis-基数统计、位图、位域、流

统计UV => 用Set统计IP信息 => 保留输入的元素本身(IP) => 浪费空间。=> 用HyperLogLog统计 => 只会根据输入的元素(IP)来计算基数,二进制bit数组 => 每个元素由0和1状态 => 由0和1组成string。、性别、是否登录、A权限、C权限、D权限、30个权限。id: id/0(最小)/$(最大的后一条-用于阻塞获取)数据只有两种状态 => 30个权限 => 设置30个字段。基数统计:是用来做基数(不重复的数)统计的算法。=> 设置1个字段,字段由30位的字符串组成。

2501_92004703的博客 1413

可汗学院统计学笔记 42-81集

假设检验 假设检验是推论统计中用于检验统计假设的一种方法。而“统计假设”是可通过观察一组随机变量的模型进行检验的科学假...

weixin_40975029的博客 842

81 统计候选人的票数

81 统计候选人的票数 作者: 卢婷时间限制: 1S章节: 结构体 问题描述 : 设有3个候选人zhang、li、wang(候选人姓名不区分大小写),10个选民,选民每次输入一个得票的候选人的名字,若选民输错候选人姓名,则按废票处理。选民投票结束后,程序自动显示各候选人的得票结果和废票信息。要求用结构体数组candidate表示3个候选人的姓名和得票结果。 输入说明 : 输入十行,每行表示一个选民...

内在的天空 1022

100天精通Python(可视化篇)——第81天:matplotlib绘制不同种类炫酷饼图参数说明+代码实战(自定义、百分比、多个子图、圆环、嵌套饼图)

专栏导读 0. 前言 1. 参数说明 2. 普通饼图 3. 百分比饼图 4. 突出某一块的饼图 5. 自定义颜色的饼图 6. 多个子图 7. 圆环饼图 8. 圆环分离饼图 9. 饼图+圆环图组合 10. 多层圆环饼图

努力让自己发光,对的人才能迎着光而来 1万+

81、神经元微域中的钙动力学研究

本文探讨了神经元微域中的钙动力学,重点研究了通量与杀伤项的计算方法、钙信号引发细胞激活的分子机制。通过求解稳态福克-普朗克方程分析离子分布,并引入基于阈值的马尔可夫链模型简化复杂几何结构下的结合过程。介绍了粗粒度马尔可夫模型和布朗模拟两种互补方法,用于估计CaMKII激活概率与平均时间。讨论了突触前终端中钙调节囊泡释放的挑战及未来研究方向,强调多尺度建模与改进树突棘电化学性质分析的重要性。

yog99的博客 77

东华OJ第81题 统计候选人的票数

81 统计候选人的票数 作者: 卢婷时间限制: 1S章节: 结构体 问题描述 : 设有3个候选人zhang、li、wang(候选人姓名不区分大小写),10个选民,选民每次输入一个得票的候选人的名字,若选民输错候选人姓名,则按废票处理。选民投票结束后,程序自动显示各候选人的得票结果和废票信息。要求用结构体数组candidate表示3个候选人的姓名和得票结果。 输入说明 : 输入十行,每行表示一个选民...

fxwentian的博客 2229

思科路由器IPv6各种路由协议配置

思科路由器IPv6路由协议配置:1、静态路由配置;2、默认路由配置;3、RIPng路由配置;4、OSPFv3路由配置。

weixin_41687096的博客 6546

基础81 统计候选人的票数

81 统计候选人的票数 作者: 卢婷时间限制: 1S章节: 结构体 问题描述 : 设有3个候选人zhang、li、wang(候选人姓名不区分大小写),10个选民,选民每次输入一个得票的候选人的名字,若选民输错候选人姓名,则按废票处理。选民投票结束后,程序自动显示各候选人的得票结果和废票信息。要求用结构体数组candidate表示3个候选人的姓名和得票结果。 输入说明 : 输入十行,每行表示一个选民...

qq_39338091的博客 426

STM32开发工具链选型:MDK、CubeIDE、VSCode与IAR深度对比

嵌入式开发工具链是连接软件逻辑与硬件行为的核心枢纽,其选择直接影响代码可靠性、调试效率与量产稳定性。从编译器优化能力、调试协议支持(如ARM CoreSight、SWO)、硬件抽象层级(寄存器/LL/HAL)到跨平台构建能力,不同工具在实时性保障、静态分析合规性(如MISRA-C)、WCET可预测性及生态开放度上存在本质差异。尤其在STM32平台,Keil MDK凭借深度调试能力成为HardFault定位首选,STM32CubeIDE依托图形化配置加速外设初始化,而VSCode+PlatformIO则以LS

weixin_42602368的博客 430

随机森林的可解释性分析(含python代码)

随机森林的“黑箱”特性逐渐凸显,这使得我们难以理解和解释模型内部的工作机制。对于许多应用场景而言,仅仅获得高准确率的预测结果是不够的;了解预测背后的逻辑同样重要,特别是在医疗诊断、金融风险评估等领域。因此,对随机森林进行可解释性分析变得尤为重要。

m0_59257547的博客 3849

探秘HyperLogLog:Redis中的基数统计黑科技

本文全面介绍了Redis中的HyperLogLog数据结构,这是一种用于高效计算数据集基数(即唯一元素数量)的算法。我们将探讨HyperLogLog的工作原理、它如何在Redis中实现,以及如何在实际场景中应用它来处理大规模数据。文章还将涵盖HyperLogLog的优势、局限性以及与其他方法的对比,为读者提供一个全面的理解和应用指南。

todoitbo的博客 1万+

GEOS-Chem笔记——模式下载安装+驱动数据+运行流程

看过我博客的会发现我写了很多CESM的笔记,但是说实话,平时科研我其实更多时候是GEOS-Chemuser。之所以写了很多CESM笔记,其实是因为不会,就边学边写。然后GEOS-Chem已经用比较熟了,所以也没想过做笔记啥的。但是我发现越来越多朋友私信我各种CESM问题,我觉得我可能给大家营造了一种我是CESM达人的错觉。感觉自己有点跑偏了呢。公平起见,我觉得我有必要补充点GEOS-Chem笔记。 GEOS-Chem是研究大气化学的人常用的大气化学传输模式,在全世界范围的大气化学研究组中被广泛使用。不过.

砍柴姑娘Jourosy的博客 1万+

3分钟学会正态性检验(含直方图、P-P图、Q-Q图)

3分钟学会正态性检验

weixin_52300428的博客 1643

MobaXterm结合SSH密钥对安全连接阿里云ECS的实战教程

本文详细介绍了如何使用MobaXterm结合SSH密钥对安全连接阿里云ECS的实战教程。通过对比传统密码登录的风险,重点讲解了密钥对的生成与配置、阿里云控制台的密钥绑定技巧,以及MobaXterm的高级设置和故障排查方法,帮助用户实现高效、安全的远程连接。

weixin_29208327的博客 469

Python主要智能优化算法库汇总

最近几年简单浏览和对比了一些智能算法的库。现将各种库的主要信息、相关优缺点简单整理如下,各位同学可根据自己的需求和喜好进行选择。 文章目录1、DEAP2、mealpy3、scikit-opt (国产良心)4、Geat2(国产用心)5、pygmo26、pyswarms7、SciPy(想不到吧)小结 1、DEAP 项目地址:https://github.com/DEAP/deap 安装: pip install deap 优点: 起点高,发表在Journal of Machine Learning Rese

半个冯博士 2万+

Redis HyperLogLog误差率0.81%的由来:从算法原理到Redis实现

在Redis的众多数据结构中,HyperLogLog绝对算是一个“空间魔术师”——它能用12KB左右的内存,统计十亿级数据的去重数量,误差率却稳定在约0.81%。本文将对其背后的原理和设计细节进行深入拆解。

weixin_42148384的博客 1239

Android14到Android16源码移植中的Bluetooth模块规范适配指南

本文详细解析了从Android14到Android16源码移植过程中Bluetooth模块的规范适配挑战,重点介绍了Android.bp配置差异及常见编译报错解决方案。针对代码规范检查、final字段声明、静态方法优化等核心问题提供实用修复方法,帮助开发者高效完成版本升级适配工作。

fire9的博客 254

描述性统计-正态性检验(SPSS,SAS)P-P图,Q-Q图,直方图,KS检验

描述性统计-正态性检验常用的4种方法1.直方图2.P-P图Q-Q图4.K-S检验5.SAS软件实现代码 1.直方图 2.P-P图 Q-Q图 4.K-S检验 5.SAS软件实现代码 data xueqing; input x @@; cards; 74.3 78.8 68.8 78.0 70.4 80.5 80.5 69.7 71.2 73.5 79.5 75.6 75.0 78.8 72.0 72.0 72.0 74.3 71.2 72.0 75.0 73.5 78.8 74.3 75.8 65.0

m0_56757083的博客 1万+

基于最小二乘法(LS)和最小均方误差(MMSE)算法的导频信道估计

导频信道估计在无线通信系统中起着至关重要的作用,它用于估计无线信道的特性,以便在接收端进行正确的信号解调和解码。最小二乘法(LS)和最小均方误差(MMSE)是两种常用的导频信道估计算法,它们在估计精度和计算复杂度之间取得了良好的平衡。首先,我们提取当前的导频符号,然后将接收到的信号与导频符号相乘得到接收导频信号。最小二乘法是一种经典的导频信道估计算法,它通过最小化接收信号与预测信号之间的均方误差来估计信道。下面将详细介绍基于LS和MMSE算法的导频信道估计,并提供相应的MATLAB代码实现。

pytorchCode的博客 682

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

统计分析基础 (一) 数据统计与图表

统计学是在数据分析的基础上,自17世纪中叶产生并逐步发展起来的一门学科。它是研究如何测定、收集、整理、归纳和分析反映数据,以便给出正确消息的科学。统计广泛地应用在各门学科,从自然科学、社会科学到人文学科,甚至被用来工商业及政府的情报决策之上,目前比较热门的应用:经济学,医学,心理学等。随着大数据(Big Data)时代来临,统计的面貌也逐渐改变,与信息、计算等领域密切结合,是数据科学(Data Science)中的重要主轴之一。

yuan_xw的专栏 1万+

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

Python统计学05——假设检验

统计学的假设检验,一个两个总体均值的假设检验,正态性检验

weixin_46277779的博客 2056

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

可汗学院公开课——统计学学习:62-81

线性回归 在统计学中,线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。线性回归方程形式为:y^=bx+a\hat{y}=b x+ay^​=bx+a,推导可得其中 b=∑i=1n(xi−x‾)(yi−y‾)∑i=1n(xi−x‾)2=∑i=1nxiyi−nx‾y‾∑i=1nxi2−n(x‾)2b=\frac{...

hgjwwcr的博客 310

跨域/解决跨域方法

首先编写一个过滤器,可以起名字为MyCorsFilter.java} }.} }.} }.} }.} }.} }.} }.} }.} }.} }.} }.

song854601134的博客 4605

javaweb-青橙项目-6-81

文章目录第6章 统计分析学习目标1. 商品类目销售分析表1.1 需求分析1.2 实现思路1.3 代码实现1.3.1 类目统计SQL语句1.3.2 类目统计代码实现1.3.3 定时任务-生成统计数据1.3.4 按日期统计一级分类数据1.3.5 商品类目统计名称显示1.3.6 商品类目统计前端实现1.3.7 比例计算1.4 小结2. EChars图表插件2.1 EChars简介2.2 快速入门2.2.1 简单柱状图2.2.2 多数据的柱状图2.2.3 简单饼图2.2.4 多数据的饼图3. 商品类目销售统计(饼图

lidashent的博客 757
上一篇: 基于深度学习的共享单车再平衡
下一篇: 14、容器存储与镜像构建全解析
gitlab7runner
博客等级 码龄4年 78粉丝 1747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  | 博主筛选后可见
 
 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