mu

OI差的的人写一些这样的游记应该是没有问题的吧？ 其实人没有必要非得AK什么比赛，能为比赛付出努力的任何人想必都不容易。 Day -9 今天终于正式开始搞复习了。之前该打的摆都打完了。 6天左右的OI小集训算是培养了我一项重要的品质：坚强。 回家疯狂补作业+偷偷打摆。 炎德杯还是考了该死的函数。要求$f(x)=x|x-a|+2x$的一系列取值范围。 记住，绝对值不是什么好玩的东西。要知道，它是$\sqrt{x^2}$，至少也可以算是一个分段函数了。 对付分段函数的最好方式就是直接展开，像这样： $$ f(x)= \begin{cases} (x-\frac{a-2}{2})^2-\frac{(a-2)^2}{4}\ -(x-\frac{a+2}{2})^2+\frac{(a+2)^2}{4} \end{cases} $$ 然后画草图模拟一下变化状态，枚举边界情况就好了。 物理似乎难题都分布在能量和动量上，天体问题只会出毒瘤计算题。 这个公式倒是用的多：$$\delta E_k=\dfrac{1}{2} \dfrac{Mm}{M+m} (v_2-v_1)^2$$ 用于计算完全非弹性碰撞的损失机械能。其中$\mu=\frac{Mm}{M+m}$为折合质量，$\delta v = v_2 - v_1$为相对速度。 语文继续学小说，讲了意识流小说和荒诞派小说。伍尔夫的意识流小说似乎值得一读

Motivation 学习CRF的过程中，我发现很多资料，教程上来就给一堆公式，并不知道这些公式是怎么来的。 所以我想以面向问题的形式，分享一下自己对CRF用于序列标注问题的理解 问题定义 给定观测序列$X=(X_1,X_2,X_3,...X_n)$， 应该注意以下几点： 输入$X=(X_1,X_2,X_3,...X_n)$是观测序列，是先验条件 输出$Y=(Y_1,Y_2,Y_3,...Y_n)$是标注序列，也称为状态序列, 与观测序列具有相同的结构 我们举个例子： 设有一标注问题：输入观测序列为$X=(X_1,X_2,X_3,X_3)=(Dog caught the cat)$，输出标记序列为$Y=(Y_1,Y_2,Y_3,Y_3)$，$Y_1,Y_2,Y_3,Y_3$取值于$\gamma={verb, article, noun}$ 我们可以得到以下模型图： 当模型输入句子 ”Dog caught the cat“ 时，我们希望模型能够输出标注序列：“n v a n”的概率最大 那么如何根据这个状态图计算出序列”n v a n“的出现的概率呢？ 这里就引出了概率无向图模型：（注：个人认为条件随机场模型是一个概率无向图模型，而线性链条件随机场是一个有向图模型） 条件随机场 这里我们对于上图中的图模型，我们定义两种特征： 状态特征和转移特征 状态特征： 定义在结点上

抖音数据采集教程，Unicorn 模拟 CPU 执行 JNI_Onload 动态注册 短视频、直播数据实时采集接口，请查看文档： TiToData <br>免责声明：本文档仅供学习与参考，请勿用于非法用途！否则一切后果自负。 Unicorn 模拟 JNI_Onload 目标 调用 JNI_OnLoad JNI_OnLoad 如图 <br>步骤： 先实现 javavm 中的 GetEnv， （与模拟 jni 过程类似）一共八个函数 初始化 # 1. 开始映射 mu.mem_map(0, 0x1000) # 初始化映射 参数1：地址 参数2:空间大小 默认初始化后默认值：0 # 1.1 初始化 java vm 中的每一个函数 java_vm_base = 700*4 # 从 700*4 开始 for i in range(0, 10, 1): # 一共8个函数（5个+3个预留） 这里我预留了10个多写几个预备，也就是 10*4 mu.mem_write(i*4+java_vm_base, b'\x00\xb5\x00\xbd') # 先随便填充，保持堆栈平衡 push {lr} pop {pc} # 1.2 初始化填充 JNIInvokeInterface 结构体 for i in range(0, 10, 1): mu.mem_write(i*4+java_vm_base+40,

UE根据高层配置信息及CSI测量结果，通过获取的预编码矩阵索引PMI，表示相关信道描述，在每 层 选择一个波束，并反馈对应的 码本 。上报的PMI指示UE推荐的索引值，基站做调度和预编码时，也可以不依据UE的反馈。 对于FDD，只能通过下行CSI测量获取PMI，对于TDD，可以根据信道互异性，从SRS上得到PMI信息，用于下行预编码。 【这里的层，和PDSCH 中导频的“流”的意思是一致的，一般记为layer，在学习码本的时候，多用Rank表示。】 码本是一种赋形方式，如上图，位置处于层到端口之间，流上的数据根据码本进行预编码之后，要到5G 的下行基站端的物理天线上去，还要经过端口到天线的映射。 如果是非码本赋形，就是直接从流到天线。 type1码本，常规精度，单用户MIMO，支持层数较多，PMI反馈负荷相对开销较小。type2码本与之相对的，精度高，多用户MU-MIMO，支持层数少，PMI负荷开销较大。 波束网格 对于给定的CSI-RS天线端口配置（ ， ）以及过采样参数（ ， ），形成纬度为（ ）的2DFT波束网格，网格中每一个波束对应一个码本。CSI-RS天线端口数量为2 ，系数2代表着两个极化方向。 天线端口的具体配置如下 码本基本结构 ，其中 包含波束选择， 包含相位因子及幅度因子。 单阵面single-panel 码本 对于2天线端口，码本如下表

MuZero是令人振奋的一大步，该算法摆脱了对游戏规则或环境动力学的知识依赖，可以自行学习环境模型并进行规划。即使如此，MuZero仍能够实现AlphaZero的全部功能——这显示出其在许多实际问题的应用可能性！ 所有一切不过是统计 MuZero是一种机器学习算法，因此自然要先了解它是如何使用神经网络的。简单来说，该算法使用了AlphaGo和AlphaZero的策略网络和值网络： 策略和值的直观含义如下： 策略p(s,a)表示在状态s时所有可能的动作a分布，据此可以估计最优的动作。类比人类玩家，该策略相当于快速浏览游戏时拟采取的可能动作。 值v(s)估计在当前状态s下获胜的可能性，即通过对所有的未来可能性进行加权平均，确定当前玩家的获胜概率。 这两个网络任何一个都非常强大：只根据策略网络，能够轻易预测每一步的动作，最终得到良好结果；只依赖值网络，始终选择值最高的动作。但是，将这两个估计结合起来可以得到更好的结果。 取胜之路 与AlphaGo和AlphaZero相似，MuZero也使用蒙特卡洛树搜索方法（MCTS）汇总神经网络预测并选择适合当前环境的动作。 MCTS是一种迭代的，最佳优先的树搜索过程。最佳优先意味着搜索树的扩展依赖于搜索树的值估计。与经典方法（如广度优先或深度优先）相比，最佳优先搜索利用启发式估计（如神经网络），这使其在很大的搜索空间中也可以找到有效的解决方案。

前言 最近在学莫比乌斯反演，然而只看懂了莫比乌斯函数，然后反演看着一脸懵逼，最后只看懂了数论分块里面的一个分支内容（也是莫比乌斯反演的前置姿势），整除分块。 于是写一篇博文记录一下整除分块 也称数论分块 数论分块是莫比乌斯反演一个很重要的的前置知识（基本都要用到这个玩意） 已经看完莫反啦，打算写一篇博客来记录一下莫反。 整除分块 整除分块是用于快速处理形似 $$ \sum_{i=1}^{n}{\lfloor \frac{n}{i} \rfloor} $$ 的式子的方法 很显然，这个可以$O(n)$得到答案。但是，在某些题目中，毒瘤出题人将数据加强到了$10^{10}$以上，这个时候我们就无法通过$O(n)$的解法来得到答案了。我们需要一个$O(\sqrt{n})$的更为优秀的解法 首先观察这个式子，找几个特殊值代入 n=5时，sum=5+2+1+1+1 可以发现的是：（这里给的例子并不明显，其实应该找一个大的n来代入才直观，读者可以自行尝试） 对于单一的$\lfloor \frac{n}{i} \rfloor$，某些地方的值是相同的，并且 呈块状分布 通过进一步的探求规律与推理以及打表与瞎猜，我们可以惊喜的发现一个规律，这些 块状分布的值是有规律的 对于一个块， 假设它的起始位置的下标为l，那么可以得到的是，它的结束位置的下标为$\lfloor \frac{n}{\lfloor

分析 其实要去求的就是1-m之间与n互质的数的莫比乌斯函数之和。 这样我们可以枚举n的因数d，然后再容斥地加上（或减去）1-m之间与n的gcd为d的倍数的数的莫比乌斯函数之和。 $ ans(m,n)=\sum _{i=1}^m \mu(in) =\mu(n)\sum {i=1}^m \mu(i)[gcd(i,n)==1] =\mu(n)\sum {d|n}\mu(d)\sum {i=1}^m \mu(i)[d|gcd(i,n)] =\mu(n)\sum {d|n}\mu(d)\sum {i=1}^{ \lfloor \frac{m}{d} \rfloor } \mu(id) =\mu(n)\sum {d|n}\mu(d)ans(\lfloor \frac{m}{d} \rfloor,d) $ 参考： https://www.zybuluo.com/yang12138/note/1277248 代码 #include <bits/stdc++.h> typedef long long ll; using namespace std; const int N=1e6+200; bool isprime[N]; int prime[N],pz,mob[N]; int mob_sum[N]; unordered_map<int,int> Mob_sum; void init() {

一文看尽wifi所有标准真正性能,不看广告看实测 wifi二十年性能提升四千倍?一文看尽wifi现行标准实际性能,协议越新越好吗? 梦开始的地方 -- 802.11n WIFI6E -- wifi啊慢点跑，等等我的设备升级 WIFI6 -- 根正苗红 WIFI5 -- 我过气了吗? WIFI4 -- 老而弥坚 WIFI3/2 -- 802.11a/g 时代双骄 WIFI1 -- 闻之色变 分析总结不同wifi版本的实际性能以及性能提升的关键因素。 wifi二十年性能提升四千倍?一文看尽wifi现行标准实际性能,协议越新越好吗? wifi协议自1997年诞生以来,经过了802.11b、802.11a、802.11g、802.11ac、802.11ax等多代以性能为主线的协议发展, 性能也从最初的2Mbps提升到了恐怖的9608Mbps,提升了 四千倍 ,研发的力量真是巨大! 梦开始的地方 – 802.11n 在802.11n协议之前,使用的802.11a/b/g等协议相比较而言比较传统，物理速率卡在54Mbps,而实际测试性能只有<30Mbps，信道利用率只有60%上下。 802.11n协议把wifi带入快车道，引入MIMO、AMPDU、高频宽等技术，从各个维度来提升wifi传输的实际性能。 下图是性能相关技术的简单汇总，当然OFDMA和MU-MIMO基本没有体现在里面。

自2020年2月以来，在全球300家航空公司中，有180多家的航空公司的准点率达到了90%或以上。 按照2020年航班运营量计算，亚特兰大机场取代芝加哥欧海尔机场，成为全球最繁忙的机场；按航班运营量计算，有三个中国机场跻身全球10大机场之列。 76%的中国客运航班在疫情期间依然在运营。美国(58%)、印度(50%)和英国(33%)的航班运营量都出现了大幅下滑。 2020年，西南航空公司在航班运营量方面拔得头筹，中国南方航空、中国东方航空和中国国际航空跻身前十大航空公司。 俄勒冈州波特兰--(美国商业资讯)--全球航空数据公司Cirium新发布的一份报告称，2020年，超过180家首要航空公司在准点率方面表现良好。《 2020年Cirium 航空公司洞见报告 》(Cirium Airline Insights Review 2020)显示，在疫情之前，达到这一标准的主要航空公司仅有30家。然而自2020年2月以来，超过60%——也就是全球300家航空公司中有180家——实现了90%或以上的准点率。 此新闻稿包含多媒体内容。完整新闻稿可在以下网址查阅： https://www.businesswire.com/news/home/20210104005632/en/ 由于新冠疫情减少了执飞的航班架次，全球前300大航空公司的准点率表现得到了大幅改善。2020年

1. 无耗传输线 低耗传输线的传播常数和特征阻抗可以认为线是无耗的而得到的很好第近似。 无耗传输线中传播常数β为 $$ \beta=\omega\sqrt{LC} $$ 相速是 $$ v=\frac{\omega}{\beta}=\frac{1}{\sqrt{LC}} $$ 波阻抗 $$ Z=\sqrt{\frac{\mu}{\epsilon}} $$ **注意：**传播常数、波阻抗与无耗媒质中的平面波是相同的。 2. 端接负载的传输线 电压反射系数$\Gamma$： $$ \Gamma=\frac{Z_L-Z_0}{Z_L+Z_0} $$ **回波损耗(return loss, RL)：**但负载失配时，不是所有来自源的功率都传给了负载 $$ RL=-20\log |\Gamma| dB $$ 若负载与线是匹配的，则$\Gamma$=0,而且线上电压幅值为常数。然而，当负载失配时，反射波的存在会导致驻波，这时线上的电压幅值不是常数，会沿线起伏。 **驻波比：**可以定义为： $$ \rho=\frac{V_{max}}{V_{min}}=\frac{1+|\Gamma|}{1-|\Gamma|} $$ 传输线的阻抗方程： $$ Z_{in}=Z_0\frac{Z_L+jZ_0tan\beta l}{Z_0+jZ_Ltan\beta l} $$ 2.1 无耗传输线的特殊情况