omega

总览 算法 功能 树结构 特征选择 连续值处理 缺失值处理 剪枝 ID3 分类 多叉树 信息增益 不支持 不支持 不支持 C4.5 分类 多叉树 信息增益比 支持 支持 支持 CART 分类/回归 二叉树 基尼系数,均方差 支持 支持 支持 论文链接： ID3： https://link.springer.com/content/pdf/10.1007%2FBF00116251.pdf 　　 C4.5： https://link.springer.com/content/pdf/10.1007%2FBF00993309.pdf sklearn库： https://www.studyai.cn/modules/tree.html 每个样本的输出概率prob：对于一个叶子节点，该叶子节点预测类别对应的训练样本数占该叶子节点所有训练样本数的比例。 决策树可视化： https://www.cnblogs.com/pinard/p/6056319.html 1.ID3（分类） 信息熵： 随机变量不确定性的度量 $$H(D) = -\sum\limits_{k=1}^{K}\frac{|C_k|}{|D|}log_2\frac{|C_k|}{|D|}$$ 条件信息熵：在特征A给定的条件下对数据集D分类的不确定性 $$H(D|A) = -\sum\limits_{i=1}^{n}\frac{|D

本篇文章仅用于技术交流学习和研究的目的，严禁使用文章中的技术用于非法目的和破坏，否则造成一切后果与发表本文章的作者无关 靶机下载之后使用仅主机模式加载到本地VMware Workstation工作站，需要发现目标靶机的IP地址，可以使用nmap，netdiscover，或者arp之类的工具 arp-scan 例如:sudo arp-scan -I eth1 -l 当然也是可以使用Windows环境下mac地址扫描工具都是可以的，那么本次演示就是arp-scan工具发现 地址：https://www.vulnhub.com/entry/nullbyte-1,126/ nmap结果如下: 根据扫描的结果发现开放了80 端口，直接访问80端口 然后看都不看习惯使用dirb命令爆破猜测下目标靶机的目录，命令 dirb http://192.168.56.103 发现扫描出来了很多关于phpmyadmin的目录，在这个地方我尝试使用phpmyadmin的渗透技巧去测试，但是都没有结果，包括的方法有，默认账号密码，密码爆破，默认路径，确认目标版本看是否存在Nday，等操作，但实际突破口并不是在这里，于是峰回路转还是再看回来看下刚开始访问的那个首页的默认图片，将目标图片下载下来使用strings命令查看 还是发现了一些敏感信息 kzMb5nVYJw 刚开始以为这是密码，后来尝试发现这是个目录路径

由于day2在考场上错误的先开了T3，导致T2只打满了暴力。。。T1暴力都没打满。。。 最后T3虽然想出了正解却因为计算几何的某些细节不会处理而gg掉了(平时不学计算几何活该gg)，只得了20分。。。 于是只有132分，被大众分虐暴QWQWQWQWQWQ 其实T2的正解只要想到了 最后一个部分分就差不多会做啦。。。。 由于一个1和0 位移差的绝对值的 所以约数的位移差 的border 都不可行，所以正着的[ s[i] == '1' ] 和 倒着的 [ s[i] == '0' ] 卷一下，就可以判断哪些位移是可行的(不考虑被倍数覆盖的)，然后再一个调和级数考虑倍数覆盖就好啦。。。 至于卷积写个FFT就ojbk了，注意eps不要开太小。。。不然会gg #include<cstdio> #include<cstdlib> #include<algorithm> #include<ctime> #include<iostream> #include<complex> #include<cmath> #include<cstring> #define ll long long #define D double #define E complex<double> using namespace std; const int maxn=1100005; const D eps=1e-6,pi

前言 2019年的考试说明中对运算能力的详细描述是这样的：会根据法则、公式进行变形和正确运算，能根据问题的条件寻找与设计合理、简捷的运算途径，能根据问题要求进行<font color="red">估算或近似计算</font>。 运算求解能力是思维能力和运算技能的结合。运算包括对数值的计算和近似计算，对数学表达式的变形，对几何图形相关几何量的计算求解等。运算求解能力包括分析运算条件、探究运算方向、选择运算公式、确定运算程序等一系列过程中的思维能力，也包括在实施运算过程中遇到障碍而调整运算的能力。 对运算求解能力的考查，不仅包括数的运算，还包括式的运算，兼顾对算理和逻辑推理的考查。考查主要是以含字母的式的运算为主，包括数字的计算、代数式和某些超越式的恒等变形、集合的运算、解方程与不等式、三角恒等变形、求导运算、概率计算、向量运算和几何图形中的计算等。运算结果具有存在性、确定性和最简性。 运算求解能力是一项基本能力，在代数、三角函数、立体几何、平面解析几何、统计与概率、导数、向量等内容中都有所体现。运算的作用不仅是只求出结果，有时还可以辅助证明(以算代证)。运算能力是最基础的又是应用最广的一种能力，高考中对运算求解能力的考查主要体现在运算的合理性、准确性、熟练性、简捷性。 近似计算 根式：$\sqrt{2}=1.414\cdots$；$\sqrt{3}=1.732\cdots$；$

幅度调制 （线性调制）是由调制信号去控制高频载波的幅度，使之调制信号的频谱线性变化。 载波信号：$ c(t) = A\cos\omega_ct $，基带信号为m(t)，则已调信号为：（设基带信号m(t)的频谱为$M(\omega)$） $$ s_m(t)=Am(t)\cos\omega_ct $$ $$ S_m(\omega)= \frac{A}{2}[M(\omega + \omega_c) + M(\omega - \omega_c) ] $$ 可以看到，幅度调制就是把基带信号的频谱搬移到$\omega_c$处，再乘以1/2 。是线性变换。 AM调制 $$s_{AM}(t) =[A_0+m(t)]\cos\omega_ct$$ $$ S_{AM}=\pi A_0 [ \delta(\omega + \omega_c) + \delta(\omega - \omega_c) ] + \frac{1}{2}[M(\omega + \omega_c) + M(\omega - \omega_c) ] $$ 为使用包络检波的方式进行解调，要求 $|m(t)|<=A_0$ clear all; %% AM调制 fs = 800; % 采样速率，单位kHz dt=1/fs; % 采样时间间隔，单位ms T = 200; % 采样的总时间。频谱分辨率（df=1/T）。 t = 0 : dt

[toc] @0 - 参考资料@ Miskcoo's Space 的讲解 @1 - 一些概念@ 多项式的系数表示法 ：形如 $A(x)=a_0+a_1x+...+a_{n-1}x^{n-1}$。 多项式的点值表示法 ：对于 n-1 次多项式 $A(x)$，我们选取 n 个 不同 的值 $x_0, x_1, ... , x_{n-1}$ 代入 $A(x)$，得到 $y_i=A(x_i)$。则 $(x_0, y_0),...,(x_{n-1},y_{n-1})$ 称为多项式的点值表示。 把多项式系数当作 n 个变量，n 个点当作 n 个线性方程，可以用高斯消元求得唯一解。因此，我们可以用这 n 个点唯一表示 A(x) 。 注意，一个多项式的点值表示法并不是唯一的。 如果用点值表示法的多项式作乘法，可以直接把纵坐标相乘，在 O(n) 的时间实现多项式乘法。 FFT（快速傅里叶变换）可以实现 O(nlog n) 的 点值表示 与 系数表示 之间的转换。 一个解释多项式乘法原理的图： 复数 ：复数简单来说就是 $a + bi$，其中$i^2=-1$。可以发现复数 $a + bi$ 与二维平面上的向量 $(a, b)$ 一一对应。 复数的乘法可以直接(a + bi)(c + di)展开相乘。但是几何上复数乘法还有另一种解释： 这样定义下，复数的乘法为模长相乘，幅角相加。 单位根 ：定义 n

这可能是我第五次学FFT了……菜哭qwq 先给出一些个人认为非常优秀的参考资料： 一小时学会快速傅里叶变换（Fast Fourier Transform） - 知乎 小学生都能看懂的FFT！！！ - 胡小兔 - 博客园 快速傅里叶变换（FFT）用于计算两个$n$次多项式相乘，能把复杂度从朴素的$O(n^2)$优化到$O(nlog_2n)$。一个常见的应用是计算大整数相乘。 本文中所有多项式默认$x$为变量，其他字母均为常数。所有角均为弧度制。 一、多项式的两种表示方法 我们平时常用的表示方法称为“ 系数表示法 ”，即 $$A(x)=\sum _{i=0}^n a_ix^i$$ 上面那个式子也可以看作一个以$x$为自变量的$n$次函数。用$n+1$个点可以确定一个$n$次函数（自行脑补初中学习的二次函数）。所以，给定$n+1$组$x$和对应的$A(x)$，就可以求出原多项式。用$n+1$个点表示一个$n$次多项式的方式称为“ 点值表示法 ”。 在“点值表示法”中，两个多项式相乘是$O(n)$的。因为对于同一个$x$，把它代入$A$和$B$求值的结果之积就是把它带入多项式$A\times B$求值的结果（这是多项式乘法的意义）。所以把点值表示法下的两个多项式的$n+1$个点的值相乘即可求出两多项式之积的点值表示。 线性复杂度点值表示好哇好 但是，把系数表示法转换成点值表示法需要对$n

如果说出题人给了你一个卷积的话，那么你应该也友好的回赠他一个FFT; -------------FFT ·一个问题： FFT的作用是：给定两个多项式，在nlgn内求出其乘积多项式。 · 多项式的两种表达： 多项式$\sum_{i = 0}^{n-1}a_i*x^i$可以用系数$(a_1,a_2,a_3,…,a_{n-1})$来表示；也可以用点值${(x_0,y_0),(x_1,y_1),…,(x_{n-1},y_{n-1})}$，其中$y_i$为$x_i$处对应的值。可以 证明 ，一个次数界为n的多项式需要至少n个点值确定。（ 少了正确性难以保证 ） 对于多项式的运算，可以先求出各个多项式在某些点的点值，转化成对应点值的运算,求出最后的点值向量，最后插值求出结果。上述是FFT的基本思路，或者说FFT进行了上述两步转化。 ·关于复数： ①复数的指数形式定义: $e^{\pm iu}=cos(u) \pm isin(u)$ 证明 ： $ e^x = 1 +\frac{x}{1!} + \frac{x^2}{2!} + \frac{x^3}{3!} + … $ $cos(x) = 1 – \frac{x^2}{2!} + \frac{x^4}{4!} - \frac{x^6}{6!} + … $ $sin(x) = x – \frac{x^3}{3!} + \frac{x^5}{5!}

https://www.cnblogs.com/LXP-Never/p/12239399.html 作者：凌逆战 地址： https://www.cnblogs.com/LXP-Never/p/12051532.html 波束成型 （Beamforming）又叫 波束赋形 、 空域滤波 作用 ：对多路麦克风信号进行合并处理， 抑制非目标方向 的干扰信号， 增强目标方向 的声音信号。 原理 ：调整相位阵列的基本单元参数，使得某些角度的信号获得相长干涉，而另一些角度的信号获得相消干涉。对各个阵元输出信号加权求和、滤波，最终输出期望方向的语音信号，相当于形成一个“波束”。 远场 ：由于信号源到阵列的距离远大于阵元间距， 不同阵元接收信号的 幅度差异较小 ，因此把不同阵元采集的语音信号的幅值认为都是一样的，只需对各阵元接收信号的 相位差异 进行处理即可。 近场 ：不同阵元 接收到的信号幅度 受信号源到各 阵元距离差异 的影响非常明显，需考虑信号源到达不同阵元的 波程差 。 问题： 通常的阵列处理多为窄带，使得传统的窄带信号处理方法的缺点逐渐显现出来。语音信号的频率范围为300~3400Hz，没有经过调制过程，且高低频相差比较大，不同阵元的相位延时与声源的频率关系密切，使得现有的窄带波束形成方法不再适用 信噪比比较低和混响影响比较高的环境下难以准确估计波达方向

文章目录 数字特征相关 积分相关 一个积分的计算 傅里叶变换相关 常用连续傅里叶变换对 连续傅里叶变换性质 三角函数相关 积化和差公式 数字特征相关 X ( t ) X(t) X ( t ) R X ( τ ) R_X(\tau) R X ​ ( τ ) S X ( ω ) S_X(\omega) S X ​ ( ω ) a X ( t ) aX(t) a X ( t ) ∣ a ∣ 2 R X ( τ ) \lvert{a}\rvert^2R_X(\tau) ∣ a ∣ 2 R X ​ ( τ ) ∣ a ∣ 2 S X ( ω ) \lvert{a}\rvert^2S_X(\omega) ∣ a ∣ 2 S X ​ ( ω ) d X ( t ) d t \frac{dX(t)}{dt} d t d X ( t ) ​ − d 2 R X ( τ ) d τ 2 -\frac{d^2R_X(\tau)}{d\tau^2} − d τ 2 d 2 R X ​ ( τ ) ​ ω 2 S X ( ω ) \omega^2S_X(\omega) ω 2 S X ​ ( ω ) d n X ( t ) d t n \frac{d^nX(t)}{dt^n} d t n d n X ( t ) ​ ( − 1 ) n d 2 n R X ( τ ) d τ 2 n (-1)^n\frac