SI，SIS，SIR，SEIRD模型因为个人工作需要系统地整理SI，SIR以及SEIR模型，故对三个模型进行原理介绍以及对比。文中关于SI，SIS，SIR的所有的截图都来自西工大肖华勇老师在慕课上的分享，原视频戳 这里。SEIRD模型则来自发表在SCI上的paper，想看原文戳这里。SI model作为比较古早的传染病模型（不对指数模型进行介绍），SI model在假设人口总数不变（不发生迁移，出
转载
2024-01-12 10:36:27
304阅读
各种计算的说明SAD（Sum of Absolute Difference）=SAE（Sum of Absolute Error)即绝对误差和 SSD（Sum of Squared Difference）=SSE（Sum of Squared Error)即差值的平方和 SATD（Sum of Absolute Transformed Difference）即hadamard变换后再绝对值求和 M
转载
2024-09-29 11:29:02
103阅读
本文代码基于 python3.6 和 pygame1.9.4。这次，我们来模仿做一个 XP 上的扫雷，感觉 XP 上的样式比 win7 上的好看多了。 原谅我手残，扫雷基本就没赢过，测试的时候我是偷偷的把雷的数量从99改到50才赢了。。。下面将一下我的实现逻辑。首先，如何表示雷和非雷，一开始想的是，建立一个二维数组表示整个区域，0表示非地雷，1表示地雷。后来一想不对，还有标记为地雷，标记为问号，
它与小波变换有着密切的关系，由小波变换描述信号奇异性的特点，我们不难得出，李氏指数也
原创
2022-10-10 15:15:08
518阅读
最近小虎在网课上被老师问到编程写出一指数函数的频谱图，当时鼓捣了1个多钟？？？以前是画过bode图，bode的幅频图是对数幅频图。应该也可以用伯德图直接画的，但是这个问题的关键应该在拉氏变化。5分钟不到的事，要搞那么久，看来是小虎还不太理解拉氏变换。编程工具还是那熟悉的MATLAB。目录拉氏变换简介傅里叶变换vs拉氏变换拉氏变换表频谱图简介示例以及结果方法1定义法频谱图定义结果图完整代码方法2bo
转载
2024-05-24 22:35:59
104阅读
可参考：马尔可夫预测法认为，只要当事物的现在状态为已知时，人们就可以预测其未来的状态，而不需要知道事物的过去状态，即马尔可夫链具有无后效性特征，这也被后人称为马尔可夫性。这一特性避开了其他预测方法在搜集历史资料时所遇到的一系列难题，使得它无论是理论上还是应用上都占有很重要的地位。 因此，检验随机过程是否具有马尔可夫性是应用马尔可夫概型分析的必要前提。第一步、建立转移概率矩阵准确计算整个目标系统的转
转载
2023-10-29 10:25:06
402阅读
巴氏参数、GA算法以及matlab仿真1、内容目录2、极化码编码2.1、引言2.2、极化码编码原理2.2.1、陪集码2.2.2、极化码的构造巴氏参数构造算法高斯近似构造（GA）算法2.3、极化码编码3、总结 1、内容目录开篇1-内容介绍&参考文献概述2-什么是极化码？原理3-Arikan原版论文学习总结编码算法4-巴氏参数、GA算法以及matlab仿真译码算法5-SC算法及matlab仿
转载
2024-01-26 08:23:09
214阅读
官网链接我们模拟二维介电圆柱体的 Mie 散射。 将 FDTD 模拟的角散射结果与解析解进行比较。一、结构设置1.1 光源全场散射场（total-field scattered-field,TFSF）源注入有限跨度的平面波，并将计算区域划分为两个区域。在源区内部同时存在入射场和散射场，而在源区外部只存在散射场。全场散射场源的工作原理是在其边界处，减去直接透射通过源区域或从平坦基板反射的任何光。因此
转载
2023-12-03 07:22:27
632阅读
在计算机领域，沙盒这一概念很早就用以表示一个能够让恶意代码运行其中的安全隔离环境，方便研究人员对恶意代码进行分析。同样的概念现在被网络安全设备用于执行和检查网络信息流，发现那些躲过了传统安全措施的恶意代码。由于能够虚拟仿真整个操作系统，沙盒便可安全地执行可疑代码，以便观察其所作所为。包括文档/磁盘操作、网络连接、注册/系统配置修改等等在内的恶意行为因此暴露无遗，从而消除威胁。为何现在必须采用沙盒技
转载
2023-12-19 20:38:43
21阅读
这里说的数值类型其实是数字的种类 python一共四种数值类型（Number）整型int
浮点型float
布尔型 bool
复数 complex
然后七种常用运算法则：加（+）减（-）乘（*）除（/）取余（%）取整（//）指数（**）数值类型顾名思义，整型就是整数，浮点型就是小数，布尔型数值只有True和False，为0的就是False，其他都是True接下来说一下几种运算法则加法在python
转载
2023-08-25 23:09:29
117阅读
在数据关联中，常常采用马氏距离来计算实际观测特征 j 的距离，从而能较为准确的选出最可能的关联。具体的做法是：D(ij)=sqrt( (-μ(j) )'Σ^(-1)(-μ(j) ) )Z(i)表示当前激光雷达的第i个测量，μ表示EKF或其他算法所维护的地图集合，$\underset{j}{\mathop{\arg \min }}\,{{D}_{ij}}$ 即为所求关联。 技术
转载
2023-10-07 16:08:26
245阅读
# 使用Python计算马氏距离的入门指南
马氏距离是一种度量统计分布之间差异的距离度量，是从多变量统计中衍生而来的。在许多数据分析和机器学习任务中，马氏距离被广泛应用于聚类和异常检测中。本文将帮助你理解如何在Python中实现马氏距离的计算。
## 流程概述
在开始代码实现之前，我们可以先概述整个过程。以下是实现马氏距离的基本步骤：
| 步骤 | 说明
# 如何实现Python卡氏积
## 概述
在这篇文章中，我将教会你如何实现Python中的卡氏积。卡氏积是一种数学运算，用于计算两个矩阵的乘积。首先，我会告诉你整个过程的步骤，并展示每个步骤需要的代码。接着，我会带领你通过实际的代码演示来理解如何实现卡氏积。
## 步骤
下面是实现Python卡氏积的步骤表格：
```mermaid
erDiagram
|步骤1|下载并安装NumPy
原创
2024-02-25 04:46:11
53阅读
在这个快速变化的技术时代，数据备份与恢复变得愈发重要。特别是在出现“python马氏离”这种问题时，有效的备份策略和恢复流程能够帮助我们迅速应对各种突发情况。
### 备份策略
首先，我们需要制定一个清晰的备份策略。以下是我的备份流程图：
```mermaid
flowchart TD
A[确定备份需求] --> B[选择备份工具]
B --> C[配置备份设置]
C
马氏距离(Mahalanobis Distence)是度量学习(metric learning)中一种常用的测度，所谓测度/距离函数/度量(metric)也就是定义一个空间中元素间距离的函数，所谓度量学习也叫做相似度学习。什么是马氏距离似乎是一种更好度量相似度的方法。马氏距离是基于样本分布的一种距离。物理意义就是在规范化的主成分空间中的欧氏距离。所谓规范化的主成分空间就是利用主成分分析对一些数据进
转载
2023-10-07 16:07:11
249阅读
# 巴氏博弈：一种博弈论的应用与Python实现
## 引言
博弈论作为一种研究决策者在冲突中如何选择策略的数学模型，广泛应用于经济学、政治学、生物学等多个领域。其中，巴氏博弈（Battle of the Sexes）是一个经典的博弈论模型，展示了两个参与者在面对选择时的协调与冲突。本文将详细解释巴氏博弈的原理，并通过Python代码实现其模拟。同时，使用流程图和甘特图展示其实现过程。
##
注：此系列文章里的部分算法和深度学习笔记系列里的内容有重合的地方，深度学习笔记里是看教学视频做的笔记，此处文章是看《机器学习实战》这本书所做的笔记，虽然算法相同，但示例代码有所不同，多敲一遍没有坏处，哈哈。（里面用到的数据集、代码可以到网上搜索，很容易找到。）。Python版本3.6一，算法原理：1）贝叶斯公式：a）正向思维： 什么是正向思维？有
说明：篇中的n和N都是同一个意义，大小写不过是为了表现具体和一般形式而已，穿插着用可能让读者容易混淆，请多体谅。一、质数定义指在大于1的整数中，只能被1和它本身整除的数。二、埃氏筛选法最重要的结论：N有因数的话，那么至少有一半的因数不会超过。 举个例子，要判断100是不是质数，100 = 10 X 10，只要有1个因数 > ，必然另1个因数 < ，这样只要判断10以内有无100的因数即
# Python 实现马氏距离（Mahalanobis Distance）
马氏距离是一种衡量多维空间中两点间距离的度量，它考虑了变量之间的相关性，并且能够描述数据的分布特征。本文将带领你一步步实现 Python 中的马氏距离计算。
## 文章结构
1. **什么是马氏距离？**
2. **实现流程概览**
3. **实现步骤详解**
4. **总结**
## 什么是马氏距离？
马氏距离
# Python 马氏模型实现指南
马尔可夫模型（Markov Model）是统计模型之一，通常用于预测序列数据，它强调当前状态仅受前一个状态的影响。本文将引导你通过实际代码实现一个简单的马尔可夫模型，并解释每个步骤的细节。
## 实现流程
以下是实现马尔可夫模型的具体步骤：
| 步骤 | 说明 |
|------|------|
| 1 | 导入必要的库 |
| 2 | 准
