Mrli
别装作很努力,
因为结局不会陪你演戏。
Contacts:
QQ博客园

Mr.li's Blog

Welcome to my Blog!
傅里叶变换->小波变化
傅里叶变换->小波变化 声明:文中大多数内容来自(知乎1335)[https://www.zhihu.com/people/zhi-yuan-ya-77],matlab源代码:1368069096/From_FT_to_WT_examples-,部分为个人理解阐明 一.傅里叶变换FT 基础知识 (FOURIER TRANSFORM,简称FT) 为什么傅里叶变换可以把一个信号从时域变换到频域? 先给出公式,傅里叶变换的形式为:X(w)=∫−∞+∞x(t)e−jwtdtX(w)=\int_{-\infty}^{+\infty} x(t) e^{-j w t} d tX(w)= ...

2019_6月编程笔记
2019_6月编程笔记 注,不少内容比较多,已单独分出去成为独立的文章,更详细的介绍可见这些文章 硬盘格式 fat32 单文件4G, 做引导分区 系统引导程序能读fat32 只能主引导记录,选择能找到efi程序 exfat 支持更大空间,引导识别不了,做不了系统盘 Python all __all__是一个字符串list; 约束作用:用来定义模块中对于from XXX import *时要对外导出的符号,即要暴露的借口,但它只对import *起作用,对from XXX import XXX不起作用。 from njupt.zhengfang import Zhengfang是 ...

新加坡游玩经验
新加坡南洋理工大学访学 此次访学长达14天,不少安排都是学校安排,在此仅列出个人安排、经验心得。 门票购买: 番薯游:这是老师推荐我们的,但下载以后感觉界面还是比较丑的,而且价格也不是非常便宜。这家是唯一一家促进扫码买门票的公司。 KLOOK客路:界面比番薯游好多了,还是非常精致的。最大的优势在于可以找到经典的位置及景点介绍、门票时间等信息。 淘宝:跟好几个平台对比之后,价格应该是最低的,并且时间限制比较小,其他的可能要预约,而TB当天购买就行(强调:动物园门票) ▲特别说明下,动物园的门票水很深。当面购买$50,我当时去时没有预约,结果在KLOOK上看当天的票已经没有库存了,于是问了下 ...

Docker使用
Docker学习 轻部署,省成本,易迁移 docker和虚拟机VM的区别 一、本质上的区别: VM(VMware)在宿主机器、宿主机器操作系统的基础上创建虚拟层、虚拟化的操作系统、虚拟化的仓库,然后再安装应用; Container(Docker容器),在宿主机器、宿主机器操作系统上创建Docker引擎,在引擎的基础上再安装应用。 那么问题来了,没有操作系统,怎么运行程序? 可以在Docker中创建一个ubuntu的镜像文件,这样就能将ubuntu系统集成到Docker中,运行的应用就都是ubuntu的应用。 二、使用上的区别: Size: 虚拟机ubuntu大小为:24.1G ...

验证码识别程序设计流程
验证码识别程序设计流程 以南邮正方教务系统为例 找到验证码图片的链接 “http://jwxt.njupt.edu.cnCheckCode.aspx” 1234567def getCaptcha(): CAPTCHA_URL = "http://jwxt.njupt.edu.cn/CheckCode.aspx" r = requests.get(CAPTCHA_URL) img = r.content img = Image.open(BytesIO(img)) return img 对图片去噪 123456789101112131415161718 ...

机器学习——决策树
机器学习——决策树 决策树基础概念 决策树分为分类树和回归树两种,分类树对离散变量做决策树,回归树对连续变量做决策树。 每个内部节点(非叶子节点)表示一个属性上的测试条件,每个分支代表一个测试输出结果,每个叶节点代表一种类别 决策树分为分类树和回归树两种,分类树对离散变量做决策树,回归树对连续变量做决策树。 决策树的构造过程就是找到这些具有决定性作用的特征,根据其决定性程度来构造一个倒立的树–决定性作用最大的那个特征作为根节点,然后递归找到各分支下子数据集中次大的决定性特征,直至子数据集中所有数据都属于同一类。 特征: 有监督的学习 非参数学习算法 自顶向下递归方式构造决策树 在每一 ...

通信企业管理_线上考试
通信企业管理 看清题目和选项 单选题 1单选(2分) 在总公司领导下设立多个分支,各分支有各自独立的产品和市场,实行独立核算,经营管理上拥有自主性和独立性。这是( A )组织结构。 A.事业部型 B.矩阵型 C.职能型 D.直线型 2单选(2分) 按照最新版《中华人民共和国公司法》规定,股份有限公司的发起人最多不超过( C )。 A.100人 B.50人 C.200人 D.150人 3单选(2分) 工作或行动之前预先拟定具体的工作内容和步骤是管理的( D )职能。 A.组织职能 B.控制职能 C.领导职能 D.计划职能 4单选(2分) 提出“14项管理原则”的 ...

算法设计与分析C_概念点区分
算法设计与分析C 算法5_分治法 分治法——将一个复杂的问题分解成若干个规模较小、相互独立,但类型相同的子问题求解;然后再将各子问题的解组合成原始问题的一个完整答案,这样的问题求解策略就叫分治法。 分治法所能解决的问题一般具有以下几个特征: 该问题的规模缩小到一定的程度就可以容易地解决; 该问题可以分解为若干个规模较小的相同问题; 利用该问题分解出的子问题的解可以合并为该问题的解; 该问题所分解出的各个子问题是相互独立的,即子问题之间不包含公共的子问题。 反复应用分治手段,可以使子问题与原问题类型一致而其规模却不断缩小,最终使子问题缩小到很容易直接求出其解。这自然导致递归过程的产生。 由分 ...

时间序列概念及主要模型
时间序列概念及主要模型 Q:什么是时间序列分析? A:时间序列是按照时间顺序,按照一定时间间隔取得的一系列观测值 Q:怎样做时间序列分析? A:时间序列分析尝试找出序列值在过去呈现的特征模式,假定这种模式在未来能够持续,进而对未来进行预测 时间序列三大特征 序列相关性:当期的序列值和前期某个或某些序列值线性相关 √ 自相关系数(全相关系数)(ACF):用来度量同一事件在不同时期之间的相关程度。ρh=r(h)r(0)\rho_{h}=\frac{r(h)}{r(0)}ρh​=r(0)r(h)​,其中r(h)为h期协方差函数,r(0)为方差 √ 偏自相关系数(PACF):度量去除中间变量 ...

强化学习——QLearning
强化学习——QLearning 价值转移公式只有一条Q(s,a)<=Q(s,a)+/alpha∗(reward−Q(s,a)+/gamma∗maxaQ(s′,a))=(1−/alpha)∗Q(s,a)+/alpha∗(reward+/gamma∗maxaQ(s′,a))Q(s,a) <= Q(s,a) + /alpha*(reward - Q(s,a) + /gamma*max_aQ(s',a)) = (1-/alpha)*Q(s,a) + /alpha*(reward + /gamma*max_aQ(s',a))Q(s,a)<=Q(s,a)+/alph ...

基础知识补充——白噪声、高斯白噪声
白噪声、高斯白噪声 白噪声过程: 对于一个随机变量X(t)(t=1,2,3……),如果是由一个不相关的随机变量的序列构成的,即对于所有s不等于t,随机变量X(t)和X(s)的协方差为零,则称其为纯随机过程。对于一个纯随机过程来说,若其期望为0,方差为常数,则称之为白噪声过程。 白噪声: 白噪声序列,是指白噪声过程的样本实称,简称白噪声[1]。白噪声是**在较宽的频率范围内,各等带宽的频带所含的噪声能量相等的噪声**[2],是一种功率频谱密度为常数的随机信号或随机过程,也就是说,此信号在各个频段上的功率是一样的。 理想的白噪声具有无限的带宽,因而其能量无限大,但这是不可能实际存在的,所以, ...

Word2016配置使用MathType
Word 2016 使用MathType 据说MathType 6.9b后就能与Word 2016兼容了,所以不用特地去找7.0以上的版本,据说更新的功能差别也不是很大。 闲谈 这边的方法是我个人的操作过程,但是感觉应该不是这么搞得。 安装好MathType后,打开word查看工具栏中是否有MathType工具,如果没有的话,则手动选择“插入->获得加载项->应用商店”搜索Mathtype。如果还是没有的话,然后在“选项->加载项->模板”然后指定MathType Commands 6 For Word2016.dotm的路径,之后是能在应用商城搜到Mathty ...

Vim记忆
VIM记忆技巧 增 i(insert) I最前面insert a(append) A最后面append o(open a line)往下开启一行 O往上开启一行 删 d(delete) dw(delet word) dd(删除一行) x(删除一个字符) 拓展 diw(delete inner word) daw(delete around word) 改 c(change) ciw(change inner word) ci"(change inner ") ct)修改到右括号 查 fs(find s) 跳到本行第一个s字符 /往后查找,如/x ...

Sklearn——决策树
Sklearn——决策树 注明:转载自Jack Gui的博客 1、实战背景 进入本文的正题:眼科医生是如何判断患者需要佩戴隐形眼镜的类型的?一旦理解了决策树的工作原理,我们甚至也可以帮助人们判断需要佩戴的镜片类型。 隐形眼镜数据集是非常著名的数据集,它包含很多换着眼部状态的观察条件以及医生推荐的隐形眼镜类型。隐形眼镜类型包括硬材质(hard)、软材质(soft)以及不适合佩戴隐形眼镜(no lenses)。数据来源与UCI数据库,数据集下载地址:[lenses.txt)]([https://github.com/Jack-Cherish/Machine-Learning/blob/ma ...

RL强化学习概念
RL强化学习概念 方法汇总 价值-直接-想象 通过价值选择行为: Q Learning Sarsa Deep Q Network 直接选择行为: Policy Gradients 想象环境并从中学习 Model Based RL 基于模型 Model-Free RL(无模型)不需要去理解环境的含义 Q Learning Sarsa Policy Gradients Model-Based RL(有环境)需要去理解环境的含义,在"脑子"中模拟虚拟环境 Q Learning Sarsa Policy Gradient 前者需要一步一步得到环境 ...

Python爬虫常规流程
Python爬虫常规流程 以爬取有道翻译为例子。 挖取可自用的API web 端的有道翻译,在之前是直接可以爬的。也就是说只要获取到了他的接口,你就可以肆无忌惮的使用他的接口进行翻译而不需要支付任何费用。那么自从有道翻译推出他的API服务的时候,就对这个接口做一个反爬虫机制(如果大家都能免费使用到他的翻译接口,那他的APl服务怎么赚钱)。这个反爬虫机制在爬虫领域算是一个非常经典的技术手段。 1.查看要爬取的内容是否是静态加载的。 比如在翻译输入框中输入apple,翻译输出框中会出现苹果,然后在``页面中右键->查看网页源代码,直接Ctrl+F搜索是否存在apple或者苹果`,如果 ...

Linux三剑客
Linux三剑客 bash命令执行顺序 把命令行分成单个命令词 展开别名 展开大括号的声明({}) 展开波浪符声明(~) 命令替换$0和") 再次把命令行分成命令词 展开文件通配(*、?、[abc]等等) 准备I/0重导向(<、>) 运行命令 文件查找 非实时搜索locate 速度快 更新updatabase 实时搜索工具find 搜索速度略慢 精确查找 只能搜索用户具备读取和执行权限的目录 sed(Stream EDitor): sed使用单引号 sed -n '22,$p' test 指令解释:常用选项[-n],‘地址定界[22,$],编辑命 ...

Let's Encrypt安装配置nginx的SSL证书教程
Let’s Encrypt 安装配置nginx的SSL证书教程 使用cerbot生成证书 安装Let’s Encrypt 安装非常简单直接克隆就可以了 1git clone https://github.com/letsencrypt/letsencrypt 如果网速较慢(国外服务器应该快点) 1.可以登录https://github.com/letsencrypt/letsencrypt,下载后通过lrzsz传到云服务器上,再解压 2.修改hosts 查找域名对应的ip地址,并修改hosts文件 123456789101112131415linuxidc@linuxidc:~/linu ...

CDN加速个人博客——又拍云
CDN加速个人博客——又拍云 CDN(Content Delivery Network)内容发布网络,基本思路就是将你网站放置在各地节点服务器,用户访问时找最近的节点服务器获取数据,达到加速的目的。 几大厂商的CDN方案 资费介绍页面 免费额度 是否支持HTTPS 额外限制 注册邀请链接 七牛云 10GB/月 按量付费支持 / >>> 点击注册 腾讯云 10GB/月 免费支持 加了腾讯云CDN没有感觉多大加速 / 百度云 10GB/天 年费付费支持 巨贵… / 又拍云 15GB/月 免费支持 加入又拍云联盟,并在网站底部放置logo > ...

ACM-博弈论
ACM-博弈论(gambling) 博弈论:是二人或多人在平等的对局中各自利用对方的策略变换自己的对抗策略,达到取胜目标的理论。假设,双方每步都是最优决策 博弈论是研究互动决策的理论。博弈可以分析自己与对手的利弊关系,从而确立自己在博弈中的优势,因此有不少博弈理论,可以帮助对弈者分析局势,从而采取相应策略,最终达到取胜的目的。 巴什博弈 只有一堆n个物品,两个人轮流从这堆物品中取物,规定每次至少取一个,最多取m个。最后取光者得胜。 显然,如果n=m+1,1那么由于一次最多只能取m个,所以,无论先取者拿走多少个,后取者都能够一次拿走剩余的物品,后者取胜。因此我们发现了先手如何取胜的法 ...