当前位置: 首页 > news >正文

概率论原理精解【3】

文章目录

  • 向量值
    • 向量值函数导数
    • 对称矩阵
      • 定义
      • 性质
      • 例子
      • 应用
    • 向量值理论基础
      • 定义
      • 性质
      • 应用
      • 示例
    • 向量值函数的导数
      • 定义
      • 性质
      • 应用

向量值

向量值函数导数

  • D n ⊂ R n , 向量值函数 f : D n → R m D^n \subset R^n,向量值函数f:D^n\rightarrow R^m DnRn,向量值函数f:DnRm
    1. 向量值函数 f = ( f 1 , f 2 , . . . , f m ) T ,称 f i 为坐标函数 2. 复合函数 f i : π i ∘ f , i = 1 , 2 , . . . , m π i : R m → R , x → x i 为坐标映射。 3. f i : D n → R 的导数定义为: f ˙ i ( x ) = d d x f i ( x ) = ( ∂ ∂ x 1 f i ( x ) , ∂ ∂ x 2 f i ( x ) , . . . . ∂ ∂ x n f i ( x ) ) 4. f ˙ ( x ) = ∂ ∂ x f ( x ) = ( d d x f 1 ( x ) d d x f 2 ( x ) . . . d d x f m ( x ) ) = ( ∂ ∂ x 1 f 1 ( x ) ∂ ∂ x 2 f 1 ( x ) . . . ∂ ∂ x n f 1 ( x ) ∂ ∂ x 1 f 2 ( x ) ∂ ∂ x 2 f 2 ( x ) . . . ∂ ∂ x n f 2 ( x ) . . . . . . . . . ∂ ∂ x 1 f m ( x ) ∂ ∂ x 2 f m ( x ) . . . ∂ ∂ x n f m ( x ) ) m × n 1.向量值函数f=(f_1,f_2,...,f_m)^T,称f_i为坐标函数 \\2.复合函数f_i:\pi_i \circ f,i=1,2,...,m \\\pi_i:R^m\rightarrow R,x \rightarrow x_i为坐标映射。 \\3.f_i:D^n \rightarrow R的导数定义为: \\\dot f_i(x)=\frac d {dx}f_i(x)=(\frac {\partial} {\partial x_1}f_i(x),\frac {\partial} {\partial x_2}f_i(x),....\frac {\partial} {\partial x_n}f_i(x)) \\4.\dot f(x)=\frac {\partial} {\partial x}f(x)=\begin{pmatrix} \frac d {dx}f_1(x) \\ \frac d {dx}f_2(x)\\ ...\\ \frac d {dx}f_m(x) \end{pmatrix} \\=\begin{pmatrix} \frac {\partial} {\partial x_1}f_1(x)& \frac {\partial} {\partial x_2}f_1(x)& ...&\frac {\partial} {\partial x_n}f_1(x) \\ \frac {\partial} {\partial x_1}f_2(x)& \frac {\partial} {\partial x_2}f_2(x)& ...&\frac {\partial} {\partial x_n}f_2(x) \\ ... & ...&...\\ \frac {\partial} {\partial x_1}f_m(x)& \frac {\partial} {\partial x_2}f_m(x)& ...&\frac {\partial} {\partial x_n}f_m(x) \\ \end{pmatrix}_{m \times n} 1.向量值函数f=(f1,f2,...,fm)T,称fi为坐标函数2.复合函数fi:πif,i=1,2,...,mπi:RmR,xxi为坐标映射。3.fi:DnR的导数定义为:f˙i(x)=dxdfi(x)=(x1fi(x),x2fi(x),....xnfi(x))4.f˙(x)=xf(x)= dxdf1(x)dxdf2(x)...dxdfm(x) = x1f1(x)x1f2(x)...x1fm(x)x2f1(x)x2f2(x)...x2fm(x)............xnf1(x)xnf2(x)xnfm(x) m×n
  • 向量值函数 f : R 3 → R 2 向量值函数f:R^3\rightarrow R^2 向量值函数fR3R2 f ( x , y , z ) = f(x,y,z)= f(x,y,z)=
    ( 7 x 5 − 3 y 3 c o s z 8 x 7 + e y z ) m = 2 , n = 3 , f 的导数 = ( 35 x 4 9 y 2 c o s z 3 y 3 s i n z 56 x 6 e y z e y ) 2 × 3 \begin{pmatrix} \\7x^5-3y^3cosz \\8x^7+e^yz \end{pmatrix} \\m=2,n=3,f的导数= \\\begin{pmatrix} \\35x^4 & 9y^2cosz & 3y^3sinz \\56x^6 & e^yz & e^y \end{pmatrix}_{2\times 3} 7x53y3cosz8x7+eyz m=2,n=3,f的导数= 35x456x69y2coszeyz3y3sinzey 2×3
  • a = ( a 1 , a 2 . . . , a n ) T 是常数向量, x = ( x 1 , x 2 , . . . x n ) T 是变量 a=(a_1,a_2...,a_n)^T是常数向量,x=(x_1,x_2,...x_n)^T是变量 a=(a1,a2...,an)T是常数向量,x=(x1,x2,...xn)T是变量
    ∂ ( a T x ) ∂ ( x ) = ∂ ( x T a ) ∂ ( x ) = a T \frac {\partial(a^Tx)} {\partial(x)}=\frac {\partial(x^Ta)} {\partial(x)}=a^T (x)(aTx)=(x)(xTa)=aT
  • 若 A = ( a i j ) m × n 是常数矩阵 , x = ( x 1 , x 2 , . . . x n ) T 是变量,则 若A=(a_{ij})_{m \times n}是常数矩阵,x=(x_1,x_2,...x_n)^T是变量,则 A=(aij)m×n是常数矩阵,x=(x1,x2,...xn)T是变量,则
    ∂ ( A x ) ∂ ( x ) = A \frac {\partial(Ax)} {\partial(x)}=A (x)(Ax)=A
  • 若 A = ( a i j ) m × n 是常数矩阵 ( 不要求对称 ) , x = ( x 1 , x 2 , . . . x n ) T 是变量,则 若A=(a_{ij})_{m \times n}是常数矩阵(不要求对称),x=(x_1,x_2,...x_n)^T是变量,则 A=(aij)m×n是常数矩阵(不要求对称)x=(x1,x2,...xn)T是变量,则
    ∂ ( x T A x ) ∂ ( x ) = x T ( A + A T ) , A 对称时, ∂ ( x T A x ) ∂ x = 2 x T A \frac {\partial(x^TAx)} {\partial(x)} = x^T(A+A^T),A对称时,\frac {\partial(x^TAx)} {\partial x}=2x^TA (x)(xTAx)=xT(A+AT),A对称时,x(xTAx)=2xTA

对称矩阵

对称矩阵(Symmetric Matrix)是一个方阵,其满足矩阵的转置等于它本身,即对于任意的矩阵元素 a i j a_{ij} aij,都有 a i j = a j i a_{ij} = a_{ji} aij=aji。这意味着矩阵沿主对角线是对称的。在数学中,特别是线性代数、矩阵理论和统计学等领域,对称矩阵有着广泛的应用。

定义

A A A是一个 n × n n \times n n×n的矩阵,如果满足条件 A T = A A^T = A AT=A(其中 A T A^T AT A A A的转置矩阵),则称 A A A为对称矩阵。

性质

  1. 对角线上的元素都是实数:因为 a i i = a i i T = a i i a_{ii} = a_{ii}^T = a_{ii} aii=aiiT=aii,所以对角线上的元素不变。
  2. 关于主对角线对称 a i j = a j i a_{ij} = a_{ji} aij=aji,即矩阵的任意元素关于主对角线对称。
  3. 特征值都是实数:对称矩阵的所有特征值都是实数,且其特征向量可以选择为正交的。
  4. 可以对角化:对称矩阵可以通过相似变换对角化,即存在一个可逆矩阵 P P P,使得 P − 1 A P P^{-1}AP P1AP是对角矩阵。
  5. 在二次型中的应用:对称矩阵在二次型理论中起着重要作用,因为任意二次型都可以表示为一个对称矩阵的二次形式。

例子

A = ( 2 3 4 3 0 5 4 5 6 ) A = \begin{pmatrix} 2 & 3 & 4 \\ 3 & 0 & 5 \\ 4 & 5 & 6 \end{pmatrix} A= 234305456

由于 A T = A A^T = A AT=A(可以通过验证每个元素 a i j = a j i a_{ij} = a_{ji} aij=aji来确认),所以 A A A是一个对称矩阵。

应用

对称矩阵在物理、工程、统计学等领域有着广泛的应用。例如,在物理学中,许多物理量(如应力、应变、电势等)的矩阵表示都是对称的;在统计学中,协方差矩阵就是一个对称矩阵,它描述了多个随机变量之间的线性关系。此外,在数值分析和机器学习等领域,对称矩阵的对角化也是常用的技术之一。

向量值理论基础

向量值函数是数学中的一个重要概念,特别是在多元微积分和向量分析中。它是指一个函数,其输出是一个向量,而不是一个单一的标量值。这种函数通常用于描述在多维空间中随时间或其他变量变化的量。

定义

向量值函数可以定义为:

r ( t ) = ⟨ x ( t ) , y ( t ) , z ( t ) ⟩ \mathbf{r}(t) = \langle x(t), y(t), z(t) \rangle r(t)=x(t),y(t),z(t)⟩

其中, t t t 是一个实数变量(通常是时间),而 x ( t ) x(t) x(t) y ( t ) y(t) y(t) z ( t ) z(t) z(t) 是关于 t t t 的三个实值函数,分别表示向量在三维空间中的 x x x y y y z z z 分量。

性质

向量值函数具有一些重要的性质,包括:

  1. 可加性:如果 r ( t ) \mathbf{r}(t) r(t) s ( t ) \mathbf{s}(t) s(t) 是两个向量值函数,则它们的和 r ( t ) + s ( t ) \mathbf{r}(t) + \mathbf{s}(t) r(t)+s(t) 也是一个向量值函数,其分量为对应分量之和。

  2. 数乘:对于任意实数 k k k k r ( t ) k\mathbf{r}(t) kr(t) 也是一个向量值函数,其分量为原函数分量的 k k k 倍。

  3. 导数:向量值函数关于其变量的导数(如果存在)是一个新的向量值函数,其分量为原函数各分量关于该变量的导数。

  4. 积分:向量值函数也可以进行积分运算,得到的结果是一个向量值函数(定积分)或一个向量场(不定积分或曲线积分)。

应用

向量值函数在物理学、工程学、计算机科学和经济学等多个领域都有广泛的应用。以下是一些例子:

  1. 物理学:在物理学中,向量值函数常用于描述质点的位置、速度、加速度等物理量。例如,质点的位置随时间变化的函数就是一个向量值函数。

  2. 工程学:在工程学中,向量值函数可用于描述机械系统的位移、速度、加速度以及力、力矩等物理量。此外,它们还用于分析电路中的电流和电压等。

  3. 计算机科学:在计算机图形学和动画中,向量值函数用于描述物体的运动轨迹、旋转和变形等。

  4. 经济学:在经济学中,向量值函数可用于描述多个经济变量的变化关系,如供需关系、价格变动等。

示例

考虑一个简单的例子,一个质点在三维空间中沿直线运动,其位置随时间变化的函数为:

r ( t ) = ⟨ t , 2 t , 3 t ⟩ \mathbf{r}(t) = \langle t, 2t, 3t \rangle r(t)=t,2t,3t

这个向量值函数表示质点在 x x x y y y z z z 方向上的位移分别是 t t t 2 t 2t 2t 3 t 3t 3t。对这个函数求导,我们得到质点的速度向量:

r ′ ( t ) = ⟨ 1 , 2 , 3 ⟩ \mathbf{r}^{\prime}(t) = \langle 1, 2, 3 \rangle r(t)=1,2,3

这表明质点在每个方向上的速度都是恒定的,且速度向量与 t t t 无关。

向量值函数的导数

也称为向量函数的导数或向量场的导数,是多元微积分中的一个重要概念。它描述了向量值函数如何随着其输入变量的变化而变化。

定义

设有一个向量值函数 r ( t ) = ⟨ x ( t ) , y ( t ) , z ( t ) ⟩ \mathbf{r}(t) = \langle x(t), y(t), z(t) \rangle r(t)=x(t),y(t),z(t)⟩,其中 t t t 是实数变量, x ( t ) x(t) x(t) y ( t ) y(t) y(t) z ( t ) z(t) z(t) 是关于 t t t 的实值函数。向量值函数 r ( t ) \mathbf{r}(t) r(t) 的导数定义为:

r ′ ( t ) = lim ⁡ Δ t → 0 r ( t + Δ t ) − r ( t ) Δ t \mathbf{r}^{\prime}(t) = \lim_{{\Delta t \to 0}} \frac{\mathbf{r}(t + \Delta t) - \mathbf{r}(t)}{\Delta t} r(t)=Δt0limΔtr(t+Δt)r(t)

这可以进一步展开为:

r ′ ( t ) = lim ⁡ Δ t → 0 ⟨ x ( t + Δ t ) , y ( t + Δ t ) , z ( t + Δ t ) ⟩ − ⟨ x ( t ) , y ( t ) , z ( t ) ⟩ Δ t \mathbf{r}^{\prime}(t) = \lim_{{\Delta t \to 0}} \frac{\langle x(t + \Delta t), y(t + \Delta t), z(t + \Delta t) \rangle - \langle x(t), y(t), z(t) \rangle}{\Delta t} r(t)=Δt0limΔtx(t+Δt),y(t+Δt),z(t+Δt)⟩x(t),y(t),z(t)⟩

= lim ⁡ Δ t → 0 ⟨ x ( t + Δ t ) − x ( t ) Δ t , y ( t + Δ t ) − y ( t ) Δ t , z ( t + Δ t ) − z ( t ) Δ t ⟩ = \lim_{{\Delta t \to 0}} \left\langle \frac{x(t + \Delta t) - x(t)}{\Delta t}, \frac{y(t + \Delta t) - y(t)}{\Delta t}, \frac{z(t + \Delta t) - z(t)}{\Delta t} \right\rangle =Δt0limΔtx(t+Δt)x(t),Δty(t+Δt)y(t),Δtz(t+Δt)z(t)

= ⟨ x ′ ( t ) , y ′ ( t ) , z ′ ( t ) ⟩ = \langle x^{\prime}(t), y^{\prime}(t), z^{\prime}(t) \rangle =x(t),y(t),z(t)⟩

其中 x ′ ( t ) x^{\prime}(t) x(t) y ′ ( t ) y^{\prime}(t) y(t) z ′ ( t ) z^{\prime}(t) z(t) 分别是 x ( t ) x(t) x(t) y ( t ) y(t) y(t) z ( t ) z(t) z(t) 关于 t t t 的导数。

性质

  1. 线性性:如果 r ( t ) \mathbf{r}(t) r(t) s ( t ) \mathbf{s}(t) s(t) 是向量值函数,且 a a a b b b 是常数,则

    ( a r + b s ) ′ ( t ) = a r ′ ( t ) + b s ′ ( t ) (a\mathbf{r} + b\mathbf{s})^{\prime}(t) = a\mathbf{r}^{\prime}(t) + b\mathbf{s}^{\prime}(t) (ar+bs)(t)=ar(t)+bs(t)

  2. 乘积法则(对于标量函数和向量值函数的乘积):如果 f ( t ) f(t) f(t) 是标量函数, r ( t ) \mathbf{r}(t) r(t) 是向量值函数,则

    ( f r ) ′ ( t ) = f ′ ( t ) r ( t ) + f ( t ) r ′ ( t ) (f\mathbf{r})^{\prime}(t) = f^{\prime}(t)\mathbf{r}(t) + f(t)\mathbf{r}^{\prime}(t) (fr)(t)=f(t)r(t)+f(t)r(t)

    注意,这里的乘积是标量与向量的乘积,结果仍为向量。

  3. 链式法则:如果 u = g ( t ) u = g(t) u=g(t) 是一个可微函数,且 r ( u ) \mathbf{r}(u) r(u) 是一个向量值函数,则复合函数 r ( g ( t ) ) \mathbf{r}(g(t)) r(g(t)) 的导数为

    d d t r ( g ( t ) ) = r ′ ( g ( t ) ) ⋅ g ′ ( t ) \frac{d}{dt}\mathbf{r}(g(t)) = \mathbf{r}^{\prime}(g(t)) \cdot g^{\prime}(t) dtdr(g(t))=r(g(t))g(t)

    其中 r ′ ( g ( t ) ) \mathbf{r}^{\prime}(g(t)) r(g(t)) 是向量值函数在 g ( t ) g(t) g(t) 处的导数,而 g ′ ( t ) g^{\prime}(t) g(t) g ( t ) g(t) g(t) 的导数,这里的乘法是标量与向量的乘法。

应用

向量值函数的导数在物理学、工程学以及许多其他领域都有广泛应用。例如,在物理学中,它可以用来描述质点的速度(位置向量的导数)和加速度(速度向量的导数)。在工程学中,它可以用来分析曲线的切线方向和曲率等几何特性。

相关文章:

概率论原理精解【3】

文章目录 向量值向量值函数导数对称矩阵定义性质例子应用 向量值理论基础定义性质应用示例 向量值函数的导数定义性质应用 向量值 向量值函数导数 D n ⊂ R n , 向量值函数 f : D n → R m D^n \subset R^n,向量值函数f:D^n\rightarrow R^m Dn⊂Rn,向量值函数f:Dn→Rm 1. 向量…...

[C/C++入门][循环]14、计算2的幂(2的n次方)

计算2的幂&#xff08;即2的n次方&#xff09;非常经典。你懂几种方法呢&#xff1f;很多人只会一种&#xff0c;我们来分析一下。 可以通过多种方式实现&#xff1a; 1、最简单的方法之一是使用位运算符<<&#xff0c;它本质上是在二进制表示下对2进行左移操作&#x…...

RPC与服务的注册发现

文章目录 1. 什么是远程过程调用(RPC)?2. RPC的流程3. RPC实践4. RPC与REST的区别4.1 RPC与REST的相似之处4.2 RPC与REST的架构原则4.3 RPC与REST的主要区别 5. RPC与服务发现5.1 以zookeeper为服务注册中心5.2 以etcd为服务注册中心 6. 小结参考 1. 什么是远程过程调用(RPC)?…...

3112. 访问消失节点的最少时间 Medium

给你一个二维数组 edges 表示一个 n 个点的无向图&#xff0c;其中 edges[i] [ui, vi, lengthi] 表示节点 ui 和节点 vi 之间有一条需要 lengthi 单位时间通过的无向边。 同时给你一个数组 disappear &#xff0c;其中 disappear[i] 表示节点 i 从图中消失的时间点&#xff0…...

FastAPI 学习之路(五十二)WebSockets(八)接受/发送json格式消息

前面我们发送的大多数都是text类型的消息&#xff0c;对于text消息来说&#xff0c;后端处理出来要麻烦的多&#xff0c;那么我们可以不可以传递json格式的数据&#xff0c;对于前后端来说都比较友好&#xff0c;答案是肯定的&#xff0c;我们需要做下处理。 首先&#xff0c;…...

Go语言并发编程-案例_3

案例 并发目录大小统计 业务逻辑 统计目录的文件数量和大小&#xff08;或其他信息&#xff09;。示例输出&#xff1a; // 某个目录&#xff1a;2637 files 1149.87 MB 实现思路 给定一个或多个目录&#xff0c;并发的统计每个目录的size&#xff0c;最后累加到一起。 当…...

pikachu之跨站脚本攻击(x‘s‘s)

1get型 输入a看一下 接着输入<a> 发现<>没有被过滤当做标签处理了 尝试在表单提交的框里面&#xff0c;输入xss语句 尝试输入<script>alert(1)</script> 发现有长度限制 因为这里是get请求 get请求的特点是&#xff1a;传参是在url中的 所以我们可以在…...

Qt模型/视图架构——委托(delegate)

一、为什么需要委托 模型&#xff08;model&#xff09;用来数据存储&#xff0c;视图&#xff08;view&#xff09;用来展示数据。因此&#xff0c;模型/视图架构是一种将数据存储和界面展示分离的编程方法。具体如下图所示&#xff1a; 由图可知&#xff0c;模型向视图提供数…...

python3.11SSL: SSLV3_ALERT_HANDSHAKE_FAILURE

参考&#xff1a;python request包 版本不兼容 报错sslv3 alert handshake failure 解决方法-CSDN博客 修改&#xff1a;Python311\Lib\site-packages\urllib3\util\ssl_.py 新版本3.11里默认没有DEFAULT_CIPHERS 补回来: #__imported from 3.6.8 # A secure default. # So…...

[深度学习]基于yolov10+streamlit目标检测演示系统设计

YOLOv10结合Streamlit构建的目标检测系统&#xff0c;不仅极大地增强了实时目标识别的能力&#xff0c;还通过其直观的用户界面实现了对图片、视频乃至摄像头输入的无缝支持。该系统利用YOLOv10的高效检测算法&#xff0c;能够快速准确地识别图像中的多个对象&#xff0c;并标注…...

开源模型应用落地-FastAPI-助力模型交互-进阶篇(三)

一、前言 FastAPI 的高级用法可以为开发人员带来许多好处。它能帮助实现更复杂的路由逻辑和参数处理&#xff0c;使应用程序能够处理各种不同的请求场景&#xff0c;提高应用程序的灵活性和可扩展性。 在数据验证和转换方面&#xff0c;高级用法提供了更精细和准确的控制&#…...

机器人及其相关工科专业课程体系

机器人及其相关工科专业课程体系 前言传统工科专业机械工程自动化/控制工程计算机科学与技术 新兴工科专业智能制造人工智能机器人工程 总结Reference: 前言 机器人工程专业是一个多领域交叉的前沿学科&#xff0c;涉及自然科学、工程技术、社会科学、人文科学等相关学科的理论…...

C#数字医学影像系统(RIS/PACS)源码,Oracle数据库,C/S架构,运行稳定

数字医学影像系统&#xff08;RIS/PACS&#xff09;源码&#xff0c;三甲以下的医院都能满足。PACS 系统全套成品源码。 开发技术&#xff1a;C/S架构&#xff0c;C#开发语言&#xff0c;数据库服务器采用Oracle数据库。 医学影像存储与传输系统&#xff0c;融合了医学信息化…...

Spring-Boot基础--yaml

目录 Spring-Boot配置文件 注意&#xff1a; YAML简介 YAML基础语法 YAML:数据格式 YAML文件读取配置内容 逐个注入 批量注入 ConfigurationProperties 和value的区别 Spring-Boot配置文件 Spring-Boot中不用编写.xml文件&#xff0c;但是spring-Boot中还是存在.prope…...

C/C++蓝屏整人代码

文章目录 &#x1f4d2;程序效果 &#x1f4d2;具体步骤 1.隐藏任务栏 2.调整cmd窗口大小 3.调整cmd窗口屏幕颜色 4.完整代码 &#x1f4d2;代码详解 &#x1f680;欢迎互三&#x1f449;&#xff1a;程序猿方梓燚 &#x1f48e;&#x1f48e; &#x1f680;关注博主&a…...

【Android安全】Ubuntu 下载、编译 、刷入Android-8.1.0_r1

0. 环境准备 Ubuntu 16.04 LTS&#xff08;预留至少95GB磁盘空间&#xff0c;实测占94.2GB&#xff09; Pixel 2 XL 要买欧版的&#xff0c;不要美版的。 欧版能解锁BootLoader、能刷机。 美版IMEI里一般带“v”或者"version"&#xff0c;这样不能解锁BootLoader、…...

HBuilder X3.4版本中使用uni-app自定义组件

HBuilder X3.4版本中使用uni-app自定义组件 这是我的小程序页面结构 方式一&#xff1a;导入components 1.创建componets文件&#xff0c;并编写你的组件页面 <template><view class"my-search-container"><!-- 使用 view 组件模拟 input 输入框的样…...

PHP基础语法(一)

一、初步语法 1、PHP代码标记&#xff1a;以 <?php 开始&#xff0c;以 ?> 结束&#xff1b; 2、PHP注释&#xff1a;行注释&#xff1a;//&#xff08;双斜杠&#xff09;或# 块注释&#xff1a;/* */ 3、PHP语句分隔符&#xff1a; 1&#xff09;在PHP中&#…...

Python项目打包与依赖管理指南

在Python开发中&#xff0c;python文件需要在安装有python解释器的计算机的电脑上才能运行&#xff0c;但是在工作时&#xff0c;我们需要给客户介绍演示项目功能时并不一定可以条件安装解释器&#xff0c;而且这样做非常不方便。这时候我们可以打包项目&#xff0c;用于给客户…...

矿产资源潜力预测不确定性评价

研究目的&#xff1a; 不确定性评估&#xff1a; 到底什么叫不确定性&#xff0c;简单来说就是某区域内的矿产资源量&#xff0c;并不确定到底有多少&#xff0c;你需要给出一个评估或者分布。 研究方法&#xff1a; 1.以模糊集来表示某些量&#xff1a; 关于什么是模糊集&am…...

边缘计算医疗风险自查APP开发方案

核心目标:在便携设备(智能手表/家用检测仪)部署轻量化疾病预测模型,实现低延迟、隐私安全的实时健康风险评估。 一、技术架构设计 #mermaid-svg-iuNaeeLK2YoFKfao {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg…...

智慧工地云平台源码,基于微服务架构+Java+Spring Cloud +UniApp +MySql

智慧工地管理云平台系统&#xff0c;智慧工地全套源码&#xff0c;java版智慧工地源码&#xff0c;支持PC端、大屏端、移动端。 智慧工地聚焦建筑行业的市场需求&#xff0c;提供“平台网络终端”的整体解决方案&#xff0c;提供劳务管理、视频管理、智能监测、绿色施工、安全管…...

系统设计 --- MongoDB亿级数据查询优化策略

系统设计 --- MongoDB亿级数据查询分表策略 背景Solution --- 分表 背景 使用audit log实现Audi Trail功能 Audit Trail范围: 六个月数据量: 每秒5-7条audi log&#xff0c;共计7千万 – 1亿条数据需要实现全文检索按照时间倒序因为license问题&#xff0c;不能使用ELK只能使用…...

服务器硬防的应用场景都有哪些?

服务器硬防是指一种通过硬件设备层面的安全措施来防御服务器系统受到网络攻击的方式&#xff0c;避免服务器受到各种恶意攻击和网络威胁&#xff0c;那么&#xff0c;服务器硬防通常都会应用在哪些场景当中呢&#xff1f; 硬防服务器中一般会配备入侵检测系统和预防系统&#x…...

什么是EULA和DPA

文章目录 EULA&#xff08;End User License Agreement&#xff09;DPA&#xff08;Data Protection Agreement&#xff09;一、定义与背景二、核心内容三、法律效力与责任四、实际应用与意义 EULA&#xff08;End User License Agreement&#xff09; 定义&#xff1a; EULA即…...

土地利用/土地覆盖遥感解译与基于CLUE模型未来变化情景预测;从基础到高级,涵盖ArcGIS数据处理、ENVI遥感解译与CLUE模型情景模拟等

&#x1f50d; 土地利用/土地覆盖数据是生态、环境和气象等诸多领域模型的关键输入参数。通过遥感影像解译技术&#xff0c;可以精准获取历史或当前任何一个区域的土地利用/土地覆盖情况。这些数据不仅能够用于评估区域生态环境的变化趋势&#xff0c;还能有效评价重大生态工程…...

Angular微前端架构:Module Federation + ngx-build-plus (Webpack)

以下是一个完整的 Angular 微前端示例&#xff0c;其中使用的是 Module Federation 和 npx-build-plus 实现了主应用&#xff08;Shell&#xff09;与子应用&#xff08;Remote&#xff09;的集成。 &#x1f6e0;️ 项目结构 angular-mf/ ├── shell-app/ # 主应用&…...

PAN/FPN

import torch import torch.nn as nn import torch.nn.functional as F import mathclass LowResQueryHighResKVAttention(nn.Module):"""方案 1: 低分辨率特征 (Query) 查询高分辨率特征 (Key, Value).输出分辨率与低分辨率输入相同。"""def __…...

JS手写代码篇----使用Promise封装AJAX请求

15、使用Promise封装AJAX请求 promise就有reject和resolve了&#xff0c;就不必写成功和失败的回调函数了 const BASEURL ./手写ajax/test.jsonfunction promiseAjax() {return new Promise((resolve, reject) > {const xhr new XMLHttpRequest();xhr.open("get&quo…...

二维FDTD算法仿真

二维FDTD算法仿真&#xff0c;并带完全匹配层&#xff0c;输入波形为高斯波、平面波 FDTD_二维/FDTD.zip , 6075 FDTD_二维/FDTD_31.m , 1029 FDTD_二维/FDTD_32.m , 2806 FDTD_二维/FDTD_33.m , 3782 FDTD_二维/FDTD_34.m , 4182 FDTD_二维/FDTD_35.m , 4793...