首页 > TAG信息列表 > mu

9.13-CSP-S模拟5

由于某些原因,现在改为发单篇博客的形式 9.13CSP-S模拟5 T1 F 比较水的一眼题,先没看题观察数据范围发现是n方的,读题发现显然可能合法的x只有\(O(n)\)个,就是拿\(a_1\)和所有的b异或一遍就行了,别的x既然\(a_1\)都异或不出来那显然不可能,对于一个数,它异或另一个数能得到x的话,那么异或

获取父节点下所有子节点集合,查询数据库,递归查询。或者这不查询数据库递归查询

伪代码逻辑: /** * @param menuListResult 返回的子节点集合 需要在查询一次加上menuList,是所有子节点集合 * @param pid 父节点id * @return */ public static List treeMenuList( List menuListResult, int pid){ List menuList =dao.getMenusByParId(pid); //数据库查询 根据

java递归获取某个父节点下面的所有子节点

java递归获取某个父节点下面的所有子节点 点击查看代码 static List<Menu> childMenu=new ArrayList<Menu>(); /** * 获取某个父节点下面的所有子节点 * @param menuList * @param pid * @return */ public static List<Menu> treeMenuList( L

20220909--CSP开小灶2

是两道结论题??? T1 元素周期表 那么显然地,我们可以由 \((x_1,y_1),(x_1,y_2),(x_2,y_1)\) 推出 \((x_2,y_2)\) 根据我多年数字哈希抱零的经验,可以把它丢进图里试着处理 首先我们进行一个边的建,找找规律 \(\cdots\) 好有趣哦,看上去是一个联通块? 这个是样例3 手模一下可以发现它完全

ARC 记录

ARC145F Modulo Sum of Increasing Sequences 先考虑 \(p\mid n\) 的情况,令 \(b=\frac pn\)。 典中典。 列出生成函数: \[[x^ky^m](\prod_{i=0}^{n-1}(1+x^iy))^b\bmod(x^n-1) \]一个关于循环卷积的结论是:(就是对多项式的每个位置单位根反演然后线性组合) \[[x^0]f\bmod(x^n-1)=\frac

概率统计A 知识总结

(搬运自 作业部落 ,不知道为啥到博客园上公式渲染全乱了) 前五章 概率论部分 概率 事件的交并差(跟集合运算差不多),条件概率 $P\left( AB \right) =P\left( A \right) P\left( B\mid A \right) $ ,相互独立 \(P(AB)=P(A)P(B)\) 。 "n次抽取,放回与不放回"问题:不论放回与否,第 n 次抽中红球

SLAM后端—线性系统滤波(KF)与非线性系统滤波(EKF)

SLAM学习笔记—后端 概述 状态估计概率分布的核心思想 未知量(\(x_k\))的后验概率分布 = 似然概率分布 × 未知量(\(x_k\))的先验概率分布 这一等式贯穿全文,请牢牢抓住! 运动方程和观测方程 \[\begin{cases} x_k = f(x_{k-1},u_k)+w_k \\\\ z_k=h(x_k)+v_k \end{cases}

莫比乌斯反演

莫比乌斯反演 莫比乌斯函数 定义 将 \(n\) 质因数分解 \[n = \prod_{i=1}^{k} p_i^{\alpha _i} \]则 \[\mu (n)= \left\{\begin{matrix} 1, &n=1 \\ 0, & \exists \alpha _i>1\\ (-1)^k, & \forall \alpha _i=1 \end{matrix}\right.\]性质 积性函数. \(s(n) =

「题解」AGC038C LCMs

\(i\) 和 \(j\) 不对称很烦,求 \(\sum_i\sum_j\mathrm{lcm}(A_i,A_j)\) 再减去 \(\sum_i A_i\) 再除 \(2\) 即可得到答案。现在来考虑 \(i\) 和 \(j\) 取值均为 \(0\sim N-1\) 的式子: \[\begin{aligned} &\sum_i\sum_j\mathrm{lcm}(A_i,A_j) \\ =&\sum_i\sum_j\frac{A

抽样分布定理——统计学(七)

抽样分布定理可以说是数理统计的基本定理了,因为它奠定了后面参数估计和假设检验的基础,所以掌握好这个定理以及它的证明十分有必要。这里介绍抽样分布定理以外,以及阐述它在后续内容中的重要作用。 一、抽样分布定理 *前提:都是单个总体的样本,样本的数学期望和方差都易求,以此来求总体

【学习笔记】数论入门基础

积性函数与完全积性函数 \(e(n) = [n=1]\) \(I(n) = 1\) \(id(n) = n\) 迪利克雷卷积 记 \(h = f *g\) 表示 \(f,g\) 的迪利克雷卷积为 \(h\) \[h(n) = \sum_{d|n}f(d)g(\frac{n}{d}) \]迪利克雷卷积有交换律、结合律、分配律: \[\begin{aligned} f* g &= g *f \\ (f* g) *h &= f*

数论函数初步

数论函数初步 数论函数 数论函数&狄利克雷卷积 定义:在全体(正)整数上定义的函数为数论函数 积性定义: 完全积性:\(f(ab)=f(a)f(b)\) 积性:若\(\gcd(a,b)=1\),则\(f(ab)=f(a)f(b)\) 规律:如果\(f(x),g(x)\) 为积性函数,则一下函数也有积性: \((f(x))^{-1},f(x)g(x),f(g(x)),f*g\) 积性

Unsupervised Semantic Segmentation by Distilling Feature Correspondences

目录概流程代码 Hamilton M., Zhang Z., Hariharan B., Snavely N., Freeman W. T. Unsupervised semantic segmentation by distilling feature correspondences. In International Conference on Learning Representations, 2022 概 本文介绍了一种无监督的语义分割方法, 只需

ML: K-means Clustering

Source: Coursera Machine Learning provided by Stanford University Andrew Ng - Machine Learning | Coursera Unsupervised Learning - Clustering - K-means Algorithm notations: $K$: the number of clusters $\mu_k$: the $k$-th cluster centroid, $\mu_k \in \

ML: Anomaly Detection | Multivariate Gaussian Distribution

Source: Coursera Machine Learning provided by Stanford University Andrew Ng - Machine Learning | Coursera Anomaly Detection assumption: Each feature follows Gaussian distribution: $$ x_j \sim N(\mu_j, \sigma_j^2) $$ And they are independent, i.e. for

从cannon的角度理解Layer2 - 3:代码才是最好的老师

上一次,我们通过一个实际例子梳理了cannon的运行过程,更细节的部分,让我们使用代码的形式进行了解,由于业务流程已经连贯并且完整了,所以,下面的代码部分我将采用知识点的形式进行记录,可能会较为零散,但结合业务进行理解,应该也是轻而易举的 让我们从项目目录开始入手 在开始了解代码之前,

常见描述性指标的python实现

常见描述性指标的python实现 集中趋势 均值 \[\mu=\frac{\displaystyle\sum\limits_{i=1}^N{X_i}}{N} \]中位数 众数 离散程度 极差 \[R=\max{(X)}-\min{(X)} \]方差 \[\sigma^2=\frac{\displaystyle\sum\limits_{i=1}^N (X_i-\mu)^2}{N} \]标准差 \[\sigma =\sqrt{\sigma^2} \]变

elastic.for--编法1

SUBROUTINE UMAT(STRESS,STATEV,DDSDDE,SSE,SPD,SCD, 1 RPL,DDSDDT,DRPLDE,DRPLDT, 2 STRAN,DSTRAN,TIME,DTIME,TEMP,DTEMP,PREDEF,DPRED,CMNAME, 3 NDI,NSHR,NTENS,NSTATV,PROPS,NPROPS,COORDS,DROT,PNEWDT, 4 CELENT,DFGRD0,DFGRD1,NOEL,NPT,LAYE

杨表和钩子公式

杨表 杨氏矩阵(Young Tableau),又称杨表,是一类每行长度严格不降的表格,大小为 \(n\),数字 \(1,2,..,n\) 在表中满足从左到右和从上到下严格递增。设第 \(i\) 行的长度为 \(\lambda_i\),则 \(\lambda _i\geq \lambda_{i-1},\sum_{i}\lambda_i=n\),大小为 \(n\) 的杨表形态 \((\lambda_1,\l

WinFi一直Loading的解决办法,与其它抓包工具

WinFi一直Loading的解决办法,与其它抓包工具 来源  https://www.acwifi.net/20163.html WinFi inSSIDer NetSpot Ekahau LizardSystems Wi-Fi Scannerariport utility   今天不拆机,来聊一聊WinFi的那些事那些情。最近一个星期它就是打不开,”小兔子乖乖 把门开开 快点开开 我要进

优质收藏导航

Mysql索引:图文并茂,深入探究索引的原理和使用 https://blog.csdn.net/mu_wind/article/details/110128016

2702. problem b

题目链接 2702. problem b 同215. 破译密码 对于给出的 \(n\) 个询问,每次求有多少个数对 \((x,y)\),满足 \(a≤x≤b,c≤y≤d\),且 \(\text{gcd}(x,y) = k\),\(\text{gcd}(x,y)\) 函数为 \(x\) 和 \(y\) 的最大公约数。 输入格式 第一行一个整数 \(n\)。 接下来 \(n\) 行每行五个整数,分

数据分析知识扩展

弗里德曼-迪亚科尼斯规则 在统计学中,Freedman-Diaconis规则用于确定直方图中的条柱宽度, 它以David A.Freedman和Persi Diaconis的名字命名。该规则定义: \[条柱宽度 = 2 \times \frac{IQR}{\sqrt[3]{n}} \]其中,IQR是四分位距,n是观测样本数目。 偏度(Skewness) 偏度用来度量随机变量

正态分布的密度函数动画演示—R语言

正态分布是概率统计中最重要的一种分布,其重要性我们可以从以下两方面来理解:一方面,正态分布是自然界最常见的一种分布。一般说来,若影响某一数量指标的随机因素很多,而每个因素所起的作用都不太大,则这个指标服从正态分布,例如,在生产条件不变的情况下,产品的强力、抗压强度、口径、长度

Deep Learning Review

8-2 image classification 1x1 Conv filter: \[F_1 ,1 ,1 \]where \(F_1\) is the number of channels. Original input: \[(N,C,H,W) \]then it's transformed to: \[(N,C,H,W)\rightarrow (N,F_1,H,W) \]So 1x1 conv filters can be used to change the dimen