Stayaccept
Stayaccept

前向/后向算法&&维特比算法

前向/后向算法：

#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
using namespace std;
double dp[5][5];
double A[3][3]={0.5,0.2,0.3,0.3,0.5,0.2,0.2,0.3,0.5};
double B[3][2]={0.5,0.5,0.4,0.6,0.7,0.3};
double pi[3]={0.2,0.4,0.4};
int C[3]={0,1,0};
int main(){
    int i,j,k;
    double ans;
    memset(dp,0,sizeof(dp));
    dp[0][0]=pi[0]*B[0][C[0]];
    dp[0][1]=pi[1]*B[1][C[0]];
    dp[0][2]=pi[2]*B[2][C[0]];
    for(i=1;i<3;i++){
        for(j=0;j<3;j++){
            for(k=0;k<3;k++)
            dp[i][j]+=(dp[i-1][k]*A[k][j]*B[j][C[i]]);
        }
    }

//
//    for(i=0;i<2;i++){
//        for(j=0;j<3;j++){
//            for(k=0;k<3;k++){
//                dp[i+1][j]+=(dp[i][k]*A[k][j]*B[j][C[i+1]]);
//            }
//        }
//    }
    ans=dp[2][0]+dp[2][1]+dp[2][2];
    printf("%.6lf\n",ans);
    return 0;
}

维特比算法：

#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#include 
using namespace std;
double dp[5][5];
double A[3][3]={0.5,0.2,0.3,0.3,0.5,0.2,0.2,0.3,0.5};
double B[3][2]={0.5,0.5,0.4,0.6,0.7,0.3};
double pi[3]={0.2,0.4,0.4};
int C[3]={0,1,0};
int pre[5][5];
void dfs(int u,int v){
    if(u<0)
    return;
    dfs(u-1,pre[u][v]);
    printf("%d ",v);
}
int main(){                                     //就是概率dp求个max，然后记录一下前驱
    int i,j,k;                                  //例子是<统计学习方法> p186 例10.3
    double ans,tmp;
    memset(dp,0,sizeof(dp));
    memset(pre,-1,sizeof(pre));
    dp[0][0]=pi[0]*B[0][C[0]];
    dp[0][1]=pi[1]*B[1][C[0]];
    dp[0][2]=pi[2]*B[2][C[0]];
    for(i=0;i<2;i++){
        for(j=0;j<3;j++){
            for(k=0;k<3;k++){
                tmp=dp[i][k]*A[k][j]*B[j][C[i+1]];
                if(tmp>dp[i+1][j]){
                    dp[i+1][j]=tmp;
                    pre[i+1][j]=k;
                }
            }
        }
    }
    ans=max(dp[2][0],max(dp[2][1],dp[2][2]));
    printf("%.6lf\n",ans);
    for(i=0;i<3;i++){
        if(dp[2][i]==ans){
            dfs(2,i);
            break;
        }
    }
    return 0;
}

 

你可能感兴趣的:(统计学习方法笔记)

  • 统计学习方法笔记之决策树 Aengus_Sun
    更多文章可以访问我的博客Aengus|Blog决策树的概念比较简单，可以将决策树看做一个if-then集合：如果“条件1”，那么...。决策树学习的损失函数通常是正则化后极大似然函数，学习的算法通常是一个递归的选择最优特征，并根据该特征对训练数据进行分割，使得对各个子数据集有一个最好的分类的过程。可以看出，决策树算法一般包含特征选择，决策树的生成与决策树的剪枝过程。特征选择信息增益熵和条件熵在了解
  • 统计学习方法笔记之逻辑斯谛模型与最大熵模型 Aengus_Sun
    更多文章可以访问我的博客Aengus|Blog逻辑斯谛回归（LogisticRegression）模型是经典的分类方法，而最大熵则是概率模型中学习的一个准则，将其推广到分类问题得到最大熵模型（maximumentropymodel）。两者都属于对数线性模型。逻辑斯谛模型逻辑斯谛分布设是连续随机变量，服从逻辑斯谛分布是指具有以下分布函数和密度函数：其中，是位置参数，为形状参数。逻辑斯谛分布的密度函数
  • 统计学习方法笔记二---感知机(Perceptron Learning Algorithm,PLA) 爱科研的徐博士 【算法】统计学习方法统计学习方法机器学习
    简介感知机（perceptron）是二分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，取+1和-1二值。感知机对应于输入空间（特征空间）中将实例划分为正负两类的分离超平面，属于判别模型，解决的问题是分类问题。目标/目的：求出将训练数据进行线性划分的分类超平面，为此导入误分类的损失函数，利用梯度下降法对损失函数进行最小化，求的感知机模型。感知机学习算法具有简单而易于实现的优点，分为原始
  • 统计学习方法笔记——第一章（1） Run！Rabbit Run！ 统计学习方法机器学习笔记机器学习数据分析概率论
    概论1.统计学习方法三要素：模型（model）、策略（strategy）、算法（algorithm）2.实现步骤得到有限的训练数据集合确定包含所有可能的模型的假设空间，即学习模型的集合确定模型选择的准则，即学习的策略实现求解最优模型的算法通过学习方法选择最优模型利用学习的最优模型对新数据进行预测或分析3.统计学习基本分类监督学习从标注数据中学习预测模型的机器学习问题，本质是学习输入到输出的映射的统
  • 统计学习方法笔记之k近邻算法（附代码实现） Aengus_Sun
    更多文章可以访问我的博客Aengus|Blogk近邻法即kNN算法，是假设给定一个训练集，对于每个训练样本的分类已经确认，当对测试样本分类时，根据其k个最近邻的训练样本的类别，通过多数表决的方式进行预测。kNN算法没有显式的学习过程。kNN算法假设给定的训练集为，其中，，步骤为：（1）根据给定的距离度量（即距离计算方法），在训练集中找出与测试样本的前个最近邻的点，涵盖这个点的的邻域记作；（2）在中
  • 统计学习方法笔记，第二章感知机的python代码实现 努力学挖掘机的李某某 《统计学习方法》笔记python感知机数据挖掘机器学习
    实现的比较粗糙，代码如下：classPerceptron:importnumpyasnpdef__init__(self,w=0,b=0,lr=1,epoch=100):self.weight=wself.bias=bself.lr=lr#lr:learningrateself.epoch=epochdefsign(self,x):ifnp.dot(np.array(self.weight),x)
  • 深度学习/机器学习资料汇总 金州啦啦啦啦文 深度学习深度学习人工智能
    学习资料汇总读研期间收集的学习资料汇总（持续更新中）MachineLearningDeepLearningSeq2SeqLSTMAttentionSelf-AttentionTransfomerBert(这周目标）读研期间收集的学习资料汇总（持续更新中）MachineLearning西瓜书以及统计学习方法笔记：笔记西瓜书第三章课后习题：第三章课后习题西瓜书公式详解（南瓜书）：南瓜书统计学习方法第二
  • 统计学习方法笔记（李航）———第四章（朴素贝叶斯法） 越前浩波 机器/深度学习math机器学习
    推荐阅读：小白之通俗易懂的贝叶斯定理（Bayes’Theorem）朴素贝叶斯法是一种多分类算法，它的基础是“朴素贝叶斯假设”（假设实例的各个特征具有条件独立性）。根据训练集估计模型的先验概率、条件概率，再按照后验概率最大化的准则，给出输入实例的分类预测。它的算法实现很简单，但理论证明并不容易。具体来说，通过极大似然估计法估计先验概率、条件概率，计算过程比较复杂，书上也没有给出。本章主要分为3个部分
  • 统计学习方法笔记_cbr：第十一章：条件随机场 chenburong2021 统计学习方法笔记学习算法机器学习
    第十一章：条件随机场11.1概率无向图模型定义：联合概率分布满足成对，局部or全局Markov性，就称之为probabilisticundirectedgraphicalmodelorMarkovrandomfield；11.2条件随机场的定义与形式给定观测求状态；定义：若随机变量Y构成的无向图，对于任意结点满足Markovrandomfield，那么称其条件概率分布为条件随机场；11.3条件随机
  • 统计学习方法笔记_cbr：第二章 感知机 chenburong2021 统计学习方法笔记机器学习人工智能深度学习
    第二章感知机目录第二章感知机2.1感知机模型2.2感知机学习策略2.2.1数据集的线性可分性；2.2.2感知机学习策略2.3感知机学习算法2.3.1感知机学习算法的原始形式2.3.2感知机学习算法的原始形对偶式2.1感知机模型感知机是二类分类的线性分类模型，判别模型输入x（属于X）表示为实例的特征向量；对应与输入空间（特征空间）的点；输出y表示实例的类别取+1,-1；输入空间到输出空间的函数：f(
  • 统计学习方法笔记（理论+实例+课后习题+代码实现）：感知机 Jackson_feng 统计学习方法笔记大数据
    1引言1957年Rosenblatt提出感知机模型，它是神经网络和支持向量机的基础。其主要适用于分类任务，训练好的感知机模型可将数据集正确地分为两类：超平面以上为正类，超平面以下为负类(后面会讲到感知机是一个超平面)。它通过利用梯度下降法最小化损失函数的思想让感知机学习到最优的状态，使得数据集的误分类点个数为0。其优点主要体现在其算法实现相对简单。2理论2.1定义设输入特征向量为，感知机权重为，偏
  • 统计学习方法笔记（一）：感知机 通辽码农 统计学习学习
    统计学习方法笔记（一）：感知机前言：本文是基于李航老师《统计学习方法》的笔记~感知机学习的目的：求出将训练数据进行线性划分的分离超平面。1.感知机模型：1.1数学形式：f(x)=sign(w⋅x+b)f(x)=sign(w\cdotx+b)f(x)=sign(w⋅x+b)其中输入空间为XϵRnX\epsilonR^{n}XϵRn，输出空间为Y={+1,−1}Y=\begin{Bmatrix}+1,
  • 统计学习方法笔记七----决策树 爱科研的徐博士 【算法】统计学习方法统计学决策树ID3C4-5CART
    前言决策树是通过一系列规则对数据进行分类的过程。它提供一种在什么条件下会得到什么值的类似规则（if-then）的方法。决策树分为分类树和回归树两种，分类数对离散变量做决策树，回归树对连续变量做决策树。本节主要讨论用于分类的决策树。在分类问题中，表示基于特征对实例进行分类的过程。它可以认为是定义在特征空间与类空间上的条件概率分布。其主要优点是模型具有可读性，分类速度快。学习时，利用训练数据，根据损失
  • 统计学习方法笔记-隐马尔可夫模型（内含Python代码实现) 三岁就很萌@D 统计学习方法机器学习算法
    一马尔可夫模型我们通过一个具体的例子来介绍一下什么是马尔可夫模型我们假设天气有3种情况，阴天，雨天，晴天，它们之间的转换关系如下:(稍微解释一下这个图，我们可以这样认为，已知第一天是阴天，那第二天是阴天的概率是0.1，第二天是晴天的概率是0.3，第二天是雨天的概率是0.6)每一个状态转换到另一个状态或者自身的状态都有一定的概率。马尔可夫模型就是用来表述上述问题的一个模型。有这样一个状态链，第一天是
  • 统计学习方法---李航 02Bigboy 书籍学习学习机器学习数据挖掘
    统计学习方法笔记第一章:统计学习概论1.1统计学习统计学习(statisticallearning)是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科。统计学习也称为统计机器学习(statisticalmachinelearning).机器学习称为统计学习更学术化。HerbertA.simon对“学习”的定义我觉得挺好的：如果一个系统能够通过执行某个过程改进它的性能，这就
  • 统计学习方法笔记（李航）———第一章（统计学习方法概论） 越前浩波 math机器/深度学习机器学习统计模型
    一、基本概念假设空间（Hypothesisspace）相对“输入空间”、“输出空间”、“特征空间”等向量空间，假设空间的概念比较抽象。首先它是一个“映射”的集合。什么是映射呢？在这里暂且理解为函数吧。输入空间中的一个n维向量x，通过函数f(⋅)f(\cdot)f(⋅)得到了输出空间中的m维向量y：注意：按照符号规定,x(i)x^{(i)}x(i)表示此向量的第iii个分量(特征),xix_{i}x
  • 机器学习：李航-统计学习方法笔记（一）监督学习概论 凌贤文 机器学习机器学习学习python
    目录1.1统计学习1.2统计学习的分类1.2.1基本分类监督学习定义：无监督学习强化学习半监督学习主动学习1.2.2按模型分类1.2.3按算法分类1.2.4按技巧分类贝叶斯学习（Bayesianlearning）核方法（kernelmethod）1.3统计学习的三要素模型策略算法1.1统计学习统计学习是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科。也可以说统计学习就是
  • 统计学习方法笔记_cbr chenburong2021 统计学习方法笔记学习机器学习人工智能
    第一章笔记，统计学习及监督学习概论目录第一章笔记，统计学习及监督学习概论1.1统计学习1.统计学习的特点2.统计学习的对象3.统计学习的方法4.统计学习的研究1.2统计学习的分类1.2.1基本分类1.监督学习（1）输入空间、特征空间和输出空间；（2）联合概率分布（3）假设空间2.无监督学习3.强化学习4.半监督学习与主动学习1.2.2按模型分类1.概率模型与非概率模型2.线性模型与非线性模型3.参
  • 统计学习方法笔记(未完待续) popofzk NLPNLP统计学习方法
    前言：参考了一位NLP学长的博客，受益颇多，跟着学长学习李航老师的《统计学习方法》，希望整理一些重点，便于翻阅，日积月累，为三年后的面试打下基础！代码来自：https://www.pkudodo.com基本内容（一）感知机定义：代码：（二）K-邻近定义：代码：（三）朴素贝叶斯定义：代码：（四）决策树定义：代码：（五）逻辑回归定义：（一）感知机定义：感知机是二分类的线性模型,属于判别模型.感知机学习
  • 统计学习方法笔记（李航）———第三章（k近邻法） 越前浩波 math机器学习python
    k近邻法(k-NN)是一种基于实例的学习方法，无法转化为对参数空间的搜索问题（参数最优化问题）。它的特点是对特征空间进行搜索。除了k近邻法，本章还对以下几个问题进行较深入的讨论:切比雪夫距离L∞(xi,xj)L_{\infty}\left(x_{i},x_{j}\right)L∞(xi,xj)的计算“近似误差”与“估计误差"的含义k-d树搜索算法图解一、算法输入：训练集T={(x1,y1),(x2
  • Raki的统计学习方法笔记0xF(15)章：奇异值分解 爱睡觉的Raki 统计学习方法线性代数矩阵机器学习人工智能算法
    奇异值分解是一种矩阵因子分解方法，是线性代数的基础概念，在统计学习中被广泛运用，PCA,LSA,pLSA都要用到SVD，而EM,LSA,MCMC,又是LDA的基础，故有了这个笔记顺序任意一个m*n矩阵，都可以表示为三个矩阵的乘积（因子分解）形式，分别是m阶正交矩阵，由降序排列的非负的对角线元素组成的m*n矩形对角矩阵，n阶正交矩阵成为该矩阵的奇异值分解，矩阵的奇异值分解一定存在但是不唯一。奇异值分
  • 统计学习方法 和蔼的zhxing
    研一上机器学习课程最后准备考试的时候看过一点点这本书，没有系统得看过，最近准备系统得看一遍，顺便写一些笔记，主要框架就是李航的《统计学习方法》这本书，参考了西瓜书的一点内容和一些博客，有一些关键部分的证明自己都照着书手推了一遍，想着公式太麻烦了，于是就用word写了，然后放在github上了。地址放在这里统计学习方法笔记.
  • NLP面试题汇总1（吐血整理） 一种tang两种味 nlp自然语言处理机器学习神经网络数据挖掘
    统计学习方法笔记当正负样本极度不均衡时存在问题！比如，正样本有99%时，分类器只要将所有样本划分为正样本就可以达到99%的准确率。但显然这个分类器是存在问题的。当正负样本不均衡时，常用的评价指标为ROC曲线和PR曲线。概率模型：决策树、bayes、HMM、CRF、概率潜在语义分析、潜在狄利克雷分析lda、高斯混合模型（一定可以表示为联合概率分布的形式，）概率模型的代表是概率图模型，即联合概率分布由
  • 统计学习方法笔记（十五）条件随机场（三） yeyustudy 统计学习方法笔记
    条件随机场的预测算法预测问题：给定条件随机场P(Y|X)P(Y|X)和输入序列（观测序列）x，求条件概率最大的输出序列y∗y∗。条件随机场的预测算法是著名的维特比算法。y∗=argmaxyPw(y|x)=argmaxy(wF(y,x))y∗=arg⁡maxy⁡Pw(y|x)=arg⁡maxy⁡(wF(y,x))条件随机场的预测问题变为求非规范化概率最大的最优路径问题：maxy(wF(y,x))ma
  • 统计学习方法笔记（十五）条件随机场（二） yeyustudy 统计学习方法笔记
    条件随机场的概率计算问题问题描述：给定条件随机场P(Y|X)P(Y|X)，输入序列x和输出序列y，计算条件概率P(Yi=yi|x),P(Yi−1=yi−1,Yi=yi|x)P(Yi=yi|x),P(Yi−1=yi−1,Yi=yi|x)以及相应的数学期望的问题。一、前向-后向算法对每个指标i=0,1,⋯,n+1i=0,1,⋯,n+1，定义前向向量αi(x)αi(x)：对于α0(y|x)α0(y|x)
  • 统计学习方法笔记（十五）条件随机场（一） yeyustudy 统计学习方法笔记
    条件随机场条件随机场是给定一组输入随机变量条件下另一组输出随机变量的条件概率模型，其假设输出随机变量构成马尔可夫随机场概率无向图模型概率无向图模型，又称为马尔可夫随机场，是一个可以由无向图表示的联合概率分布。一、模型定义1、图是由结点及连接节点的边组成的集合。无向图是指边没有方向的图。概率图模型是由图表示的概率分布。设有联合概率分布P(Y)P(Y)，YY是一组随机变量，由无向图G=(V,E)G=(
  • 统计学习方法笔记(六)-非线性支持向量机原理及python实现 脑机接口社区 机器学习算法系列实现
    非线性支持向量机非线性支持向量机定义非线性支持向量机算法非线性支持向量机学习算法代码案例TensorFlow案例地址非线性支持向量机定义非线性支持向量机从非线性分类训练集，通过核函数与软间隔最大化，或凸二次规划，学习得到的分类决策函数f(x)=sign⁡(∑i=1Nαi∗yiK(x,xi)+b∗){f(x)=\operatorname{sign}\left(\sum_{i=1}^{N}\alpha
  • 统计学习方法笔记(四)-最大熵模型原理及python实现 脑机接口社区 机器学习算法系列实现
    最大熵模型最大熵模型最大熵原理最大熵模型代码实现案例地址最大熵模型最大熵模型(maximumentropymodel)可以用于二分类，也可以用于多分类。其是由最大熵原理推导实现的，所以讲最大熵模型时，绕不开最大熵原理。最大熵原理什么是最大熵原理？最大熵原理认为，学习概率模型时，在所有可能的概率模型（概率分布）中，熵最大的模型就是最好的模型。最大熵原理通常表述为在满足约束条件的模型集合中选取熵最大的
  • 统计学习方法笔记（十）逻辑斯谛回归与最大熵模型 yeyustudy 统计学习方法笔记
    逻辑斯谛回归与最大熵模型主要用于统计学习中的经典分类方法逻辑斯谛回归模型1、定义：设X是连续随机变量，其具有的分布函数和密度函数：F(x)=P(X≤x)=11+e−(x−μ)/γF(x)=P(X≤x)=11+e−(x−μ)/γf(x)=F′(x)=e−(x−μ)/γγ(1+e−(x−μ)/γ)2f(x)=F′(x)=e−(x−μ)/γγ(1+e−(x−μ)/γ)2其中，μμ为位置参数，γ>0γ>0
  • 统计学习方法笔记（一）：K近邻法的实现：kd树 好好学习_天天向上de 学习笔记统计学习方法
      实现k近邻算法时，首要考虑的问题是如何对训练数据进行快速的k近邻搜索。这点在特征空间的维数大于训练数据容量时尤为重要。构造kd树  kd树是一种对k为空间中的实例点进行存储的一边对其进行快速检索的树形数据结构。kd树是二叉树，表示对k维空间的一个划分（partition）。构造kd树相当于不断地用垂直于坐标轴的超平面将k维空间切分。构成一系列的k维超矩形区域。kd树的每个结点对应于一个k维的超
  • apache 安装linux windows 墙头上一根草 apacheinuxwindows
    linux安装Apache 有两种方式一种是手动安装通过二进制的文件进行安装，另外一种就是通过yum 安装，此中安装方式，需要物理机联网。以下分别介绍两种的安装方式     通过二进制文件安装Apache需要的软件有apr,apr-util,pcre  1，安装 apr        下载地址：htt
  • fill_parent、wrap_content和match_parent的区别 Cb123456 match_parentfill_parent
    fill_parent、wrap_content和match_parent的区别:   1）fill_parent   设置一个构件的布局为fill_parent将强制性地使构件扩展，以填充布局单元内尽可能多的空间。这跟Windows控件的dockstyle属性大体一致。设置一个顶部布局或控件为fill_parent将强制性让它布满整个屏幕。 2） wrap_conte
  • 网页自适应设计 天子之骄 htmlcss响应式设计页面自适应
    网页自适应设计        网页对浏览器窗口的自适应支持变得越来越重要了。自适应响应设计更是异常火爆。再加上移动端的崛起，更是如日中天。以前为了适应不同屏幕分布率和浏览器窗口的扩大和缩小，需要设计几套css样式，用js脚本判断窗口大小，选择加载。结构臃肿，加载负担较大。现笔者经过一定时间的学习，有所心得，故分享于此，加强交流，共同进步。同时希望对大家有所
  • [sql server] 分组取最大最小常用sql 一炮送你回车库 SQL Server
    --分组取最大最小常用sql--测试环境if OBJECT_ID('tb') is not null drop table tb;gocreate table tb( col1 int, col2 int, Fcount int)insert into tbselect 11,20,1 union allselect 11,22,1 union allselect 1
  • ImageIO写图片输出到硬盘 3213213333332132 javaimage
    package awt; import java.awt.Color; import java.awt.Font; import java.awt.Graphics; import java.awt.image.BufferedImage; import java.io.File; import java.io.IOException; import javax.imagei
  • 自己的String动态数组 宝剑锋梅花香 java动态数组数组
    数组还是好说，学过一两门编程语言的就知道，需要注意的是数组声明时需要把大小给它定下来，比如声明一个字符串类型的数组：String str[]=new String[10];    但是问题就来了，每次都是大小确定的数组，我需要数组大小不固定随时变化怎么办呢？  动态数组就这样应运而生，龙哥给我们讲的是自己用代码写动态数组，并非用的ArrayList 看看字符
  • pinyin4j工具类 darkranger .net
    pinyin4j工具类Java工具类 2010-04-24 00:47:00 阅读69 评论0 字号：大中小 引入pinyin4j-2.5.0.jar包: pinyin4j是一个功能强悍的汉语拼音工具包，主要是从汉语获取各种格式和需求的拼音，功能强悍，下面看看如何使用pinyin4j。 本人以前用AscII编码提取工具，效果不理想，现在用pinyin4j简单实现了一个。功能还不是很完美，
  • StarUML学习笔记----基本概念 aijuans UML建模
    介绍StarUML的基本概念，这些都是有效运用StarUML?所需要的。包括对模型、视图、图、项目、单元、方法、框架、模型块及其差异以及UML轮廓。         模型、视与图（Model, View and Diagram）        &
  • Activiti最终总结 avords Activiti id 工作流
    1、流程定义ID：ProcessDefinitionId，当定义一个流程就会产生。 2、流程实例ID：ProcessInstanceId，当开始一个具体的流程时就会产生，也就是不同的流程实例ID可能有相同的流程定义ID。 3、TaskId，每一个userTask都会有一个Id这个是存在于流程实例上的。 4、TaskDefinitionKey和（ActivityImpl activityId
  • 从省市区多重级联想到的，react和jquery的差别 bee1314 jqueryUIreact
    在我们的前端项目里经常会用到级联的select，比如省市区这样。通常这种级联大多是动态的。比如先加载了省，点击省加载市，点击市加载区。然后数据通常ajax返回。如果没有数据则说明到了叶子节点。   针对这种场景，如果我们使用jquery来实现，要考虑很多的问题，数据部分，以及大量的dom操作。比如这个页面上显示了某个区，这时候我切换省，要把市重新初始化数据，然后区域的部分要从页面
  • Eclipse快捷键大全 bijian1013 javaeclipse快捷键
    Ctrl+1 快速修复(最经典的快捷键,就不用多说了)Ctrl+D: 删除当前行 Ctrl+Alt+↓ 复制当前行到下一行(复制增加)Ctrl+Alt+↑ 复制当前行到上一行(复制增加)Alt+↓ 当前行和下面一行交互位置(特别实用,可以省去先剪切,再粘贴了)Alt+↑ 当前行和上面一行交互位置(同上)Alt+← 前一个编辑的页面Alt+→ 下一个编辑的页面(当然是针对上面那条来说了)Alt+En
  • js 笔记 函数 征客丶 JavaScript
    一、函数的使用 1.1、定义函数变量 var vName = funcation(params){ } 1.2、函数的调用 函数变量的调用：      vName(params); 函数定义时自发调用：(function(params){})(params); 1.3、函数中变量赋值 var a = 'a'; var ff
  • 【Scala四】分析Spark源代码总结的Scala语法二 bit1129 scala
    1. Some操作   在下面的代码中，使用了Some操作：if (self.partitioner == Some(partitioner))，那么Some(partitioner)表示什么含义？首先partitioner是方法combineByKey传入的变量， Some的文档说明：   /** Class `Some[A]` represents existin
  • java 匿名内部类 BlueSkator java匿名内部类
    组合优先于继承 Java的匿名类，就是提供了一个快捷方便的手段，令继承关系可以方便地变成组合关系 继承只有一个时候才能用，当你要求子类的实例可以替代父类实例的位置时才可以用继承。   在Java中内部类主要分为成员内部类、局部内部类、匿名内部类、静态内部类。 内部类不是很好理解，但说白了其实也就是一个类中还包含着另外一个类如同一个人是由大脑、肢体、器官等身体结果组成，而内部类相
  • 盗版win装在MAC有害发热，苹果的东西不值得买，win应该不用 ljy325 游戏applewindowsXPOS
    Mac mini 型号: MC270CH-A RMB:5,688   Apple 对windows的产品支持不好,有以下问题:   1.装完了xp,发现机身很热虽然没有运行任何程序！貌似显卡跑游戏发热一样，按照那样的发热量,那部机子损耗很大,使用寿命受到严重的影响!   2.反观安装了Mac os的展示机，发热量很小，运行了1天温度也没有那么高 &nbs
  • 读《研磨设计模式》-代码笔记-生成器模式-Builder bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ /** * 生成器模式的意图在于将一个复杂的构建与其表示相分离，使得同样的构建过程可以创建不同的表示（GoF） * 个人理解： * 构建一个复杂的对象，对于创建者（Builder）来说，一是要有数据来源(rawData)，二是要返回构
  • JIRA与SVN插件安装 chenyu19891124 SVNjira
    JIRA安装好后提交代码并要显示在JIRA上，这得需要用SVN的插件才能看见开发人员提交的代码。 1.下载svn与jira插件安装包，解压后在安装包(atlassian-jira-subversion-plugin-0.10.1) 2.解压出来的包里下的lib文件夹下的jar拷贝到(C:\Program Files\Atlassian\JIRA 4.3.4\atlassian-jira\WEB
  • 常用数学思想方法 comsci 工作
      对于搞工程和技术的朋友来讲，在工作中常常遇到一些实际问题，而采用常规的思维方式无法很好的解决这些问题，那么这个时候我们就需要用数学语言和数学工具，而使用数学工具的前提却是用数学思想的方法来描述问题。。下面转帖几种常用的数学思想方法，仅供学习和参考   函数思想 　　把某一数学问题用函数表示出来，并且利用函数探究这个问题的一般规律。这是最基本、最常用的数学方法
  • pl/sql集合类型 daizj oracle集合typepl/sql
    --集合类型 /*   单行单列的数据，使用标量变量   单行多列数据，使用记录   单列多行数据，使用集合（。。。）   *集合：类似于数组也就是。pl/sql集合类型包括索引表（pl/sql table）、嵌套表（Nested Table）、变长数组（VARRAY）等 */ /*     --集合方法 &n
  • [Ofbiz]ofbiz初用 dinguangx 电商ofbiz
    从github下载最新的ofbiz（截止2015-7-13），从源码进行ofbiz的试用 1. 加载测试库 ofbiz内置derby，通过下面的命令初始化测试库 ./ant load-demo (与load-seed有一些区别)   2. 启动内置tomcat ./ant start 或 ./startofbiz.sh 或 java -jar ofbiz.jar &
  • 结构体中最后一个元素是长度为0的数组 dcj3sjt126com cgcc
    在Linux源代码中，有很多的结构体最后都定义了一个元素个数为0个的数组，如/usr/include/linux/if_pppox.h中有这样一个结构体： struct pppoe_tag {     __u16 tag_type;     __u16 tag_len;   &n
  • Linux cp 实现强行覆盖 dcj3sjt126com linux
    发现在Fedora 10 /ubutun 里面用cp -fr src dest，即使加了-f也是不能强行覆盖的，这时怎么回事的呢？一两个文件还好说，就输几个yes吧，但是要是n多文件怎么办，那还不输死人呢？下面提供三种解决办法。 方法一 我们输入alias命令，看看系统给cp起了一个什么别名。 [root@localhost ~]# aliasalias cp=’cp -i’a
  • Memcached(一)、HelloWorld frank1234 memcached
    一、简介 高性能的架构离不开缓存，分布式缓存中的佼佼者当属memcached，它通过客户端将不同的key hash到不同的memcached服务器中，而获取的时候也到相同的服务器中获取，由于不需要做集群同步，也就省去了集群间同步的开销和延迟，所以它相对于ehcache等缓存来说能更好的支持分布式应用，具有更强的横向伸缩能力。 二、客户端 选择一个memcached客户端，我这里用的是memc
  • Search in Rotated Sorted Array II hcx2013 search
    Follow up for "Search in Rotated Sorted Array":What if duplicates are allowed? Would this affect the run-time complexity? How and why? Write a function to determine if a given ta
  • Spring4新特性——更好的Java泛型操作API jinnianshilongnian spring4generic type
    Spring4新特性——泛型限定式依赖注入 Spring4新特性——核心容器的其他改进 Spring4新特性——Web开发的增强 Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC  Spring4新特性——Groovy Bean定义DSL Spring4新特性——更好的Java泛型操作API  Spring4新
  • CentOS安装JDK liuxingguome centos
    1、行卸载原来的： [root@localhost opt]# rpm -qa | grep java tzdata-java-2014g-1.el6.noarch java-1.7.0-openjdk-1.7.0.65-2.5.1.2.el6_5.x86_64 java-1.6.0-openjdk-1.6.0.0-11.1.13.4.el6.x86_64 [root@localhost
  • 二分搜索专题2-在有序二维数组中搜索一个元素 OpenMind 二维数组算法二分搜索
    1,设二维数组p的每行每列都按照下标递增的顺序递增。 用数学语言描述如下：p满足 (1),对任意的x1，x2，y，如果x1<x2,则p(x1,y)<p(x2,y); (2),对任意的x，y1,y2, 如果y1<y2,则p(x,y1)<p(x,y2); 2,问题： 给定满足1的数组p和一个整数k，求是否存在x0,y0使得p(x0,y0)=k? 3,算法分析： (
  • java 随机数 Math与Random SaraWon javaMathRandom
    今天需要在程序中产生随机数，知道有两种方法可以使用，但是使用Math和Random的区别还不是特别清楚，看到一篇文章是关于的，觉得写的还挺不错的，原文地址是 http://www.oschina.net/question/157182_45274?sort=default&p=1#answers 产生1到10之间的随机数的两种实现方式： //Math Math.roun
  • oracle创建表空间 tugn oracle
    create temporary tablespace TXSJ_TEMP   tempfile 'E:\Oracle\oradata\TXSJ_TEMP.dbf'   size 32m   autoextend on   next 32m maxsize 2048m   extent m
  • 使用Java8实现自己的个性化搜索引擎 yangshangchuan javasuperword搜索引擎java8全文检索
    需要对249本软件著作实现句子级别全文检索，这些著作均为PDF文件，不使用现有的框架如lucene，自己实现的方法如下： 1、从PDF文件中提取文本，这里的重点是如何最大可能地还原文本。提取之后的文本，一个句子一行保存为文本文件。 2、将所有文本文件合并为一个单一的文本文件，这样，每一个句子就有一个唯一行号。 3、对每一行文本进行分词，建立倒排表，倒排表的格式为：词=包含该词的总行数N=行号
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他