jijijix
jijijix

《统计学习方法》隐马尔可夫模型 学习过程 Baum-Welch算法中几个公式的证明

证明P182页 3.（1）中公式

\sum_{I}log\pi_{i_1}P(O, I|\overline{\lambda}) = \sum_{i = 1}^{N}log\pi_{i}P(O,i_1=i|\overline{\lambda})

证明：

首先明确上述公式中P(O,i_1=i|\overline{\lambda})表示的是在参数\overline{\lambda}下，生成的输出序列为O，隐状态序列的第1个位置为i，隐状态序列的第2到n个位置随便是什么都行的概率。所以P(O,i_1=i|\overline{\lambda})表示成P(O,i_1=i|\overline{\lambda}) = \sum_{I^*}P(O, i_1=i,I^*|\overline{\lambda})更清晰直观。

因此，有

\begin{align*} \sum_{I}log\pi_{i_1}P(O, I|\overline{\lambda})&= \sum_{i_1 = 1}^{N}\sum_{i_2 = 1}^{N}...\sum_{i_n = 1}^{N}P(O, I|\overline{\lambda})\\ &=\sum_{i=1}^{N}\sum_{I^*}P(O, i_1=i, I^*|\overline{\lambda})\\ &=\sum_{i = 1}^{N}P(O, i_1=i| \overline{\lambda}) \end{align*}

 

证明P182页 3. (2) 中公式

\sum_{I}(\sum_{i = 1}^{T - 1}loga_{i_t, i_{t +1}})P(O, I | \overline{\lambda})=\sum_{i = 1}^{N}\sum_{j = 1}^{N}\sum_{t = 1}^{T-1}loga_{ij}P(O, i_t=i, i_{t +1} = j| \overline{\lambda})

同3. (1)中给出的说明，P(O, i_t=i, i_{t +1} = j| \overline{\lambda})其实表达的含义应该是\sum_{I*}P(O, i_t=i, i_{t +1} = j, I^*| \overline{\lambda})，I^*代表的是除了位置t和位置t+1之外的隐状态序列中其他位置的取值。

因此，有

\begin{align*} \sum_{I}(\sum_{t = 1}^{T - 1}loga_{i_t, i_{t +1}})P(O, I | \overline{\lambda}) &=\sum_{I}\sum_{i = 1}^{T - 1}loga_{i_t, i_{t +1}}P(O, I | \overline{\lambda})\\ &=\sum_{t = 1}^{T - 1}\sum_{I}loga_{i_t, i_{t +1}}P(O, I | \overline{\lambda})\\ &=\sum_{t = 1}^{T - 1}\sum_{i = 1}^{N}\sum_{j = 1}^{N}\sum_{I^*}loga_{ij}P(O, i_t=i, i_{t + 1}=j , I^*| \overline{\lambda})\\ &=\sum_{t = 1}^{T - 1}\sum_{i = 1}^{N}\sum_{j = 1}^{N}loga_{ij}\sum_{I^*}P(O, i_t=i, i_{t + 1}=j , I^*| \overline{\lambda})\\ &=\sum_{t = 1}^{T - 1}\sum_{i = 1}^{N}\sum_{j = 1}^{N}loga_{ij}P(O, i_t = i, i_{t + 1}=j | \overline{\lambda})\\ &=\sum_{i = 1}^{N}\sum_{j = 1}^{N}\sum_{t = 1}^{T - 1}loga_{ij}P(O, i_t = i, i_{t + 1}=j | \overline{\lambda}) \end{align*}

 

证明P182页公式3. (3)公式

\sum_{I}(\sum_{t = 1}^{T}logb_{i_t}(o_t))P(O,I|\overline{\lambda})=\sum_{j = 1}^{N}\sum_{t = 1}^{T}logb_j(o_t)P(O, i_t=j| \overline{\lambda})

同3. (1)中给出的说明，P(O, i_t=j| \overline{\lambda})其实表达的含义应该是\sum_{I*}P(O, i_t=j, I^*|\overline{\lambda})，I^*代表的是除了位置t之外的隐状态序列中其他位置的取值。

因此，有

\begin{align*} \sum_{I}(\sum_{t = 1}^{T}logb_{i_t}(o_t))P(O,I|\overline{\lambda}) &=\sum_{I}\sum_{t = 1}^{T}logb_{i_t}(o_t)P(O, I | \overline{\lambda})\\ &=\sum_{t = 1}^{T}\sum_{I}logb_{i_t}(o_t)P(O, I | \overline{\lambda})\\ &=\sum_{t = 1}^{T}\sum_{j = 1}^{N}\sum_{I*}logb_i(o_t)P(O, i_t=j, I^*|\overline{\lambda})\\ &=\sum_{t = 1}^{T}\sum_{j = 1}^{N}logb_i(o_t)\sum_{I*}P(O, i_t=j, I^*|\overline{\lambda})\\ &=\sum_{t = 1}^{T}\sum_{j = 1}^{N}logb_i(o_t)P(O, i_t=j|\overline{\lambda})\\ &=\sum_{j = 1}^{N}\sum_{t = 1}^{T}logb_j(o_t)P(O, i_t=j| \overline{\lambda}) \end{align*}

 

 

你可能感兴趣的:(人工智能,机器学习,隐马尔可夫模型)

  • 数学基础 -- 洛必达法则 sz66cm 机器学习人工智能高等数学微积分
    洛必达法则洛必达法则（L’Hôpital’sRule）是微积分中的一个重要定理，用于求解某些未定形式极限的问题。其基本思想是通过求导来简化极限计算。洛必达法则主要用于处理以下两种未定形式的极限：00\frac{0}{0}00和∞∞\frac{\infty}{\infty}∞∞。洛必达法则的公式假设函数f(x)f(x)f(x)和g(x)g(x)g(x)在某一开区间内可导，且在该区间内g′(x)≠0g
  • 深度强化学习在高频交易中的动态策略优化与收益提升 二进制独立开发 非纯粹GenAIGenAI与Pythonpython人工智能神经网络自然语言处理生成对抗网络金融数据挖掘
    文章目录1.高频交易的核心挑战与强化学习的适应性1.1高频交易中的核心问题1.2强化学习的适配性分析2.基于深度Q网络（DQN）的高频交易策略设计2.1状态空间构建：从LOB到特征工程2.2动作空间与奖励函数设计2.3DQN模型架构与训练优化3.业务视角下的策略优化与风险管理3.1策略有效性验证3.2实时部署与延迟优化3.3合规与伦理考量4.实验：基于NASDAQLOB数据的策略对比4.1数据集与
  • 探秘数据仓库新势力：网络建模 秉寒 数据仓库
    引言在数据如洪流般奔涌的时代，数据仓库作为企业数据管理和分析的核心枢纽，其建模技术也在不断革新。传统的数据仓库建模方式，如星型模型、雪花模型，曾为企业的数据组织和分析立下汗马功劳，但随着业务的日益复杂和数据关系的千变万化，它们逐渐显露出一定的局限性。而网络建模作为数据仓库领域的新名词，正以其独特的魅力和强大的功能，成为数据仓库技术发展的新方向。网络建模：打破传统的枷锁传统建模的局限传统的数据仓库建
  • MongoDB成为最好NoSQL数据库的原因是什么?思维导图 代码示例（java 架构) 用心去追梦 mongodbnosqljava
    MongoDB成为最受欢迎的NoSQL数据库之一，有多个因素促成了其成功和广泛采用。以下是从不同角度分析MongoDB成为最好NoSQL数据库的原因：MongoDB成为最好NoSQL数据库的原因文档型数据模型灵活模式：支持动态模式，无需预定义固定的表结构，易于适应快速变化的需求。嵌套结构：允许复杂的数据类型如数组、嵌入式文档，简化了数据建模。高性能与可扩展性读写性能：通过索引优化、内存映射文件等技
  • 联合文件系统介绍 软件架构师笔记 服务器android数据库
    联合文件系统介绍联合文件系统一个可堆叠统一的文件系统，该系统可以合并多个目录（分支）的内容，同时保持其物理内容独立。对于联合文件系统有很多不同的实现：aufsoverlayoverlay原理介绍OverlayFS处理内容层：一个或多个下层(lowerdir)和一个上层(upperdir)。下层被视为只读，上层被视为读写。OverlayFS通过联合挂载(merged)提供这些层的统一视图。lower
  • 【机器学习】必会降维算法之：多维缩放（MDS） Carl_奕然 机器学习算法人工智能
    多维缩放（MDS）1、引言2、多维缩放（MDS）2.1定义2.2应用场景2.3核心原理2.4实现方式2.5算法公式2.6代码示例3、总结1、引言小鱼：最近小屌丝在休假，难得的清闲，我这也闲言少叙，书归正传，咱就聊一聊降为算法之：多维缩放(MDS)在机器学习和数据科学领域，多维缩放（MultidimensionalScaling，简称MDS）是一种常用的降维技术。它能够在尽可能保留原始数据点间距离的
  • 科技快讯 | 2025商业新愿景；豆包大模型1.5 Pro正式发布；ChatGPT每月产生260吨二氧化碳 最新科技快讯 科技
    巨头扎堆入局，人形机器人量产渐行渐近2025年，人形机器人赛道热度持续升温，工信部《人形机器人创新发展指导意见》指出，2025年人形机器人创新体系初步建立，整机产品实现批量生产，并在多个场景应用。受访人士认为，人形机器人发展类似于智能手机初期，未来将逐步成熟迭代。专家预计，理想人形机器人可能需十年以上时间才能实现。信息来源：证券时报。特朗普考虑让这两人收购TikTok，除了马斯克还有他美国总统特朗
  • 训练入口+保存模型 如若123 深度学习python人工智能
    importargparsefromtorch.utils.dataimportDataLoaderfromtesting.testingimport*frommodels.model_coupled_v1importUnetfromdata.data_loadimport*importglobfromcollectionsimportOrderedDictdevice="cuda:0"iftor
  • 智能推理的革命：DeepSeek-R1 深度解析其算法与实现 步子哥 算法人工智能
    在人工智能（AI）领域，语言模型（LargeLanguageModels,LLMs）正以惊人的速度发展，变得越来越智能，能够理解和生成复杂的语言内容。然而，尽管现有的模型在许多任务上表现出色，它们在深度推理和逻辑思维方面仍有显著的提升空间。DeepSeek-R1的出现，正是为了解决这一问题，通过强化学习（ReinforcementLearning,RL）赋予语言模型更强大的推理能力，开创了LLMs
  • 《从传统到智能：大模型交换机的变革之路》 烁月_o9 数据库服务器运维web安全安全
    大模型交换机是一种专门为大规模人工智能模型提供网络和计算资源调度的硬件设备。以下是关于它的详细介绍：特点高带宽和低延迟：大模型的训练和推理通常需要处理大量的数据，高带宽可以确保数据在各个计算节点之间快速传输，低延迟则能减少数据传输过程中可能出现的瓶颈，提高训练和推理的效率。智能路由与数据调度：基于AI算法的调度机制，能够动态地调整数据传输路径，以应对不同网络条件和负载的变化，避免某些节点的拥塞，确
  • 提取图片颜色信息转数据信息 ~夕上林~ 图像处理matlab
    提取图片颜色信息转数据信息背景：给定原始图片如下，数据范围为0~2π\piπ，如何通过给定图片，提取出来对应的数据信息。目录提取图片颜色信息转数据信息分析颜色模型图像预处理图像修复图片重建和裁剪提取数据分析原始图片存在两个数据图Transmittedwave和Reflectedwave，接下来将其简称为c图和d图。两数据图的颜色范围和数据范围均一致，之后以c图进行分析：项目Value长lll2.2
  • 大模型项目落地时，该如何估算模型所需GPU算力资源 kcarly 大模型知识乱炖认识系列gpu算力深度学习自然语言处理AIGC
    近期公司有大模型项目落地。在前期沟通时，对于算力估算和采购方案许多小伙伴不太了解，在此对相关的算力估算和选择进行一些总结。不喜欢过程的可以直接跳到HF上提供的模型计算器要估算大模型的所需的显卡算力，首先要了解大模型的参数基础知识。大模型的规模、参数的理解模型参数单位我们的项目中客户之前测试过Qwen1.5-110B的模型，效果还比较满意。（Qwen还是国产模型中比较稳定的也是很多项目的首选）模型中
  • PaddleSeg 从配置文件和模型 URL 自动化运行预测任务 如若123 自动化运维人工智能深度学习
    gitclonehttps://github.com/PaddlePaddle/PaddleSeg.git#在ipynb里面运行cdPaddleSegimportsyssys.path.append('/home/aistudio/work/PaddleSeg')importos#配置文件夹路径folder_path="/home/aistudio/work/PaddleSeg/configs"#
  • 第38周：猫狗识别 (Tensorflow实战第八周) weixin_46620278 tensorflow人工智能python
    目录前言一、前期工作1.1设置GPU1.2导入数据输出二、数据预处理2.1加载数据2.2再次检查数据2.3配置数据集2.4可视化数据三、构建VGG-16网络3.1VGG-16网络介绍3.2搭建VGG-16模型四、编译五、训练模型六、模型评估七、预测总结前言本文为中的学习记录博客原作者：说在前面1）本周任务：了解model.train_on_batch()并运用；了解tqdm，并使用tqdm实现可视
  • 如何在 Ubuntu 20.04 或 22.04 上安装 Python 3 百川Cs 计算机基础ubuntupythonlinuxpipconda
    以下是关于如何在Ubuntu20.04或22.04上安装Python3的详细步骤。Python是一种广泛使用的编程语言，适用于自动化、数据分析、机器学习等领域。Ubuntu系统通常预装了Python3，但如果需要安装或升级到最新版本，可以按照以下方法操作。检查系统是否已安装Python3打开终端（快捷键：Ctrl+Alt+T）。输入以下命令检查是否已安装Python3：python3--versi
  • shell 批量导表到数据库 大乔乔布斯 数据库unixlinux
    需求：1，一堆表格，csv文件，2，特定分割符，3，表头有特殊utf16进制字符，文件可能是16进制或者utf8的格式，统一utf84，读取第一行作为表头处理一些空的字符，还有特殊字符，BOM(ByteOrderMark)5，转化linux路径为MYSQL可识别路径，先转换下中文到英文，否则mysql不能load6，循环导入到数据库中。可以每个表在数据库工具中，像Navicat里导入，1by1，也
  • 6 回归集成：xgb、lgb、cat 汀沿河 #2比赛常用的代码回归数据挖掘人工智能
    这个代码是从kaggle上拷贝过来的：如何使用三个树模型模块化训练；文本特征如何做，如何挖掘；时间特征的处理；模型权重集成；importpandasaspdimportmathimportnumpyasnpimportjoblibimportoptunafromlightgbmimportLGBMRegressorfromcatboostimportCatBoostRegressorfromxgb
  • KNOWLEDGE UNLEARNING FOR MITIGATING PRIVACY RISKS IN LANGUAGE MODELS 绒绒毛毛雨 语言模型人工智能自然语言处理
    文章目录摘要1引言2相关工作2.1语言模型的隐私方法2.2机器去学习2.3语言模型中的记忆3语言模型中的知识去学习3.1方法论3.2量化语言模型的隐私风险4实验4.1模型、数据集和配置4.2主要实验4.3知识去学习的分析5结论摘要预训练语言模型（LMs）在初始预训练过程中记忆了大量知识，包括可能侵犯个人隐私和身份的信息。以往针对语言模型隐私问题的研究主要集中在数据预处理和差分隐私方法上，这两者都需
  • 全网最最实用--教你用gradio搭网页、部署模型等（代码粘贴即用、不讲虚的） 绒绒毛毛雨 大模型算法microsoft前端语言模型人工智能ai
    文章目录〇前言一、构建网页1.各个组件介绍a.文本输入和输出b.图像输入和输出c.音频输入和输出d.视频输入和输出e.文件上传和下载f.滑块(`Slider`)g.单选按钮(`Radio`)h.复选框(`CheckboxGroup`)j.数据表格(`Dataframe`)2.一个网页示例代码a.按钮使用指南（事件处理和回调）3.整个网页代码b.整个网页展示二、构建ai任务a.构建一个自己的大语言模
  • Vue.js组件开发详解 小俊学长 vue.jsflutter前端
    Vue.js组件开发详解Vue.js是一个用于构建用户界面的渐进式框架，其核心思想是通过数据驱动视图的变化，同时提供了一系列强大的工具来帮助开发者高效地开发复杂的单页应用。在Vue.js中，组件是构建复杂应用的基本单元，通过组件化开发，我们可以将应用拆分成可复用的、独立的模块，从而提高开发效率和代码的可维护性。本文将详细讲解Vue.js组件的开发过程，从基础概念到高级技巧，全面覆盖组件开发的各个方
  • 探秘FreeMovie：一个开源的电影推荐系统 孟振优Harvester
    探秘FreeMovie：一个开源的电影推荐系统去发现同类优质开源项目:https://gitcode.com/项目简介是一个基于深度学习的开源电影推荐系统，由pojiezhiyuanjun开发并维护。该项目的目标是为用户提供个性化的电影推荐服务，通过机器学习算法理解用户的观影偏好，并据此进行智能推荐。技术分析FreeMovie的核心架构包括以下关键组件：数据处理-项目采用Hadoop进行大数据预处
  • 『大模型笔记』AI自动化编程工具汇总[持续更新ING]！ AI大模型前沿研究 大模型笔记大模型AI自动化工具bolt.newCursorV0
    『大模型笔记』AI自动化编程工具汇总！文章目录一.Bolt.new(开源AI驱动全栈Web开发工具)1.1.Bolt.new介绍1.2.编程小白如何打造自己的导航网站二.Cursor(人工智能代码编辑器)2.1.Cursor入门教程2.2.Cursor左侧布局设置和VSCode一样2.3.Cursor效率之道：Agent模式＋7大高级技巧详解三.Windsurf(颠覆Cursor的全新工具)3.1
  • 龙珠训练营机器学习task04 a_little_pig_ python
    学习笔记为阿里云天池龙珠计划机器学习训练营的学习内容，学习链接为：https://tianchi.aliyun.com/competition/entrance/231702/introduction?spm=5176.20222472.J_3678908510.8.8f5e67c2RKrT98总体思路：分别使用LightGBM，xgboost，gbdt，catboost建立多个个体学习器（加入b
  • Lambda离线实时分治架构深度解析与实战 喜欢猪猪 架构
    一、引言在大数据技术日新月异的今天，Lambda架构作为一种经典的数据处理模型，在应对大规模数据应用方面展现出了强大的能力。它整合了离线批处理和实时流处理，为需要同时处理批量和实时数据的应用场景提供了成熟的解决方案。本文将对Lambda架构的演变、核心组件、工作原理及痛点进行深度解析，并通过Java代码实现一个实战实例。二、Lambda架构的演变Lambda架构是由Storm的作者NathanMa
  • “大模型横扫千军”背后的大数据挖掘--浅谈MapReduce 绒绒毛毛雨 大数据挖掘数据挖掘mapreduce人工智能
    文章目录O背景知识1数据挖掘2邦费罗尼原则3TF.IDF4哈希函数5分布式文件系统一、MapReduce基本介绍1.Map任务2.按键分组3.Reduce任务4.节点失效处理5.小测验：在一个大型语料库上有100个map任务和若干reduce任务：二、基于MapReduce的基本运算1.选择（Selection）2.交（Intersection）3.并（Union）4.补（Difference）5
  • 什么是vue.js组件开发，我们需要做哪些准备工作？ 大懒猫软件 vue.js
    Vue.js是一个非常流行的前端框架，用于构建用户界面。组件开发是Vue.js的核心概念之一，通过将界面拆分为独立的组件，可以提高代码的可维护性和复用性。以下是一个详细的Vue.js组件开发指南，包括基础概念、开发流程和代码示例。一、Vue.js组件开发基础1.组件的基本结构Vue.js组件是一个独立的、可复用的UI元素。每个组件都有自己的模板、逻辑和样式。组件的基本结构如下：vue复制{{tit
  • 大模型中的分词技术 BBPE 禅与计算机技术 深度学习大模型NLP深度学习nlp中文分词机器学习
    一、OOV问题和多语言场景在自然语言处理（NLP）中，OOV（Out-of-Vocabulary）问题是指模型在处理文本时遇到未在词表中出现过的词汇，导致无法有效处理这些词汇的情况。这一问题在多语言场景中尤为突出，因为不同语言在词汇、语法结构和表达方式上存在显著差异，单一语言的词表难以全面覆盖多语言的复杂性。在多语言场景下的NLP任务中（如机器翻译、跨语言文本分类等），模型需要处理多种语言的混合文
  • Topaz Video AI——视频修复 爱研究的小牛 AIGC—视频AIGC
    一、TopazVideoAI介绍及使用TopazVideoAI是一款基于人工智能的视频增强和修复软件，主要用于提升视频质量、去噪、插帧和分辨率提升。它利用深度学习技术对视频进行智能化处理，使得视频看起来更加清晰和流畅。TopazVideoAI特别适合那些需要修复旧视频、提升低分辨率视频质量的用户。二、TopazVideoAI的主要功能视频去噪：通过AI模型去除视频中的噪点，使画面更加干净。分辨率提
  • python实战项目34：基于flask的天气数据可视化系统1.0 wp_tao Python副业接单实战项目flask信息可视化python
    基于flask的天气数据可视化系统1.0一、效果展示二、flask简介三、图表绘制四、前端页面编写五、完整代码一、效果展示该flask项目相对简单入门，使用了flask框架、bootstrap前端技术，数据使用的是上一篇scrapy爬取城市天气数据中爬取到的数据。二、flask简介Flask是一个基于Python的Web开发框架，它以灵活、微框架著称，基于werkzeug的轻量级web框架，可提高
  • 元数据驱动的设想 吾爱乐享 pythonpython
    本文永久更新地址:1.背景针对相似结构的表单，为了提高ui自动化编写效率，减少以减少重复工作，设想是否可以设计一个针对neoUI2.0通过元数据驱动的方式适应不同业务对象的测试框架2.设计元数据模型-字段名-字段类型-是否必填-是否只读-默认值-业务逻辑（可选，后期扩展）3.构建自动化测试框架利用现有的RF框架已实现的功能，通过实体名称打开对应实体的表单关键L进入【进入菜单】关键字进入【点击新建业
  • mysql主从数据同步 林鹤霄 mysql主从数据同步
    配置mysql5.5主从服务器(转) 教程开始：一、安装MySQL 说明：在两台MySQL服务器192.168.21.169和192.168.21.168上分别进行如下操作，安装MySQL 5.5.22  二、配置MySQL主服务器（192.168.21.169）mysql  -uroot  -p   &nb
  • oracle学习笔记 caoyong oracle
    1、ORACLE的安装    a>、ORACLE的版本    8i,9i :   i是internet    10g,11g : grid (网格)    12c : cloud (云计算)       b>、10g不支持win7 &
  • 数据库，SQL零基础入门 天子之骄 sql数据库入门基本术语
    数据库，SQL零基础入门        做网站肯定离不开数据库，本人之前没怎么具体接触SQL，这几天起早贪黑得各种入门，恶补脑洞。一些具体的知识点，可以让小白不再迷茫的术语，拿来与大家分享。          数据库，永久数据的一个或多个大型结构化集合，通常与更新和查询数据的软件相关
  • pom.xml 一炮送你回车库 pom.xml
    1、一级元素dependencies是可以被子项目继承的 2、一级元素dependencyManagement是定义该项目群里jar包版本号的，通常和一级元素properties一起使用，既然有继承，也肯定有一级元素modules来定义子元素 3、父项目里的一级元素<modules> <module>lcas-admin-war</module> <
  • sql查地区省市县 3213213333332132 sqlmysql
    -- db_yhm_city SELECT * FROM db_yhm_city WHERE class_parent_id = 1 -- 海南 class_id = 9 港、奥、台 class_id = 33、34、35 SELECT * FROM db_yhm_city WHERE class_parent_id =169 SELECT d1.cla
  • 关于监听器那些让人头疼的事 宝剑锋梅花香 画图板监听器鼠标监听器
           本人初学JAVA，对于界面开发我只能说有点蛋疼，用JAVA来做界面的话确实需要一定的耐心（不使用插件，就算使用插件的话也没好多少）既然Java提供了界面开发，老师又要求做，只能硬着头皮上啦。但是监听器还真是个难懂的地方，我是上了几次课才略微搞懂了些。       
  • JAVA的遍历MAP darkranger map
    Java Map遍历方式的选择 1. 阐述 　　对于Java中Map的遍历方式，很多文章都推荐使用entrySet，认为其比keySet的效率高很多。理由是：entrySet方法一次拿到所有key和value的集合；而keySet拿到的只是key的集合，针对每个key，都要去Map中额外查找一次value，从而降低了总体效率。那么实际情况如何呢？ 　　为了解遍历性能的真实差距，包括在遍历ke
  • POJ 2312 Battle City 优先多列+bfs aijuans 搜索
    来源：http://poj.org/problem?id=2312 题意：题目背景就是小时候玩的坦克大战，求从起点到终点最少需要多少步。已知S和R是不能走得，E是空的，可以走，B是砖，只有打掉后才可以通过。 思路：很容易看出来这是一道广搜的题目，但是因为走E和走B所需要的时间不一样，因此不能用普通的队列存点。因为对于走B来说，要先打掉砖才能通过，所以我们可以理解为走B需要两步，而走E是指需要1
  • Hibernate与Jpa的关系，终于弄懂 avords javaHibernate数据库jpa
    我知道Jpa是一种规范，而Hibernate是它的一种实现。除了Hibernate，还有EclipseLink(曾经的toplink)，OpenJPA等可供选择，所以使用Jpa的一个好处是，可以更换实现而不必改动太多代码。 在play中定义Model时，使用的是jpa的annotations，比如javax.persistence.Entity, Table, Column, OneToMany
  • 酸爽的console.log bee1314 console
    在前端的开发中，console.log那是开发必备啊，简直直观。通过写小函数，组合大功能。更容易测试。但是在打版本时，就要删除console.log，打完版本进入开发状态又要添加，真不够爽。重复劳动太多。所以可以做些简单地封装，方便开发和上线。 /** * log.js hufeng * The safe wrapper for `console.xxx` functions *
  • 哈佛教授：穷人和过于忙碌的人有一个共同思维特质 bijian1013 时间管理励志人生穷人过于忙碌
            一个跨学科团队今年完成了一项对资源稀缺状况下人的思维方式的研究，结论是：穷人和过于忙碌的人有一个共同思维特质，即注意力被稀缺资源过分占据，引起认知和判断力的全面下降。这项研究是心理学、行为经济学和政策研究学者协作的典范。 　　这个研究源于穆来纳森对自己拖延症的憎恨。他7岁从印度移民美国，很快就如鱼得水，哈佛毕业
  • other operate 征客丶 OSosx
    一、Mac Finder 设置排序方式，预览栏 在显示－》查看显示选项中 二、有时预览显示时，卡死在那，有可能是一些临时文件夹被删除了，如：/private/tmp[有待验证] -------------------------------------------------------------------- 若有其他凝问或文中有错误，请及时向我指出， 我好及时改正，同时也让我们一
  • 【Scala五】分析Spark源代码总结的Scala语法三 bit1129 scala
    1. If语句作为表达式 val properties = if (jobIdToActiveJob.contains(jobId)) { jobIdToActiveJob(stage.jobId).properties } else { // this stage will be assigned to "default" po
  • ZooKeeper 入门 BlueSkator 中间件zk
    ZooKeeper是一个高可用的分布式数据管理与系统协调框架。基于对Paxos算法的实现，使该框架保证了分布式环境中数据的强一致性，也正是基于这样的特性，使得ZooKeeper解决很多分布式问题。网上对ZK的应用场景也有不少介绍，本文将结合作者身边的项目例子，系统地对ZK的应用场景进行一个分门归类的介绍。 值得注意的是，ZK并非天生就是为这些应用场景设计的，都是后来众多开发者根据其框架的特性，利
  • MySQL取得当前时间的函数是什么 格式化日期的函数是什么 BreakingBad mysqlDate
    取得当前时间用 now() 就行。 在数据库中格式化时间 用DATE_FORMA T(date, format) . 根据格式串format 格式化日期或日期和时间值date，返回结果串。 可用DATE_FORMAT( ) 来格式化DATE 或DATETIME 值，以便得到所希望的格式。根据format字符串格式化date值: %S, %s 两位数字形式的秒（ 00,01,
  • 读《研磨设计模式》-代码笔记-组合模式 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/ import java.util.ArrayList; import java.util.List; abstract class Component { public abstract void printStruct(Str
  • 4_JAVA+Oracle面试题(有答案) chenke oracle
    基础测试题 卷面上不能出现任何的涂写文字，所有的答案要求写在答题纸上，考卷不得带走。 选择题 1、 What will happen when you attempt to compile and run the following code? （3） public class Static { static { int x = 5; // 在static内有效 } st
  • 新一代工作流系统设计目标 comsci 工作算法脚本
      用户只需要给工作流系统制定若干个需求，流程系统根据需求，并结合事先输入的组织机构和权限结构，调用若干算法，在流程展示版面上面显示出系统自动生成的流程图，然后由用户根据实际情况对该流程图进行微调，直到满意为止，流程在运行过程中，系统和用户可以根据情况对流程进行实时的调整，包括拓扑结构的调整，权限的调整，内置脚本的调整。。。。。 在这个设计中，最难的地方是系统根据什么来生成流
  • oracle 行链接与行迁移 daizj oracle行迁移
    表里的一行对于一个数据块太大的情况有二种(一行在一个数据块里放不下) 第一种情况: INSERT的时候，INSERT时候行的大小就超一个块的大小。Oracle把这行的数据存储在一连串的数据块里(Oracle Stores the data for the row in a chain of data blocks)，这种情况称为行链接(Row Chain)，一般不可避免(除非使用更大的数据
  • [JShop]开源电子商务系统jshop的系统缓存实现 dinguangx jshop电子商务
    前言 jeeshop中通过SystemManager管理了大量的缓存数据，来提升系统的性能，但这些缓存数据全部都是存放于内存中的，无法满足特定场景的数据更新（如集群环境）。JShop对jeeshop的缓存机制进行了扩展，提供CacheProvider来辅助SystemManager管理这些缓存数据，通过CacheProvider,可以把缓存存放在内存,ehcache,redis，memcache
  • 初三全学年难记忆单词 dcj3sjt126com englishword
    several 儿子；若干 shelf 架子 knowledge 知识；学问 librarian 图书管理员 abroad 到国外，在国外 surf 冲浪 wave 浪；波浪 twice 两次；两倍 describe 描写；叙述 especially 特别；尤其 attract 吸引 prize 奖品；奖赏 competition 比赛；竞争 event 大事；事件 O
  • sphinx实践 dcj3sjt126com sphinx
      安装参考地址:http://briansnelson.com/How_to_install_Sphinx_on_Centos_Server   yum install sphinx 如果失败的话使用下面的方式安装 wget http://sphinxsearch.com/files/sphinx-2.2.9-1.rhel6.x86_64.rpm yum loca
  • JPA之JPQL（三） frank1234 ormjpaJPQL
    1 什么是JPQL JPQL是Java Persistence Query Language的简称，可以看成是JPA中的HQL， JPQL支持各种复杂查询。 2 检索单个对象 @Test public  void querySingleObject1() {     Query query = em.createQuery("sele
  • Remove Duplicates from Sorted Array II hcx2013 remove
    Follow up for "Remove Duplicates":What if duplicates are allowed at most twice? For example,Given sorted array nums = [1,1,1,2,2,3], Your function should return length
  • Spring4新特性——Groovy Bean定义DSL jinnianshilongnian spring 4
    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Mysql5.5 liuxingguome centos
    CentOS下以RPM方式安装MySQL5.5 首先卸载系统自带Mysql： yum remove mysql mysql-server mysql-libs compat-mysql51 rm -rf /var/lib/mysql rm /etc/my.cnf 查看是否还有mysql软件： rpm -qa|grep mysql 去http://dev.mysql.c
  • 第14章 工具函数（下） onestopweb 函数
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • POJ 1050 SaraWon 二维数组子矩阵最大和
    POJ ACM第1050题的详细描述，请参照 http://acm.pku.edu.cn/JudgeOnline/problem?id=1050 题目意思： 给定包含有正负整型的二维数组，找出所有子矩阵的和的最大值。 如二维数组 0 -2 -7 0 9 2 -6 2 -4 1 -4 1 -1 8 0 -2 中和最大的子矩阵是 9 2 -4 1 -1 8 且最大和是15
  • [5]设计模式——单例模式 tsface java单例设计模式虚拟机
    单例模式：保证一个类仅有一个实例，并提供一个访问它的全局访问点   安全的单例模式：     /* * @(#)Singleton.java 2014-8-1 * * Copyright 2014 XXXX, Inc. All rights reserved. */ package com.fiberhome.singleton;
  • Java8全新打造，英语学习supertool yangshangchuan javasuperword闭包java8函数式编程
    superword是一个Java实现的英文单词分析软件，主要研究英语单词音近形似转化规律、前缀后缀规律、词之间的相似性规律等等。Clean code、Fluent style、Java8 feature: Lambdas, Streams and Functional-style Programming。   升学考试、工作求职、充电提高，都少不了英语的身影，英语对我们来说实在太重要
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他