指尖 算法 精灵 笔记

Volatile 保证可见性 private volatile static Integer num = 0; 使用了volatile关键字，即可保证它本身可被其他线程的工作内存感知，即变化时也会被同步变化。 不保证原子性 原子性：不可分割 线程A在执行任务时是不可被打扰的，也不能被分割，要么同时成 ......

1. 理查德·费曼(Richard Feynman)曾经说过：“如果你想真正学习一门学科，就写一本关于它的书。” 2. 重构是改变代码结构的艺术 2.1. 写出好代码通常只是成为高效开发者的一半标准 2.2. 另一半标准则是敏捷地转换代码 2.3. IDE提供了很好的重构工具 2.4. 将重构视为一 ......

🚩简单类： keyboard2.0 21 31 41 53 63 73 62 72 82 81 91 01 51 61 71 提示：解出来的内容转换为md5值后加上flag{} 数字被分成五组，每组包含三个数字 。 考察：键盘坐标密码 观察这五组数字，每一组其中的一个数字中第一个数字代表横向（X坐 ......

用 \(k + 1\) 个点可以唯一确定一个 \(k\) 次多项式，很好证明，我们可以用这 \(k + 1\) 个点列出一个 \(k + 1\) 元一次方程，其中未知数为多项式的每项系数。 如果我们想要求出多项式 \(f(x)\) 在某一点 \(x'\) 上的值，我们大可以直接将方程列出，高斯消元即 ......

基于波束形成 DeaySum 输入： x : 输入信号，样本*通道 fs : 采样率 N : FFT 长度，频率分量数目 frameLength : 帧长度，通常与 N 相同 inc : 步进增量 r : 阵元半径 angle : 入射角度 输出： DS : 延迟和输出 x1 : 预导向信号，与 x ......

目的：针对MUSIC其分辨率低且在麦克风数目较少时DOA估计精度较差的问题。 方法：利用广义互相关算法估计出声源信号到达各 麦克风之间的时间差，并据此构建出对应的矢量信号，最后通过计算谱函数确定DOA估计值。 结果：优化后的ＭＵＳＩＣ 算法可以得到更加尖锐的指向性波束，更低的旁瓣，并且能使方位角的定 ......

目的：相位变换加权指向响应功率（SRP-PHAT）算法在低信噪比和强混响环境下具有较好的鲁棒性，但是空间遍历带来的海量计算给其声源实时定位带来了挑战。 方法：提出了一种适用于多声源的随机区域收缩SRP-PHAT算法，通过最小描述长度（MDL）准则确定声源数量，利用 K-means聚类算法进行空间区域 ......

https://github.com/Immortalqx/RANSAC/tree/master ......

期中寄，人已疯 \(\mathbf{LP}\)： \(A\) 是 \(m\times n\) 的矩阵，\(c\) 是 \(n\) 维向量，\(b\) 是 \(m\) 维向量，以下优化问题被称为 \(\mathbf{LP}\) 问题： \(x\) 是 \(n\times 1\) 维向量，在满足限制 \ ......

前言 本篇将介绍如何通过添加RenderFeature实现自定义的postprocess——Dual Blur 关于RenderFeature的基础可以看这篇https://www.cnblogs.com/chenglixue/p/17816447.html Dual Blur介绍 因为毛神对于十大 ......

若在划定区域内检测到车辆（支持检测轿车、卡车、大巴、自行车、三轮车、摩托车、电动车等车型），并达到触发告警的时间，则立即上告消息并展示在告警中心。 ......

在值班室监控场景中，需要3人在岗，那么可以划定只包含这3人的固定区域（避免路人误报），然后设置在岗人数为3人，离岗时间设置为3分钟，如果此时有一个人离岗超过3分钟，则会上报离岗事件。 ......

一、API概述 JDK中提供的各种功能的Java类 二、Object类 概述 类层次结构的根类 所有类都直接或间接的继承自该类 Class Object是类object结构的根。每个Class都有object作为超类。所有对象（包括数组）都实现了的这个类的方法 构造方法 public Object( ......

GitHub 上开源的必应壁纸 API 作为数据来源。 -- 1.开源地址 https://github.com/zenghongtu/bing-wallpaper -- 2.请求接口 https://bingw.jasonzeng.dev/ 一、接口使用说明 1.API 接口：https://bi ......

#!/usr/bin/expect #set timeout 30 spawn ssh username@ipaddr expect "Password:" send "$password\r" expect "Select group:" send "/$172.0.0.1\r" expect " ......

【Matlab】Matlab读取dcm图像的函数 Matlab版本：2020a一、dicomread函数Matlab读取dcm图像的函数是dicomread，根据dicomread的帮助文档，该函数有四种参数输入方式： X = dicomread(filename); % 根据文件名直接读取 X = ......

记录下对驱动程序的整体了解过程。 笔者是从算法开始接触计算机，然后学习单片机，fpga，嵌入式linux，网络编程。经过十年左右的断续学习，对计算机体系有了一个完整的概念。 从自己的经验，来介绍下我眼中的驱动。 关键词解释： 本文里MCU和单片机是一个意思，都是一个微型控制系统.包含CPU模块（中央 ......

P6273[eJOI2017] 魔法 题解 考虑定义\(S_{r_k} = \Sigma_{i = 1}^{r}[s_i = k]\)，那么对于任意一个子串\([l,r]\)，其为有魔法的子串的充要条件为\(S_{c_{r}} - S_{c_{l - 1}}\)对于任意的，在\(s\)中出现了的\( ......

萌新刚学Tarjan，啥也不会，肯定一堆错，请大佬指正谢谢 前置 强连通 强连通： 在不是强连通图的有向图\(G\)内，其顶点\(u\),\(v\)两个方向上都存在有向路径，则\(u\)和\(v\)强连通 强连通图： 对于有向图 \(G\) ，若\(G\)中任意两个结点连通，则称有向图\(G\)强连 ......

今天模拟赛 B 没想出来，甚至没到单调栈那一步。到了可能也不会做。 发现单调栈已经忘干净了，之前学过的悬线法也不太会，这里补一下单调栈。 板子：HISTOGRA - Largest Rectangle in a Histogram 在我的这篇博客里有题解。总之我自己是看懂了的。 单调栈求最大全 1 ......

1. 多线程加速计算 public static int count = 0; public static object o = new object(); private static void Calculation() { lock (o)//加锁 { for (int j = 0; j < ......

随着项目规模的增加，下面这些活动的工作量增长超过线性: 交流 计划 管理 需求分析 系统功能设计 接口设计和规格说明 架构 集成 消除缺陷 系统测试 文档生成 在社交场合，活动越正式，你所穿的服装就会越不舒服（高跟鞋、领带等等）。在软件幵发领域里，项目越正规，你不得不写的文件的数量也会越多，用于确认 ......

一、Maven简介和快速入门 1.1 Maven介绍 Maven 是一款为 Java 项目构建管理、依赖管理的工具（软件），使用 Maven 可以自动化构建、测试、打包和发布项目，大大提高了开发效率和质量。 Maven就是一个软件，掌握软件安装、配置、以及基本功能（项目构建、依赖管理）使用就是本课程 ......

FHQ Treap，其中 FHQ 指此做法的发明者——范浩强神犇，是依赖于分裂合并操作实现的 Treap，这种操作方式使得它天生支持维护序列、可持久化等特性 ......

平时写代码，代码量比较少的时候还能看懂自己写的，但当项目结构复杂起来，就需要用到注释。 注释并不会被执行，是写给写代码的人看的，让别人更容易理解代码。 注释是一个非常好的习惯。 单行注释 public class HelloWold { public static void main(String[ ......

岭回归、LASSO回归 1. 岭回归 1.1 岭回归 L2正则化 在之前的 中，使用 最小二乘法求解线性回归问题 时，讨论到了 \(X^TX\) 是否可逆。 最小二乘法得到的解析解为： \[\theta = (X^TX)^{-1}X^Ty \]此时只有 \(X\) 列满秩 才有解，即 \(\text ......

Java是一种强类型语言。 或者称为强类型定义语言。 要求变量的使用要严格符合规定，所有变量都必须先定义后才能使用。 一旦定义了一个变量，指定了某个数据类型，如果不经过转换的话，它就永远是这个类型了。 好处是安全性高，相对的，速度就比较慢。 弱类型语言，VBScript，JavaScript等，变量 ......

BGD, SGD, MBGD 1. BGD 批量梯度下降法（Batch Gradient Descent） 1.1 批量梯度下降法介绍 在 梯度下降法 每次迭代中，将 所有样本 用来进行参数 \(\theta\) （梯度）的更新，这其实就是 批量梯度下降法。 批量梯度下降法 的 损失函数表达式： \ ......

Grandient Descent 1. 梯度下降法 1.1 梯度与梯度下降 对于 一元函数 来说，梯度就是函数的导数；对于 多元函数 来说，梯度是一个由函数所有 偏微分 组成的向量。 梯度下降 是通过一步步迭代，使得所有 偏微分 的值达到最低。 可以以简单的 一元二次函数 \(y = (x - 1 ......

chapter7/面向对象 7.1 面向对象基础 7.1.1 定义 类：同一类的属性和方法的集合； 对象：类的实例化就是对象； 7.1.2 特征 类的三大特性：封装，继承，和多态； 封装 封装就是将属性和方法相捆绑，形成一个整体； 封装可以提高程序的简洁性和安全性； 使用者只需调用程序的相关接口，不 ......