24.马尔科夫矩阵,傅里叶级数

文章目录

  • 1. Markov matrix
    • 1.1 定义
    • 1.2 计算
  • 2. 马尔科夫矩阵的应用
  • 3. 傅里叶级数
    • 3.1 标准正交基的投影问题
    • 3.2 函数正交
    • 3.3 傅里叶级数

1. Markov matrix

1.1 定义

对于马尔科夫矩阵Markov matrix 来说,矩阵A要满足两个条件:

  • 矩阵A的每个元素必须大于等于0
  • 矩阵A中的每一列 a 0 a_0 a0向量里面的元素和为1,这样保证了矩阵A的特征值最大为1,其他特征值小于1.
    A = [ 0.1 0.01 0.3 0.2 0.99 0.3 0.7 0 0.4 ] \begin{equation} A=\begin{bmatrix} 0.1&0.01&0.3\\\\ 0.2&0.99&0.3\\\\ 0.7&0&0.4 \end{bmatrix} \end{equation} A= 0.10.20.70.010.9900.30.30.4
    我们发现矩阵A上的每个元素都大于等于0;
    0.1+0.2+0.7=1;0.01+0.99+0=1,;0.3+0.3+0.4=1;故可以得出矩阵A为Markov matrix!!!

1.2 计算

u k + 1 = A u k ; u k + 1 = A n u 0 ; A k = S Λ k S − 1 ; u 0 = S C 0 \begin{equation} u_{k+1}=Au_k;u_{k+1}=A^nu_0;A^k=S\Lambda^k S^{-1};u_0=SC_0 \end{equation} uk+1=Auk;uk+1=Anu0;Ak=SΛkS1u0=SC0

  • 化简可得如下:
    u k = A k u 0 = S Λ k S − 1 S C 0 = S Λ k C 0 \begin{equation} u_{k}=A^ku_0=S\Lambda^k S^{-1}SC_0=S\Lambda^kC_0 \end{equation} uk=Aku0=SΛkS1SC0=SΛkC0
    u k = S Λ k C 0 = S [ λ 1 k λ 2 k ⋱ λ n k ] C 0 = c 1 λ 1 k x 1 + c 2 λ 2 k x 2 + ⋯ + c n λ n k x n \begin{equation} u_{k}=S\Lambda^kC_0=S\begin{bmatrix}\lambda_1^k\\\\&\lambda_2^k\\\\&&&\ddots\\\\&&&&\lambda_n^k\end{bmatrix}C_0=c_1\lambda_1^kx_1+c_2\lambda_2^kx_2+\cdots+c_n\lambda_n^kx_n \end{equation} uk=SΛkC0=S λ1kλ2kλnk C0=c1λ1kx1+c2λ2kx2++cnλnkxn
  • 由上述公式可以看出,当k趋近于无穷大的时候,如果 ∣ λ i ∣ < 1 |\lambda_i|<1 λi<1时, λ i k = 0 \lambda_i^k=0 λik=0,只有 λ i = 1 \lambda_i=1 λi=1时保留,即为最终的稳态!!!
  • 假设 λ 1 = 1 \lambda_1=1 λ1=1,其他的 ∣ λ i ∣ < 1 |\lambda_i|<1 λi<1, lim ⁡ k → ∞ λ i k = 0 , ∣ λ i ∣ < 1 \lim _{k \to\infty}\lambda_i^k=0,|\lambda_i|<1 limkλik=0,λi<1整理上述公式可得:
    u k = c 1 x 1 \begin{equation} u_k=c_1x_1 \end{equation} uk=c1x1
  • 为什么markov matrix 有一个特征值为1?
    A 1 = A − 1 I = [ − 0.9 0.01 0.3 0.2 − 0.01 0.3 0.7 0 − 0.6 ] \begin{equation} A_1=A-1I=\begin{bmatrix} -0.9&0.01&0.3\\\\ 0.2&-0.01&0.3\\\\ 0.7&0&-0.6 \end{bmatrix} \end{equation} A1=A1I= 0.90.20.70.010.0100.30.30.6
  • 我们计算行列式值时,将 A 1 A_1 A1的各行相加到第1行,可以得到第1行都为0,所以 ∣ A 1 ∣ = 0 |A_1|=0 A1=0,所以可以得出,矩阵A一定有一个特征值满足 λ i = 1 \lambda_i=1 λi=1
  • 矩阵A的特征值和矩阵 A T A^T AT的特征值是否一致?
    我们知道计算矩阵A的特征值如下:
    d e t ( A − λ i I ) = 0 \begin{equation} det(A-\lambda_i I)=0 \end{equation} det(AλiI)=0
  • 将上式两边进行转置可得:
    d e t ( A T − λ j I T ) = d e t ( A T − λ j I ) = 0 \begin{equation} det(A^T-\lambda_j I^T)=det(A^T-\lambda_j I)=0 \end{equation} det(ATλjIT)=det(ATλjI)=0
  • 可以得出: λ i = λ j \lambda_i=\lambda_j λi=λj
    矩阵 A 和矩阵 A T 的特征值一致!!! 矩阵A和矩阵A^T的特征值一致!!! 矩阵A和矩阵AT的特征值一致!!!

2. 马尔科夫矩阵的应用

假设我们有两个州,一个叫加州,另外一个叫麻省。我们来看看两个州的人口问题,假设由于某些原因,在保证总人数不变的情况下,加州和麻省的人口每年进行相互流动,最终我们需要计算出经过100年后,加州和麻省最终的人口趋向于那个比例,矩阵A表示经过一年后发生了人口的迁移比例。

  • 我们用 u c a l u_{cal} ucal表示加州人口,用 u m a s u_{mas} umas表示麻省人口。
  • 对于加州的人口来说:在第k+1时刻,在第 k 时刻有0.9的人留在加州,有0.1的人去麻省;
  • 对于麻省的人口来说:在第k+1时刻,在第 k 时刻有0.8的人留在麻省,有0.1的人去加州;
  • 初始状态下,加州人口为0,麻省人口为1000;
    - [ u c a l u m a s ] t = k + 1 = [ 0.9 0.1 ] u c a l ∣ t = k + [ 0.8 0.2 ] u m a s ∣ t = k \begin{equation} \begin{bmatrix}u_{cal}\\\\u_{mas} \end{bmatrix}_{t=k+1}=\begin{bmatrix}0.9\\\\0.1\end{bmatrix}u_{cal}|_{t=k}+\begin{bmatrix}0.8\\\\0.2\end{bmatrix}u_{mas}|_{t=k} \end{equation} ucalumas t=k+1= 0.90.1 ucalt=k+ 0.80.2 umast=k
  • 用矩阵的形式表示如下:
    [ u c a l u m a s ] t = k + 1 = [ 0.9 0.2 0.1 0.8 ] [ u c a l u m a s ] t = k ; u 0 = [ 0 1000 ] ; ⇒ u 1 = [ 200 800 ] ; \begin{equation} \begin{bmatrix}u_{cal}\\\\u_{mas} \end{bmatrix}_{t=k+1}=\begin{bmatrix}0.9&0.2\\\\0.1&0.8\end{bmatrix}\begin{bmatrix}u_{cal}\\\\u_{mas} \end{bmatrix}_{t=k};u_0=\begin{bmatrix}0\\\\1000\end{bmatrix};\Rightarrow u_1=\begin{bmatrix}200\\\\800\end{bmatrix}; \end{equation} ucalumas t=k+1= 0.90.10.20.8 ucalumas t=ku0= 01000 u1= 200800
  • 求解矩阵A的特征值
    A = [ 0.9 0.2 0.1 0.8 ] ⇒ λ 1 = 1 , v 1 = [ 2 1 ] λ 2 = 0.7 , v 2 = [ 1 − 1 ] \begin{equation} A=\begin{bmatrix}0.9&0.2\\\\0.1&0.8\end{bmatrix} \Rightarrow \lambda_1=1,v_1=\begin{bmatrix}2\\\\1\end{bmatrix}\lambda_2=0.7,v_2=\begin{bmatrix}1\\\\-1\end{bmatrix} \end{equation} A= 0.90.10.20.8 λ1=1,v1= 21 λ2=0.7,v2= 11
  • 初始向量 u 0 u_0 u0可以分解如下:
    u 0 = [ 0 1000 ] = 1000 3 [ 2 1 ] − 2000 3 [ 1 − 1 ] = [ 2 1 1 − 1 ] [ 1000 3 − 2000 3 ] \begin{equation} u_0=\begin{bmatrix}0\\\\1000\end{bmatrix}=\frac{1000}{3}\begin{bmatrix}2\\\\1\end{bmatrix}-\frac{2000}{3}\begin{bmatrix}1\\\\-1\end{bmatrix}=\begin{bmatrix}2&1\\\\1&-1\end{bmatrix}\begin{bmatrix}\frac{1000}{3}\\\\-\frac{2000}{3}\end{bmatrix} \end{equation} u0= 01000 =31000 21 32000 11 = 2111 3100032000
    u 0 = S C 0 ; S = [ 2 1 1 − 1 ] ; C 0 = [ 1000 3 − 2000 3 ] \begin{equation} u_0=SC_0;S=\begin{bmatrix}2&1\\\\1&-1\end{bmatrix};C_0=\begin{bmatrix}\frac{1000}{3}\\\\-\frac{2000}{3}\end{bmatrix} \end{equation} u0=SC0;S= 2111 ;C0= 3100032000
  • 化简差分方程如下:
    u k = [ u c a l u m a s ] t = k ; u k + 1 = A u k ; u k = A k u 0 = S Λ k C 0 = [ 2 1 1 − 1 ] [ λ 1 k 0 0 λ 2 k ] [ 1000 3 − 2000 3 ] \begin{equation} u_{k}=\begin{bmatrix}u_{cal}\\\\u_{mas} \end{bmatrix}_{t=k}; u_{k+1}=Au_k;u_k=A^ku_0=S\Lambda^kC_0=\begin{bmatrix}2&1\\\\1&-1\end{bmatrix}\begin{bmatrix}\lambda_1^k&0\\\\0&\lambda_2^k\end{bmatrix}\begin{bmatrix}\frac{1000}{3}\\\\-\frac{2000}{3}\end{bmatrix} \end{equation} uk= ucalumas t=k;uk+1=Aukuk=Aku0=SΛkC0= 2111 λ1k00λ2k 3100032000
  • 整理上述可得:
    [ u c a l u m a s ] = [ 2000 3 λ 1 k − 2000 3 λ 2 k 1000 3 λ 1 k + 2000 3 λ 2 k ] \begin{equation} \begin{bmatrix}u_{cal}\\\\u_{mas} \end{bmatrix}= \begin{bmatrix} \frac{2000}{3}\lambda_1^k-\frac{2000}{3}\lambda_2^k\\\\ \frac{1000}{3}\lambda_1^k+\frac{2000}{3}\lambda_2^k \end{bmatrix} \end{equation} ucalumas = 32000λ1k32000λ2k31000λ1k+32000λ2k
  • λ 1 = 1 , λ 2 = 0.7 \lambda_1=1,\lambda_2=0.7 λ1=1,λ2=0.7 整理可得:
    lim ⁡ k → ∞ [ u c a l u m a s ] = [ 2000 3 1000 3 ] \begin{equation} \lim_{k \to \infty}\begin{bmatrix}u_{cal}\\\\u_{mas} \end{bmatrix}= \begin{bmatrix} \frac{2000}{3}\\\\ \frac{1000}{3} \end{bmatrix} \end{equation} klim ucalumas = 3200031000

3. 傅里叶级数

3.1 标准正交基的投影问题

假设我们有一组单位长度为1且相互正交的基向量 q 1 , q 2 , ⋯ , q n q_1,q_2,\cdots,q_n q1,q2,,qn,对于任意向量v;那么我们可以将向量v通过基向量的线性组合而成;
v = x 1 q 1 + x 2 q 2 + ⋯ + x n q n = [ q 1 q 2 ⋯ q n ] [ x 1 x 2 ⋮ x n ] = Q X ; Q − 1 = Q T \begin{equation} v=x_1q_1+x_2q_2+\cdots+x_nq_n=\begin{bmatrix}q_1&q_2&\cdots&q_n\end{bmatrix}\begin{bmatrix}x_1\\\\x_2\\\\\vdots\\\\x_n\end{bmatrix}=QX;Q^{-1}=Q^T \end{equation} v=x1q1+x2q2++xnqn=[q1q2qn] x1x2xn =QX;Q1=QT
v = Q X ; X = Q − 1 v = Q T v \begin{equation} v=QX;X=Q^{-1}v=Q^Tv \end{equation} v=QX;X=Q1v=QTv

  • 因为 q i q_i qi满足如下条件:
    q i T q j = { 0 , i ≠ j 1. i = j , ∣ ∣ q i ∣ ∣ = 1 \begin{equation} q_i^Tq_j=\left\{ \begin{array}{ll} 0, &i \neq j \\ 1.&i=j\\ \end{array}, \quad ||q_i||=1 \right. \end{equation} qiTqj={0,1.i=ji=j,∣∣qi∣∣=1
  • 等式两边同时乘以 q i T q_i^T qiT,可得如下:
    q i T v = x 1 q i T q 1 + x 2 q i T q 2 + + ⋯ + x i q i T q i + ⋯ + x n q i T q n \begin{equation} q_i^Tv=x_1q_i^Tq_1+x_2q_i^Tq_2++\cdots+x_iq_i^Tq_i+\cdots+x_nq_i^Tq_n \end{equation} qiTv=x1qiTq1+x2qiTq2+++xiqiTqi++xnqiTqn
  • 整理可得:
    x i = q i T v \begin{equation} x_i=q_i^Tv \end{equation} xi=qiTv
  • 那么系数X向量可得:
    [ x 1 x 2 ⋮ x n ] = [ q 1 T v q 2 T v ⋮ q n T v ] \begin{equation} \begin{bmatrix} x_1\\\\x_2\\\\\vdots\\\\x_n \end{bmatrix}=\begin{bmatrix} q_1^Tv\\\\q_2^Tv\\\\\vdots\\\\q_n^Tv \end{bmatrix} \end{equation} x1x2xn = q1Tvq2TvqnTv

3.2 函数正交

我们知道,如果两个向量正交,表示的是两个向量对应元素的积后求和为0,用公式如下:
[ x 1 x 2 ⋯ x n ] [ y 1 y 2 ⋮ y n ] = x 1 y 1 + x 2 y 2 + ⋯ + x n y n = 0 \begin{equation} \begin{bmatrix} x_1&x_2&\cdots&x_n \end{bmatrix}\begin{bmatrix} y_1\\\\y_2\\\\\vdots\\\\y_n \end{bmatrix}=x_1y_1+x_2y_2+\cdots+x_ny_n=0 \end{equation} [x1x2xn] y1y2yn =x1y1+x2y2++xnyn=0

  • 同理我们将向量x,y换成f,g,内积换成相乘,求和换成定积分,那就换成了关于两函数正交的公式
    ∫ a b f ( x ) g ( x ) d x = f 1 g 1 + f 2 g 2 + ⋯ + f n g n \begin{equation} \int_{a}^bf(x)g(x)\mathrm{d}x=f_1g_1+f_2g_2+\cdots+f_ng_n \end{equation} abf(x)g(x)dx=f1g1+f2g2++fngn

3.3 傅里叶级数

我们现在在函数空间内,希望有一组函数基,能够像正交基样,任意两个子向量正交,这时就出现了傅里叶级数:
f ( x ) = a 0 + a 1 cos ⁡ ( x ) + b 1 sin ⁡ ( x ) + a 2 cos ⁡ ( 2 x ) + b 1 sin ⁡ ( 2 x ) + ⋯ + a n cos ⁡ ( n x ) + b n sin ⁡ ( n x ) + ⋯ \begin{equation} f(x)=a_0+a_1\cos(x)+b_1\sin(x)+a_2\cos(2x)+b_1\sin(2x)+\cdots+a_n\cos(nx)+b_n\sin(nx)+\cdots \end{equation} f(x)=a0+a1cos(x)+b1sin(x)+a2cos(2x)+b1sin(2x)++ancos(nx)+bnsin(nx)+

  • 化简可得:
    f ( x ) = a 0 + ∑ i = 1 + ∞ a n cos ⁡ ( n w 0 x ) + ∑ i = 1 + ∞ b n sin ⁡ ( n w 0 x ) \begin{equation} f(x)=a_0+\sum_{i=1}^{+\infty}a_n\cos(nw_0x)+\sum_{i=1}^{+\infty}b_n\sin(nw_0x) \end{equation} f(x)=a0+i=1+ancos(nw0x)+i=1+bnsin(nw0x)
  • 我们用傅里叶函数f(x)和系数函数g(x),因为正弦函数的周期性,整理可得:
    f T g = ∫ 0 2 π f ( x ) g ( x ) d x ; f ( x + 2 π ) = f ( x ) ; \begin{equation} f^Tg=\int_{0}^{2\pi}f(x)g(x)\mathrm{dx};f(x+2\pi)=f(x); \end{equation} fTg=02πf(x)g(x)dx;f(x+2π)=f(x);
  • 因为周期为 2 π 2\pi 2π,所以可以只需要求 ( 0 , 2 π ) (0,2\pi) (0,2π)之间的定积分。
    f T g = ∫ 0 2 π f ( x ) g ( x ) d x ; f ( x + 2 π ) = f ( x ) ; \begin{equation} f^Tg=\int_{0}^{2\pi}f(x)g(x)\mathrm{dx};f(x+2\pi)=f(x); \end{equation} fTg=02πf(x)g(x)dx;f(x+2π)=f(x);
  • 小结:
    若在整个数轴上
    f ( x ) = a 0 2 + ∑ n = 1 ∞ ( a n cos ⁡ ( n x ) + b n sin ⁡ ( n x ) ) \begin{equation} f(x)=\frac{a_0}{2}+\sum_{n=1}^{\infty}(a_n\cos(nx)+b_n\sin(nx)) \end{equation} f(x)=2a0+n=1(ancos(nx)+bnsin(nx))
    且等式右边级数一致收敛,则可以求得系数如下:
    a n = 1 π ∫ − π π f ( x ) cos ⁡ ( n x ) d x ; ( n = 0 , 1 , 2 , ⋯ ) \begin{equation} a_n=\frac{1}{\pi}\int_{-\pi}^{\pi}f(x)\cos(nx)\mathrm{dx};(n=0,1,2,\cdots) \end{equation} an=π1ππf(x)cos(nx)dx;(n=0,1,2,)
    b n = 1 π ∫ − π π f ( x ) sin ⁡ ( n x ) d x ; ( n = 1 , 2 , ⋯ ) \begin{equation} b_n=\frac{1}{\pi}\int_{-\pi}^{\pi}f(x)\sin(nx)\mathrm{dx};(n=1,2,\cdots) \end{equation} bn=π1ππf(x)sin(nx)dx;(n=1,2,)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/839799.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【全开源】填表统计预约打卡表单系统FastAdmin+ThinkPHP+UniApp

简化流程&#xff0c;提升效率 一、引言&#xff1a;传统表单处理的局限性 在日常工作和生活中&#xff0c;我们经常会遇到需要填写表单、统计数据和预约打卡等场景。然而&#xff0c;传统的处理方式往往效率低下、易出错&#xff0c;且不利于数据的统计和分析。为了解决这些…

Django提交表单出错提示错误

使用ArticleColumnForm表单&#xff0c;向数据库提交内容&#xff0c;内容包括column。如果同一用户提交的column重复&#xff0c;则提示表单出错&#xff0c;表单提交失败后&#xff0c;重新渲染表单提交html页面&#xff0c;其中提示错误信息。 涉及的代码包括&#xff1a; …

语义化版本规范

Releases 是指软件或项目的正式发布版本&#xff0c;在浏览一些开源仓库时&#xff0c;可以看到当前项目最新版本和历史版本 仔细研究就会发现&#xff0c;版本号不是以固定值递增的&#xff0c;有时候第三位加 1&#xff0c;有时候加 2&#xff0c;有时候直接把第一位加 1&…

「动态规划」按摩师

力扣原题链接&#xff0c;点击跳转。 一个有名的按摩师会收到源源不断的预约请求&#xff0c;每个预约都可以选择接或不接。在每次预约服务之间要有休息时间&#xff0c;因此她不能接受相邻的预约。给定一个预约请求序列nums&#xff0c;总共有n个预约&#xff0c;替按摩师找到…

(delphi11最新学习资料) Object Pascal 学习笔记---第12章第3节(类引用)

12.3 类引用 ​ 在了解了与方法相关的几个主题后&#xff0c;我们现在可以转向类引用的主题&#xff0c;并进一步扩展我们动态创建组件的示例。首先要记住的一点是&#xff0c;类引用不是一个类&#xff0c;不是一个对象&#xff0c;也不是一个对象引用&#xff1b;它只是对类…

【Redis】String的介绍与应用详解

大家好&#xff0c;我是白晨&#xff0c;一个不是很能熬夜&#xff0c;但是也想日更的人。如果喜欢这篇文章&#xff0c;点个赞&#x1f44d;&#xff0c;关注一下&#x1f440;白晨吧&#xff01;你的支持就是我最大的动力&#xff01;&#x1f4aa;&#x1f4aa;&#x1f4aa…

消息队列RabbitMQ最佳实践总结

消息队列RabbitMQ的最佳实践总结如下&#xff1a; 合理设计队列和交换机&#xff1a; 根据业务需求&#xff0c;选择合适的交换机类型&#xff08;如直连交换机、主题交换机、扇出交换机等&#xff09;&#xff0c;并定义清晰的路由规则。避免创建过多的队列和交换机&#xff…

操作系统总结(2)

目录 2.1 进程的概念、组成、特征 &#xff08;1&#xff09;知识总览 &#xff08;2&#xff09;进程的概念 &#xff08;3&#xff09;进程的组成—PCB &#xff08;4&#xff09;进程的组成---程序段和数据段 &#xff08;5&#xff09;程序是如何运行的呢&#xff1f…

《中国企业报》集团数字产业发展研究院介绍

《中国企业报》集团数字产业发展研究院&#xff08;以下简称“中企数研院”&#xff09;&#xff0c;隶属于《中国企业报》集团管理。“中企数研院”致力于“数字经济产业化发展战略”大背景下&#xff0c;以“县域数字经济”、“企业数字化转型”及“数字人民币”推广等发展方…

串口服务器在工业控制领域的应用:深度解析与前沿实践

在工业控制领域&#xff0c;随着技术的不断发展&#xff0c;传统的串口通信方式已经难以满足现代工业系统对高效、稳定、安全通信的需求。此时&#xff0c;串口服务器作为一种先进的通信技术解决方案&#xff0c;正在逐步改变工业控制领域的通信格局。本文将深度解析串口服务器…

Timeline

SignalTrack信号轨道和自定义带参数的Marker信号和轨道 MySignalReceiver using System; using System.ComponentModel; using UnityEngine.Playables; using UnityEngine.Events;namespace UnityEngine.Timeline { public class BaseSignalReceiver<T, Q> : MonoBeha…

炫酷网页设计:HTML5 + CSS3打造8种心形特效

你以为520过去了&#xff0c;你就逃过一劫了&#xff1f;那不是还有分手呢&#xff0c;那不是还得再找对象呢&#xff0c;那不是还有七夕节呢&#xff0c;那不是还有纪念日呢&#xff0c;那不是还有各种各样的节日呢&#xff0c;所以呀&#xff0c;这8种HTML5 CSS3打造8种心形…

Python100个库分享第23个—wordcloud(词云图)

目录 专栏导读库的介绍库的安装基础使用1&#xff1a;将TXT文本转为词云图基础使用2&#xff1a;使用自定义字体和形状基础使用3&#xff1a;中文词云图停用词(中英文版)-代码是中文版总结 专栏导读 &#x1f338; 欢迎来到Python办公自动化专栏—Python处理办公问题&#xff0…

SAP---成本中心采购跟消耗性采购的区别

1.常规库存采购业务的说明&#xff1a; 1.从业务层面分析&#xff0c;企业的常规库存物料采购是&#xff1a; 采购部门下采购订单后&#xff0c;供应商送货&#xff0c;当货物到厂后&#xff0c;由库管员执行收货操作&#xff0c;先将货物收到仓库中&#xff0c;再由各个需求…

10个企业用的wordpress中文模板

移民wordpress主题 移民代办wordpress主题&#xff0c;适合做海外移民咨询的代理公司搭建wordpress企业官方网站使用。 https://www.jianzhanpress.com/?p5130 模特演出wordpress主题 暗黑风格的wordpress主题模板&#xff0c;适用于模特演出公司或艺人经纪公司搭建wordpre…

YOLOv8原理详解

Yolov8是2023年1月份开源的。与yolov5一样&#xff0c;支持目标检测、分类、分割任务。 Yolov8主要改进之处有以下几个方面&#xff1a; Backbone&#xff1a;依旧采用的CSP的思想&#xff0c;不过将Yolov5中的C3模块替换为C2F模块&#xff0c;进一步降低了参数量&#xff0c…

DGPU上用共享内存

进程间&#xff0c;有时候想共用硬件内存。如下代码&#xff0c;服务端分配了硬件内存&#xff0c;客户端共享逻辑内存得到一些信息&#xff0c;再读取硬件内存。 sharedMemoryCreate是对shm_open的封装。 服务端 #include <cstdio> #include <cuda_runtime_api.h&g…

指针数组与数组指针的理解

typedef struct vexnode {int key;struct arcnode *next; }vexnode, adjlist[MVNUM]; void init(adjlist *list); void init(adjlist *list) {for(size_t i 0; i < MVNUM; i){list[i].key i;list[i].next NULL;} }上述代码编译的时候没有报错&#xff0c;但是运行的时候&…

RabbitMQ 交换机类型

常用交换机 发布订阅&#xff08;Publish/Subscribe&#xff09;交换机 一个生产者给多个队列发送消息&#xff0c;X 代表交换机。 交换机的作用&#xff1a;类似网络路由器&#xff0c;主要提供转发功能&#xff0c;解决怎么把消息转发到不同的队列中&#xff0c;让消费者从不…

第十八篇:探索非关系型数据库:从入门到实践

探索非关系型数据库&#xff1a;从入门到实践 1. 引言 1.1 非关系型数据库的崛起&#xff1a;背景与重要性 在过去的几十年里&#xff0c;关系型数据库&#xff08;RDBMS&#xff09;一直在数据存储和管理领域占据主导地位。其严谨的结构化数据模型以及强大的事务处理能力&am…