离散数学复习命题公式的范式离散数学平面图对偶图和着色问题离散数学谓词逻辑离散数学-图的运算与基本概念、导出子图、路与连通离散数学关系的基本运算和关系的性质闭包离散数学-欧拉图和哈密顿图文章目录偶图偶图的匹配可增广道偶图偶图定义10.2.1若无向图G=的结点集V能够划分为两个子集V1,V2，满足V1∩V2=空集，且V1∪V2=V，使得G中任意一条边的两个端点，一个属于V1，另一个属于V2，则称G为偶图(BipartiteGraph)或二分图(Bigraph)。V1和V2称为互补结点子集，偶图通常记为G=。偶图没有自回路。平凡图和零图可看成特殊的偶图在偶图G=中，若V1中的每个结点与V2中的每
矩阵变换与矩阵求值对角矩阵：只有对角线上有非零元素的矩阵。数量矩阵：对角线上的元素相等的对角矩阵。单位矩阵：对角线上的元素都为1的对角矩阵。diag函数提取矩阵的对角线元素diag(A)：提取矩阵A主对角线元素，产生一个列向量。diag(A,k)：提取矩阵A第k条对角线的元素，产生一个列向量。构造对角矩阵diag(V)：以向量V为主对角线元素，产生对角矩阵。diag(V,k)：以向量V为第k条对角线元素，产生对角矩阵。上三角阵：矩阵的对角线以下的元素全为零的矩阵。下三角阵：对角线以上的元素全为零的矩阵。triu函数与tril函数triu(A)：提取矩阵A的主对角线及以上的元素。triu(A,k
论文地址：https://arxiv.org/pdf/2103.14030.pdf代码地址：https://github.com/microsoft/Swin-Transformer本文介绍了一种新的视觉Transformer，称为SwinTransformer，它可以作为计算机视觉通用的骨干网络。从语言到视觉的转换中，适应Transformer所面临的挑战源于两个领域之间的差异，如视觉实体尺度的巨大变化和图像中像素的高分辨率与文本中单词的差异。为了解决这些差异，我们提出了一种分层Transformer，其表示是通过Shifted窗口计算的。Shifted窗口方案通过将自注意计算限制在非重叠的
目录10.1图的基本概念10.2道路与回路10.3图的连通性10.4图的矩阵表示10.1图的基本概念①什么是图：一个序偶(V,E)，记作G=(V,E) V(G)={v1,v2,...,vn}结点集，n为G的阶 E(G)={e1,e2,...,em}边集，m为G的边数②图的分类：1.无向图（无向边，e=(u,v)）2.有向图（有向边，e=(u,v)），e是u的出边，e是v的入边3.混合图（无向边+有向边）4.多重图：含有平行边5.广义图（伪图）：含环的多重图6.简单图（基图）③结点的度数： 出度+入度
🚀写在前面🚀🖊个人主页：https://blog.csdn.net/m0_52051577?type=blog 🎁欢迎各位大佬支持点赞收藏，三连必回！！🔈本人新开系列专栏—python图像处理❀愿每一个骤雨初晴之时，所有的蜻蜓振翅和雨后惊雷，都归你。前言 首先引入以下灰度变换的概念。 灰度变换是指根据某种目标条件按一定变换关系逐点改变源图像中每一个像素灰度值的方法。目的是 为了改善画质，使图像的显示效果更加清晰。 图像的灰度变换处理是图像增强处理技术中的一种非常基础、直接的空间域图像处理方法，也是图像数字化软件和图像显示软件的一个重要组成部分。——来自百度百科
背景文章目录背景环路增益测量的原理环路增益定义测量方法开环测量电压注入法注入位置选择电流注入法环路增益测量的仿真分析仿真模型介绍主电路采样和控制测量方式单次瞬态仿真处理单个频率点的数据扫频测量环路增益Tv(s)操作步骤使用PI控制器使用PID控制器总结DC-DC的其中一个测试项是环路稳定性（环路增益）。测试方式如下图：在电源环路中串联入一个小电阻（图中的R5）在电阻上施加一个微小的交流信号测量电阻两端电压的幅值和相位改变交流信号的频率，获得环路增益的幅频和相频曲线之前一直有一些疑问：在一个闭环系统中，为什么通过这种方式可以获得环路增益，最后测量的结果与环路增益是什么关系？使用这种测量方式需要满
背景文章目录背景环路增益测量的原理环路增益定义测量方法开环测量电压注入法注入位置选择电流注入法环路增益测量的仿真分析仿真模型介绍主电路采样和控制测量方式单次瞬态仿真处理单个频率点的数据扫频测量环路增益Tv(s)操作步骤使用PI控制器使用PID控制器总结DC-DC的其中一个测试项是环路稳定性（环路增益）。测试方式如下图：在电源环路中串联入一个小电阻（图中的R5）在电阻上施加一个微小的交流信号测量电阻两端电压的幅值和相位改变交流信号的频率，获得环路增益的幅频和相频曲线之前一直有一些疑问：在一个闭环系统中，为什么通过这种方式可以获得环路增益，最后测量的结果与环路增益是什么关系？使用这种测量方式需要满
【Python实战】数据预处理前言数据预处理概述数据清理异常数据处理1、异常数据分析2、异常数据处理方法缺失值处理噪声数据处理数据集成1、实体识别2、冗余属性3、数据不一致数据变换1、使用简单的数学函数对数据进行变换2、归一化1、最小一最大归一化2、Z-score标准化方法3、小数定标规范化3、连续属性离散化1、等宽法2、等频法3、基于聚类分析的方法数据规约1、常用维归约、数值归约等方法实现2、数值归约结语前言因疫情原因，距上次写博客已过许久这次回看以前的书籍，发现数据预处理这块在业务中极其重要业务中，数据的准确率对业务的影响至关重要好的数据往往百利而无一害，相对的，不好的数据会带来无法预期的
问题描述若干支球队参加单循环比赛，各队两两交锋，假设每场比赛只计胜负，不计比分，且不允许平局。在循环赛结束后怎样根据他们的比赛结果排列名次呢？一种表述比赛结果的办法是，用图的顶点表示球队，用连接两个顶点的、有方向的边表示两支球队的比赛结果，如下图，1队战胜2，4，5，6队，而输给了3队。问题分析根据比赛结果排名次的一个方法是在图中顺箭头方向寻找一条通过全部6个顶点的路径，如3->1->2->4->5->6，于是3队为冠军，1队为亚军等等。但是还可以找出其他路径，如1->4->6->3->2->5，所以用这种方法显然不能决定谁是冠亚军。另一个办法是计算得分，即每支球队获胜的场次，但如果场次相同则
1.适用场合初等行、列变换可以混用求矩阵/向量组的秩：初等变化不改变矩阵的秩（求向量组的秩也是先排成矩阵然后求矩阵的秩）矩阵化行阶梯型矩阵（用来求秩）：同上矩阵化为等价标准形：根据定义，化标准形时要同时左乘和右乘可逆矩阵，相当于初等行列变换都做了求行列式的值：只要求出数值就行。注意在初等变换时要同步记录对行列式值的影响（互换→反号，倍乘→变k倍，倍加→不变）只能用初等行变换：解线性方程组：只有行变换是线性方程组的同解变换矩阵化行阶梯型矩阵（用来解线性方程组）：同上求特征向量：本质是解齐次线性方程组求（列向量）极大线性无关组：对于列向量而言，初等行变换保持线性相关性（证明见第2节）求逆矩阵（横向
