模糊数学是研究和处理模糊性现象的数学，是在美国控制论专家A.Zadeh教授于1965年提出的模糊集合的基础上发展起来的一门数学分支。
模糊综合评价模型，其基本思想是：在确定评价因素、因子的评价等级和权值的基础上，运用模糊集合变换原理，以隶属度描述个因素、因子的模糊界线，构造模糊矩阵，通过多层的复合运算，最终确定评价对象所属等级。

SRILM源代码阅读笔记。
主要针对SRILM的ngram的训练，即ngram-count。
7个文件：1.类图.jpg：与ngram-count相关的主要类的静态图（使用了starUML的逆向工程工具）；
2.ngram-count.jpg：从语料训练出模型的主要流程；
3.lmstats.countfile.jpg：ngram-count的子流程，用于构建词汇表和统计ngram的频度；
4.ngram.estimate.jpg：ngram-count的子流程，在词汇表和ngram频度的基础上计算ngram条件概率以及backoff权值的过程；
5.ngram.read.jpg：与训练无关，读取ARPA格式的语言模型的过程；
6.SRILM.uml：以上5个文件的原始图，以StarUML绘制（利用StarUML可直接编辑）7.SRILM.vsd：ngram-count相关的主要数据结构的内存布局+ngram条件概率计算公式的参数说明，以visio绘制（利用visio可直接编辑）

适用于吴恩达的深度学习第四课-卷积神经网络第二周的残差网络的权值集，由于CSDN有文件大小限制，我这里只上传百度网盘的下载地址，文件大小是270.41MB。
这是博主自己训练的结构权值集，博主博客地址：https://blog.csdn.net/u013733326/article/details/80250818。

elm回归及分类：ELM是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。
2004年由南洋理工大学黄广斌副教授提出。
传统的神经网络学习算法（如BP算法）需要人为设置大量的网络训练参数，并且很容易产生局部最优解。
极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。

非常简单的操作，便于数据分析，用户AHP的指标权值数据分析，可以快速的处理得到数据

使用遗传算法对BP神经网络进行优化，BP网络的输入节点7隐层节点7输出节点

从终端读入字符集大小n，以及n个字符和n个权值，建立哈夫曼树并将它存于文件hfmTree中.将已在内存中的哈夫曼树以直观的方式（比如树）显示在终端上；
2．利用已经建好的哈夫曼树（如不在内存，则从文件htmTree中读入），对文件ToBeTran中的正文进行编码，然后将结果存入文件CodeFile中，并输出结果，将文件CodeFile以紧凑格式先是在终端上，每行50个代码。
同时将此字符形式的编码文件写入文件CodePrint中。
3．利用已建好的哈夫曼树将文件CodeFile中的代码进行译码，结果存入文件TextFile中，并输出结果

看大小就知道很全啦查看地址https://blog.csdn.net/qq_43333395/article/details/98508424目录：数据结构：1.RMQ(区间最值,区间出现最大次数,求区间gcd)2.二维RMQ求区间最大值(二维区间极值)3.线段树模板(模板为区间加法)(线段树染色)(区间最小值)4.线性基(求异或第k大)5.主席树(静态求区间第k小)(区间中小于k的数量和小于k的总和)(区间中第一个大于或等于k的值)6.权值线段树(求逆序对)7.动态主席树(主席树+树状数组)(区间第k大带修改)8.树上启发式合并(查询子树的优化)9,树状数组模板(求区间异或和，求逆序对)扩展10.区间不重复数字的和(树状数组)11.求k维空间中离所给点最近的m个点,并按顺序输出(KD树)12.LCA(两个节点的公共父节点)动态规划：1.LIS(最长上升子序列)2.有依赖的背包(附属关系)3.最长公共子序列(LCS)4.树形DP5.状压DP-斯坦纳树6.背包7.dp[i]=min(dp[i+1]…dp[i+k]),multset博弈：1.NIM博弈(n堆每次最少取一个)2.威佐夫博弈(两堆每次取至少一个或一起取一样的)3.约瑟夫环4.斐波那契博弈(取的数依赖于对手刚才取的数)5.sg函数数论：1.数论素数检验：普通素数判别线性筛二次筛法求素数米勒拉宾素数检验2.拉格朗日乘子法（求有等式约束条件的极值）3.裂项（多项式分子分母拆分）4.扩展欧几里得(ax+by=c)5.勾股数(直角三角形三边长)6.斯特林公式(n越大越准确,求n!)7.牛顿迭代法(求一元多次方程一个解)8.同余定理(a≡b(modm))9.线性求所有逆元的方法求(1~pmodp的逆元)10.中国剩余定理(n个同余方程x≡a1(modp1))11.二次剩余((ax+k)2≡n(modp)(ax+k)^2≡n(modp)(ax+k)2≡n(modp))12.十进制矩阵快速幂(n很大很大的时候)13.欧拉函数14.费马小定理15.二阶常系数递推关系求解方法(a_n=p*a_{n-1}+q*a_{n-2})16.高斯消元17.矩阵快速幂18.分解质因数19.线性递推式BM(杜教)20.线性一次方程组解的情况21.求解行列式的逆矩阵，伴随矩阵，矩阵不全随机数不全组合数学：1.循环排列(与环有关的排列组合)计算几何：1.三角形(求面积))2.多边形3.三点求圆心和半径4.扫描线(矩形覆盖求面积)(矩形覆盖求周长)5.凸包(平面上最远点对)6.求凸多边形的直径7.求凸多边形的宽度8.求凸多边形的最小面积外接矩形9.半平面交图论：基础:前向星1.最短路(优先队列dijkstra)2.判断环(tarjan算法)3.最小生成树(Kruskal模板)4.最小生成树(Prim)5.Dicnic最大流(最小割)6.无向图最小环(floyd)7.floyd算法的动态规划(通过部分指定边的最短路)8.图中找出两点间的最长距离9.最短路(spfa)10.第k短路(spfa+A*)11.回文树模板12.拓扑排序(模板)13.次小生成树14.最小树形图(有向最小生成树)15.并查集(普通并查集,带权并查集,)16.求两个节点的最近公共祖先(LCA)17.限制顶点度数的MST(k度限制生成树)18.多源最短路(spfa,floyd)19.最短路(输出字典序最小)20.最长路图论题目简述字符串：1.字典树(多个字符串的前缀)2.KMP(关键字搜索)3.EXKMP(找到S中所有P的匹配)4.马拉车(最长回文串)5.寻找两个字符串的最长前后缀(KMP)6.hash(进制hash,无错hash,多重hash,双hash)7.后缀数组(按字典序排字符串后缀)8.前缀循环节(KMP的fail函数)9.AC自动机(n个kmp)10.后缀自动机小技巧：1.关于int,double强转为string2.输入输出挂3.低精度加减乘除4.一些组合数学公式5.二维坐标的离散化6.消除向下取整的方法7.一些常用的数据结构(STL)8.Devc++的使用技巧9.封装好的一维离散化10.Ubuntu对拍程序11.常数12.Codeblocks使用技巧13.java大数叮嘱共173页

BP（BackPropagation）神经网络是一种神经网络学习算法。
其由输入层、中间层、输出层组成的阶层型神经网络，中间层可扩展为多层。
相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值（Weight）。
然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。
此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程，

要在n个城市间建立通信网，已知各个城市间的距离，建立的通信线路要使得这n个城市连通，而且建立的通信网络代价最小（最短）。
(1) 输入:n个城市的距离关系图，即图的顶点和边上的权值(2) 输出:含n个城市顶点的最小生成树中的边和代价(3) 功能:建立图的最小生成树

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。