全书共分三大部分：一、高等概率的基本概念与工具，诸如随机元(含特例随机变量)及其分布，随机元的特征泛函，各种收敛性(含依概率收敛、概率为1地收敛、LP收敛、完全收敛、淡收敛、局部弱收敛及弱收敛等)；
二、概率极限理论，包括大数定律，中心极限定理，重对数律，不变原理，无穷可分律的理论及其应用等；
三、随机过程论，包括可数状态离散时间的马尔可夫链，可数状态连续时间的马尔可夫过程，随机环境中马尔可夫链，鞅论等。
在每章的最初，附有习题与应用。
二、概率极限理论，包括大数定律，中心极限定理，重对数律，不变原理，无穷可分律的理论及其应用等；
三、随机过程论，包括可数状态离散时间的马尔可夫链，可数状态连续时间的马尔可夫过程，随机环境中马尔可夫链，鞅论等。
在每章的最初，附有习题与应用。
2016/2/14 11:52:19
20.62MB
1
基于MovieLens数据集，采用随机梯度下降算法优化最小化能量函数的概率矩阵分解Python源代码，本人做实验的源代码ProbabilisticMatrixFactorization
2019/11/19 18:15:44
749KB
1
模式识别中贝叶斯算法判别身高体重matlab实现1）应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到测试样本，调查测试错误情况。
在分类器设计时可以调查采用不同先验概率（如0.5对0.5,0.75对0.25,0.9对0.1等）进行实验，调查对决策规则和错误率的影响。
2）应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，调查训练/测试错误情况。
比较相关假设和不相关假设下结果的差异。
在分类器设计时可以调查采用不同先验概率（如0.5vs.0.5,0.75vs.0.25,0.9vs.0.1等）进行实验，调查对决策和错误率的影响。
3）自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。
在分类器设计时可以调查采用不同先验概率（如0.5对0.5,0.75对0.25,0.9对0.1等）进行实验，调查对决策规则和错误率的影响。
2）应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，调查训练/测试错误情况。
比较相关假设和不相关假设下结果的差异。
在分类器设计时可以调查采用不同先验概率（如0.5vs.0.5,0.75vs.0.25,0.9vs.0.1等）进行实验，调查对决策和错误率的影响。
3）自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。
2016/6/25 22:06:17
669KB
1
实验一：用MATLAB工具箱演示灰度调整，对比度加强，直方图均衡，局部平滑，中值滤波，频率域平滑与锐化，用MATLAB编写有关程序。
掌握知识点：灰度调整，对比度加强，直方图均衡，局部平滑，中值滤波，频率域平滑与锐化的原理与方法运用知识点：学会编写MATLAB函数来实现上述方法实验二：编写MATLAB函数实现最近临元法，双线性插值法掌握知识点：最近临元法，双线性插值法的原理和方法，运用知识点若给出f(1,1)=1,f(1,2)=5,f(2,1)=3,f(2,2)=4,用上述编写的函数确定f(1.2,1.6)的灰度值实验三：huffman编码掌握知识点：huffman编码的原理及方法运用知识点编写huffman编码的函数，将下列信源进行编码结点分别为u1,u2,u3,u4,u5,u6,u7,u8出现的概率分别为p1=0.10p2=0.09P3=0.11p4=0.13p5=0.07p6=0.12p7=0.08p8=0.20
掌握知识点：灰度调整，对比度加强，直方图均衡，局部平滑，中值滤波，频率域平滑与锐化的原理与方法运用知识点：学会编写MATLAB函数来实现上述方法实验二：编写MATLAB函数实现最近临元法，双线性插值法掌握知识点：最近临元法，双线性插值法的原理和方法，运用知识点若给出f(1,1)=1,f(1,2)=5,f(2,1)=3,f(2,2)=4,用上述编写的函数确定f(1.2,1.6)的灰度值实验三：huffman编码掌握知识点：huffman编码的原理及方法运用知识点编写huffman编码的函数，将下列信源进行编码结点分别为u1,u2,u3,u4,u5,u6,u7,u8出现的概率分别为p1=0.10p2=0.09P3=0.11p4=0.13p5=0.07p6=0.12p7=0.08p8=0.20
2015/8/4 19:01:08
1.01MB
1
JudeaPearl是一名美国计算机科学家和哲学家，以倡导人工智能的概率方法和贝叶斯网络的发展而闻名。
他还因为建立了基于结构模型的因果和反事实推理的理论。
他是ACM图灵奖的2011年度获奖者，这是计算机科学中的最高荣誉，“通过发展概率和因果推理的微积分对人工智能做出了严重贡献”。
他还因为建立了基于结构模型的因果和反事实推理的理论。
他是ACM图灵奖的2011年度获奖者，这是计算机科学中的最高荣誉，“通过发展概率和因果推理的微积分对人工智能做出了严重贡献”。
2016/2/22 2:32:32
9.11MB
1
BP算法是基于梯度下降方法，可能会导致网络陷入局部极值点。
遗传算法是一种概率性的自适应迭代寻优过程，遵循“优胜劣汰”的原则，具有良好的全局搜索功能，较好的克服了BP算法局部最优的缺陷，同时可优化BP神经网络初始权重和阈值，进一步提高BP神经网络的计算精度。
遗传算法是一种概率性的自适应迭代寻优过程，遵循“优胜劣汰”的原则，具有良好的全局搜索功能，较好的克服了BP算法局部最优的缺陷，同时可优化BP神经网络初始权重和阈值，进一步提高BP神经网络的计算精度。
2018/10/5 14:55:49
473KB
1
人类行为识别的目的是通过一系列的观察，对人类的动作类型、行为模式进行分析和识别，并使用自然语言等方式对其进行描述的计算机技术。
由于人类行为的复杂性和多样性，往往识别出的结果是多样性的，并且连带着行为类型的概率输出的。
随着信息技术的发展，各种移动设备和可穿戴设备正在以加速度的方式增长，其功能和嵌入的传感器也变的多样化，例如：高清相机、光传感器、陀螺仪传感器、加速度传感器、GPS以及温度传感器等。
各种各样的传感器都在时刻的记录着使用者的信息，这些记录信息不仅可以用于用户位置的预测，也可以进行用户行为的识别等。
本文使用了智能设备加速度传感器的数据，结合支持向量机的特性进行人类行为识别模型的设计和应用
由于人类行为的复杂性和多样性，往往识别出的结果是多样性的，并且连带着行为类型的概率输出的。
随着信息技术的发展，各种移动设备和可穿戴设备正在以加速度的方式增长，其功能和嵌入的传感器也变的多样化，例如：高清相机、光传感器、陀螺仪传感器、加速度传感器、GPS以及温度传感器等。
各种各样的传感器都在时刻的记录着使用者的信息，这些记录信息不仅可以用于用户位置的预测，也可以进行用户行为的识别等。
本文使用了智能设备加速度传感器的数据，结合支持向量机的特性进行人类行为识别模型的设计和应用
2017/1/12 13:41:29
515KB
1
ieee30节点的半不变量法概率潮流计算。
1.matlab代码，在matpower环境下进行潮流计算，用略微修正的ieee30节点，程序在main.m中2.仅考虑了负荷的波动如有原理性的错误望指出ieee30节点半不变量法蒙特卡洛法
1.matlab代码，在matpower环境下进行潮流计算，用略微修正的ieee30节点，程序在main.m中2.仅考虑了负荷的波动如有原理性的错误望指出ieee30节点半不变量法蒙特卡洛法
2020/9/19 19:24:38
10.4MB
1
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。
2024-04-09 15:03
15KB