精华内容
下载资源
问答
  • 此演示用于推荐系统改进矩阵分解 (MF) 公式% 遵循带有用户和项目元数据盲压缩感知 (BCS) 框架% 优化问题% 最小化_(U,V, A, C) ||YM(UV)||_F + lambda_u||U||_F + lambda_v||V||_1 + mu_u||W-UC||_F + mu_v|| Q-...
  • 除了它们描述诸如$$ V \ rightarrow q \ bar {q}'$$ V→qq¯'之类衰减相关性之外,$$ V = Z,W $$ V = Z,W,$$ H \ rightarrow b \ bar {b} $$ H→bb`和$$ H \ rightarrow gg $$ H→gg,这些结果为计算嵌套...
  • %d旋转角度x驱动位移关系 cosx =@(D) ((L2.^2-D.^2).^(0.5))./L2; D=0:800; G=0; I=3; for i=1:1:3 Lp=[1,2,3,4,5,6,7]; %积分上下限表达式 p=[3,2,1]; %d 定义多项式1...
  • 何凯明大神代表作之一 论文地址:Guided Image Filtering 导向滤波一般表达方式 qi=∑jWij(I)pj ...假设在局部范围内,输出图导向图关系可以用一个线性模型表示: qi=akIi+bk,∀i∈ωk q_...

    何凯明大神的代表作之一
    论文地址:Guided Image Filtering

    导向滤波的一般表达方式

    qi=jWij(I)pj q_{i}=\sum_{j} W_{i j}(I) p_{j}
    其中qq表示输出,pp表示输入,II表示导向图。

    先验假设

    假设在局部范围内,输出图与导向图的关系可以用一个线性模型表示:
    qi=akIi+bk,iωk q_{i}=a_{k} I_{i}+b_{k}, \forall i \in \omega_{k}
    另外输出图是由输入图减去噪声(需要被滤掉的部分)得到
    qi=pini q_{i}=p_{i}-n_{i}

    能量函数和求解

    我们需要做的就是最小化能量函数
    E(ak,bk)=iωk((akIi+bkpi)2+ϵak2) E\left(a_{k}, b_{k}\right)=\sum_{i \in \omega_{k}}\left(\left(a_{k} I_{i}+b_{k}-p_{i}\right)^{2}+\epsilon a_{k}^{2}\right)
    其中ϵ\epsilon为正则项,防止系数aka_k过大。
    aka_kbkb_k求导:
    Eak=2iN((pi+akIi+bk)Ii+ϵak) \frac{\partial E}{\partial a_{k}}=2 \sum_{i}^{N}\left(\left(-p_{i}+a_{k} I_{i}+b_{k}\right) I_{i}+\epsilon a_{k}\right)
    Ebk=2iN(piakIibk) \frac{\partial E}{\partial b_{k}}=-2 \sum_{i}^{N}\left(p_{i}-a_{k} I_{i}-b_{k}\right)
    先求取bkb_k,令偏导数为零:
    0=iN(piakIibk)Nbk=iN(piakIi)bk=1NiN(piakIi)bk=1NiNpiak1NiNIibk=pkˉakμk \begin{aligned} &0= \sum_{i}^{N}\left(p_{i}-a_{k} I_{i}-b_{k}\right)\\ &\Rightarrow N b_{k}=\sum_{i}^{N}\left(p_{i}-a_{k} I_{i}\right)\\ &\Rightarrow b_{k}=\frac{1}{N} \sum_{i}^{N}\left(p_{i}-a_{k} I_{i}\right)\\ &\Rightarrow b_{k}=\frac{1}{N} \sum_{i}^{N} p_{i}-a_{k} \frac{1}{N} \sum_{i}^{N} I_{i} \\ &\Rightarrow b_{k}= \bar{p_{k}}-a_{k} \mu_{k} \end{aligned}
    其中pkˉ\bar{p_k}为输入图窗口内的平均值,μk\mu_k为导向图在窗口内的平均值。
    同理,再来求aka_k
    0=iN((pi+akIi+bk)Ii+ϵak)0=piIi+akIi2+bkIi+εakpiIibkIi=ak(Ii2+ϵ)piIi(pkakμk)Ii=ak(Ii2+ϵ)ak=(piIipkIi)(Ii2μkIi+ϵ)ak=(piIi)1NpiIiIi21NIiIi+ϵ=1N(piIi)1Npi1NIi1NIi21NIi1NIi+ϵ \begin{aligned} &0= \sum_{i}^{N}\left(\left(-p_{i}+a_{k} I_{i}+b_{k}\right) I_{i}+\epsilon a_{k}\right)\\ &\Rightarrow 0=\sum-p_{i} I_{i}+\sum a_{k} I_{i}^{2}+\sum b_{k} I_{i}+\sum \varepsilon a_{k}\\ &\Rightarrow \sum p_{i} I_{i}-\sum b_{k} I_{i}=a_{k} \sum\left(I_{i}^{2}+\epsilon\right)\\ &\Rightarrow \sum p_{i} I_{i}-\sum\left(p_{k}-a_{k} \mu_{k}\right) I_{i}=a_{k} \sum\left(I_{i}^{2}+\epsilon\right)\\ &\Rightarrow a_{k}=\frac{\sum\left(p_{i} I_{i}-p_{k} I_{i}\right)}{\sum\left(I_{i}^{2}-\mu_{k} I_{i}+\epsilon\right)}\\ &\Rightarrow a_{k}=\frac{\sum\left(p_{i} I_{i}\right)-\frac{1}{N} \sum p_{i} \sum I_{i}}{\sum I_{i}^{2}-\frac{1}{N} \sum I_{i} \sum I_{i}+\epsilon}=\frac{\frac{1}{N} \sum\left(p_{i} I_{i}\right)-\frac{1}{N} \sum p_{i} \frac{1}{N} \sum I_{i}}{\frac{1}{N} \sum I_{i}^{2}-\frac{1}{N} \sum I_{i} \frac{1}{N} \sum I_{i}+\epsilon} \end{aligned}
    根据方差和协方差公式
    var(X)=i=1n(XiXˉ)2n1Cov(X,Y)=E[(XE[X])(YE[Y])]Cov(X,Y)=E[XY]E[X]E[Y] \begin{aligned} &\operatorname{var}(X)=\frac{\sum_{i=1}^{n}\left(X_{i}-\bar{X}\right)^2}{n-1}\\ &\operatorname{Cov}(X, Y)=E[(X-E[X])(Y-E[Y])]\\ &\operatorname{Cov}(X, Y)=E[X Y]-E[X] E[Y] \end{aligned}
    可以得到
    ak=Cov(p,I)Var(I)+Nϵ=Cov(p,I)σk2+ϵ a_{k}=\frac{\operatorname{Cov}(p, I)}{\operatorname{Var}(I)+N \epsilon}=\frac{\operatorname{Cov}(p, I)}{\sigma_{k}^{2}+\epsilon}
    当导向图与输入图相同时,导向滤波就变成了以输入图自身为导向的保边滤波。上面表达式就会变成
    ak=σk2σk2+εbk=(1ak)μk \begin{aligned} a_{k} &=\frac{\sigma_{k}^{2}}{\sigma_{k}^{2}+\varepsilon} \\ b_{k} &=\left(1-a_{k}\right) \mu_{k} \end{aligned}

    • 当遇到边缘区域,方差较大,此时σk2>>ϵ\sigma_{k}^2>>\epsilon,有q=pq=p
    • 反之,当方差较小,σk2<<ϵ\sigma_{k}^2<<\epsilon,输出均值q=μkq=\mu_k

    其实更仔细思考一下,这里对“边缘”和“平坦”区域的定义实际上是取决于ϵ\epsilon的取值,当区域方差远大于ϵ\epsilon时,则“定义为”这次滤波中的边缘区域,在滤波时会被保留,反之则是平坦区域。

    思考

    图像滤波与线性回归的关系

    线性回归:有一些离散点xix_i,需要拟合一条直线yiy_i使得ϵ=i(yi(axi+b))2\epsilon=\sum_{i}(y_i-(ax_i+b))^2最小。
    图像去噪:有一些含有噪声的像素pip_i,需要拟合一个线性函数找到没有噪声的图像qiq_i,使得ϵ=i(piqi)2\epsilon=\sum_{i}(p_i-q_i)^2最小。

    扩展

    简化计算

    可以看到按照滤波公式,对于输出的每一个像素,都需要计算输入图和导向图在窗口内的均值,以此得到aka_kbkb_k。但是这其中有很多重复计算,此时可以通过计算经过所有覆盖当前像素的窗口的平均aka_kbkb_k来计算单个像素的输出
    qi=aˉiIi+bˉi q_{i}=\bar{a}_{i} I_{i}+\bar{b}_{i}
    经过这个改变之后可能无法满足最初的q=aI\nabla q = a\nabla I,但是仍然可以保证在强边缘附近导向图的信息是可以被保留下来的qaˉI\nabla q \approx \bar{a} \nabla I

    滤波核计算

    根据最开始的一般表达式,可以知道输出qiq_i是线性依赖于输入pip_i,所以要求取滤波核只需要使用qiq_ipip_i求导就可以。将上面表达式中的bkb_k替换掉,可以得到
    qi=1ωkωi(ak(Iiμk)+pˉk) q_{i}=\frac{1}{|\omega|} \sum_{k \in \omega_{i}}\left(a_{k}\left(I_{i}-\mu_{k}\right)+\bar{p}_{k}\right)
    qipj=1ωkωi(akpj(Iiμk)+pˉkpj) \frac{\partial q_{i}}{\partial p_{j}}=\frac{1}{|\omega|} \sum_{k \in \omega_{i}}\left(\frac{\partial a_{k}}{\partial p_{j}}\left(I_{i}-\mu_{k}\right)+\frac{\partial \bar{p}_{k}}{\partial p_{j}}\right)
    其中
    pˉkpj=1ωδjωk=1ωδkωj \frac{\partial \bar{p}_{k}}{\partial p_{j}}=\frac{1}{|\omega|} \delta_{j \in \omega_{k}}=\frac{1}{|\omega|} \delta_{k \in \omega_{j}}
    是一个狄拉克函数,在窗口内部为1,其余地方为0。
    在根据aka_k的表达式对pjp_j求导
    akpj=1σk2+ϵ(1ωiωkpipjIipˉkpjμk)=1σk2+ϵ(1ωIj1ωμk)δkωj \begin{aligned} \frac{\partial a_{k}}{\partial p_{j}} &=\frac{1}{\sigma_{k}^{2}+\epsilon}\left(\frac{1}{|\omega|} \sum_{i \in \omega_{k}} \frac{\partial p_{i}}{\partial p_{j}} I_{i}-\frac{\partial \bar{p}_{k}}{\partial p_{j}} \mu_{k}\right) \\ &=\frac{1}{\sigma_{k}^{2}+\epsilon}\left(\frac{1}{|\omega|} I_{j}-\frac{1}{|\omega|} \mu_{k}\right) \delta_{k \in \omega_{j}} \end{aligned}
    代回原式就得到了滤波核的表达式
    qipj=1ω2kωi,kωj(1+(Iiμk)(Ijμk)σk2+ϵ) \frac{\partial q_{i}}{\partial p_{j}}=\frac{1}{|\omega|^{2}} \sum_{k \in \omega_{i}, k \in \omega_{j}}\left(1+\frac{\left(I_{i}-\mu_{k}\right)\left(I_{j}-\mu_{k}\right)}{\sigma_{k}^{2}+\epsilon}\right)
    根据滤波核表达式,当像素iijj都在窗口内部,但处于一个边缘的同侧时(颜色相近),括号内后半部分的计算结果为正,融合权重很高;反之如果处于边缘的异侧,括号内后半部分结果为负,融合权重就会小很多。

    高斯导向滤波

    由于导向滤波算法采用的是均值滤波,在纹理不那么强或是均匀纹理时,导向滤波会退化成两个均值滤波的串联,多次均值滤波的串联虽然可以近似高斯滤波,但是仅两次均值滤波还是会造成权重在x和y方向附近比其他方向稍大,如图
    这是可以在能量函数前面加一个高斯核,让权重可以更加均匀分布
    E(ak,bk)=iωkwik((akIi+bkpi)2+ϵak2) E\left(a_{k}, b_{k}\right)=\sum_{i \in \omega_{k}} w_{i k}\left(\left(a_{k} I_{i}+b_{k}-p_{i}\right)^{2}+\epsilon a_{k}^{2}\right)
    在这里插入图片描述

    Gradient-preserving

    双边滤波会存在一个问题,主要体现在对边缘做滤波的时候,由于边缘像素本身和周围像素在数值上差距较大,会导致由数值差距判断的权重都很小,这时候融合权重就主要取决于高斯核,就可能融合出很多奇怪的效果,例如原本平滑过渡的边缘,会变得更加锐利,或者边缘过渡会变得不平滑,甚至出现梯度反向。经作者实验导向滤波是可以减轻甚至消除这种问题。

    展开全文
  • 电容中存储电荷Q等于电容两端电压V与容量C乘积。...电容所能存储电场能量W与电容两端电压V及电容容量C有关。 假如某电容两端电压为9V,容量为470uF,则它所存储能量为0.019焦耳。 ...

    电容中存储的电荷Q等于电容两端电压V与容量C的乘积。

    流经电容的电流与电压并不是简单的线性关系。而是用下面的公式来计算:

    电流I等于电容容量C乘以电容两端电压的变化率,式中,dV/dt表示电容两端电压的变化率,C是电容的容量。

    电容所能存储的电场能量W与电容两端的电压V及电容的容量C有关。

    假如某电容两端电压为9V,容量为470uF,则它所存储的能量为0.019焦耳。

    展开全文
  • W玻色子对衰变在2ℓ2ν和ℓν2q最终状态下重建(ℓ= e或μ)。 考虑了信号胶子融合和矢量玻色子融合产生。 还考虑了信号背景之间干扰效应。 观察到数据标准模型(SM)预期一致。 横截面和支化分数乘积...
  • 实现了重复频率高达100 kHz,紧凑全固态激光二极管抽运声光调Q 473 nm腔内倍频蓝光激光器。使用5 mm长Nd∶YAG...此公式与以前结果不同,认为有效储能时间不等于上能级寿命。通过实验结果分析验证了这个结论。
  • 实现了重复频率高达105 kHz紧凑全固态声光(A-O)调Q 532 nm腔内倍频...给出了平均功率重复频率关系一般公式,并提出即使是在四能级系统中,有效储能时间也并不等于上能级寿命,理论计算结果实验结果吻合得很好。
  • 毫安时mAh瓦时Wh计算

    万次阅读 2015-09-25 09:21:59
    毫安时mAh瓦时Wh计算 毫安时(mAh)---(q) 瓦时(Wh)-------(W) 电压(V)----------(U) 公式W=qU 举例:8Wh/3.7V ≈ 2.162Ah=2162mAh 单位换算 1Wh=0.001kWh W/U=q 1Wh/1V=1Ah=1000mAh...

    毫安时mAh与瓦时Wh的计算

    毫安时(mAh)---(q)
    瓦时(Wh)-------(W)
    电压(V)----------(U)

    公式:W=qU

    举例:8Wh/3.7V ≈ 2.162Ah=2162mAh

    单位换算
    1Wh=0.001kWh
    W/U=q
    1Wh/1V=1Ah=1000mAh
    1000mAh*1V=1Wh

    展开全文
  • 1 四元数 1.1 理论基础 在我们能够完全理解四元数之前,我们必须先知道四元数是怎么来。四元数根源其实是复数。 四元数概念是由爱尔兰数学家Sir William Rowan Hamilton发明, ... q=w+xi+yj+zkq=w+xi+...

    1 四元数

    1.1 理论基础

    在我们能够完全理解四元数之前,我们必须先知道四元数是怎么来的。四元数的根源其实是复数

    四元数的概念是由爱尔兰数学家Sir William Rowan Hamilton发明的, 公式是:

    i2=j2=k2=ijk=1
    `一般表达式`:
    q=w+xi+yj+zk
    `性质`:
    |q|2=w2+x2+y2+z2=1
    其中:i,j,k都是复数。并且通过公式:
    i2=j2=k2=ijk
    可以推出:
    ij=k
    jk=i
    ki=j
    通过公式:
    ijk=1
    i1=i
    j1=j
    k1=k
    可以推出:
    ji=k
    kj=i
    ik=j
    你可能已经注意到了,`i、j、k`之间的`关系`非常像`笛卡尔坐标系下` `单位向量的叉积`规则:
    x×y=z  y×x=z
    y×z=x  z×y=x
    z×x=y  x×z=y
    Hamilton自己也发现i、j、k虚数,可以被用来表达3个笛卡尔坐标系的`单位向量`i、j、k,并且仍然保持有虚数的性质,也即: i2=j2=k2=1

    1.1.1 三维空间下:

    `向量差乘`即`向量积`可以被定义为: |a×b|=|a||b|sinθ
    `叉乘(向量的外积)`是物理里面常常用到的概念, 它是由两个向量得到一个新的向量的运算。一般我们都是从`几何意义`下手: 向量 a 和向量 b 叉乘,得到的是一个`垂直于` ab 的向量,c=a×b 它的`方向`由`右手螺旋法则`确定, 它的`长度`是 ab 组成的一个`平行四边形的面积`。 如下图所示: ![这里写图片描述](https://img-blog.csdn.net/20180427161117323?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0Rpbm5lckhvd2U=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70) 叉乘满足的基本的性质如下: - a×a=0: 因为夹角是0, 所以平行四边形面积也是0, 即叉积长度为0; - a×b=(b×a):等式两边的叉积等大反向, 模长因为平行四边形不变而相同, 方向因为右手法则旋转方向相反而相反; - (λa)×b=λ(a×b):这点比较好想, 因为: 4. 正数 λ 数量乘不会影响 a 的方向, 所以左右的叉积方向一样; 负数 λ 使得 a 反向了, 但也使得左右叉积方向相反. 5. 对 a 进行缩放, 平行四边形面积也同等缩放. - (a+b)×c=a×c+b×c:这最难想象的了放弃

    1.1.2 四维空间下:

    同理将i、j、k虚数用来表达3个笛卡尔坐标系单位向量X、Y、Z如下图所示:

    这里写图片描述

    可以得到:

    i×j=k  j×i=k
    j×k=i  k×j=i
    k×i=j  i×k=j
    至此,可以将四元素看作空间中任意一个向量了,为了简便,使用有序对的形式表示一个四元素:
    q=w+xi+yj+zk  [w,v]
    其中向量 vxi+yj+zk ,x ,y,z轴3个方向的分量。

    1.1.3 四元数加减:

    和复数类似,四元数也可以被加减,假设有两个向量:

    qa=[wa,a] qb=[wb,b]
    于是有
    qa+qb=[wa+wb,a+b] qaqb=[wawb,ab]

    1.1.4 四元数的积:

    qaqb=[wa,a][wb,b] =(wa+xai+yaj+zak)(wb+xbi+ybj+zbk) =(wawbxaxbyaybzazb) +(waxb+wbxa+yazb+ybza)i +(wayb+wbya+zaxb+zbxa)j +(wazb+wbza+xayb+xbya)k

    2. 欧拉角

    首先介绍roll,pitch,yaw的概念:

    2.1 Roll:横滚

    这里写图片描述

    2.2 Pitch: 俯仰

    这里写图片描述

    2.3 Yaw: 偏航(航向)

    这里写图片描述

    在无人车或者机器上主要考虑的是Yaw偏航/航向角,因此这里不全部公式偏向于对yaw角的转换计算。

    3. 四元数转欧拉角

    假设有一个四元数的向量:Q(x,y,z,w),绕轴Aaxayaz旋转一个固定角度 α , 将该动作分解为绕x,y,z(即axayaz)轴旋转角度roll,yaw,pitch,有以下公式:

    |q|2=w2+x2+y2+z2=1

    [rollpithyaw]=[ϕθψ]=[atan2(2(zy+wx)w2x2y2+z2)arcsin(a(wyxz))atan2(2(xy+wz)w2+x2y2z2)]=[atan2(2(zy+wx)12(x2+y2)arcsin(a(wyxz))atan2(2(xy+wz)12(y2+z2)]

    由于:

    12(x2+y2=w2x2y2+z2
    12(y2+z2=w2+x2y2z2

    PS:这里不用arctan是因为:arctanarcsin 的结果是[π2π2], 这并不能覆盖所有朝向(仅仅对于 pith角 θ[π2π2]的取值范围满足,但是我们主要考虑的是yaw角),因此需要用atan2 来代替 arctan

    4. 欧拉角转四元数

    4.1 转化公式

    Q(x,y,z,w)表示一个四元数的向量,绕轴Aaxayaz旋转角度α 有以下公式:
    完整公式

    q=[wxyz]=[cos(ϕ/2)cos(θ/2)cos(ψ/2)+sin(ϕ/2)sin(θ/2)sin(ψ/2)sin(ϕ/2)cos(θ/2)cos(ψ/2)cos(ϕ/2)sin(θ/2)sin(ψ/2)cos(ϕ/2)sin(θ/2)cos(ψ/2)+sin(ϕ/2)cos(θ/2)sin(ψ/2)cos(ϕ/2)cos(θ/2)sin(ψ/2)sin(ϕ/2)sin(θ/2)cos(ψ/2)]
    如若只绕`z轴旋转`简化公式:
    w=cos(α/2) x=sin(α/2)cos(βx) y=sin(α/2)cos(βy) z=sin(α/2)cos(βz)
    其中α是绕旋转轴旋转的角度,cos(βx), cos(βy), cos(βz)分别为旋转轴在x,y,z方向的分量(由此确定了旋转轴),这里绕z轴旋转,因此cos(βx)=0 并且cos(βy)=0cos(βz)=1

    5. 代码实例

     void eulerAnglesToQuaternion(void) 
    { 
        cosRoll = cosf(roll * 0.5f); 
        sinRoll = sinf(roll * 0.5f);
    
        cosPitch = cosf(pitch * 0.5f);
        sinPitch = sinf(pitch * 0.5f);
    
        cosHeading = cosf(hdg * 0.5f);
        sinHeading = sinf(hdg * 0.5f);
    
        q0 = cosRoll * cosPitch * cosHeading + sinRoll * sinPitch * sinHeading;
        q1 = sinRoll * cosPitch * cosHeading - cosRoll * sinPitch * sinHeading;
        q2 = cosRoll * sinPitch * cosHeading + sinRoll * cosPitch * sinHeading;
        q3 = cosRoll * cosPitch * sinHeading - sinRoll * sinPitch * cosHeading; 
    }
    
    void quaternionToRotationMatrix(void) 
    { 
        float q1q1 = sq(q1); 
        float q2q2 = sq(q2); 
        float q3q3 = sq(q3);
    
        float q0q1 = q0 * q1;
        float q0q2 = q0 * q2;
        float q0q3 = q0 * q3;
        float q1q2 = q1 * q2;
        float q1q3 = q1 * q3;
        float q2q3 = q2 * q3;
    
        rMat[0][0] = 1.0f - 2.0f * q2q2 - 2.0f * q3q3;
        rMat[0][1] = 2.0f * (q1q2 + -q0q3);
        rMat[0][2] = 2.0f * (q1q3 - -q0q2);
    
        rMat[1][0] = 2.0f * (q1q2 - -q0q3);
        rMat[1][1] = 1.0f - 2.0f * q1q1 - 2.0f * q3q3;
        rMat[1][2] = 2.0f * (q2q3 + -q0q1);
    
        rMat[2][0] = 2.0f * (q1q3 + -q0q2);
        rMat[2][1] = 2.0f * (q2q3 - -q0q1);
        rMat[2][2] = 1.0f - 2.0f * q1q1 - 2.0f * q2q2;
    }
    
    void quaternionToEulerAngles(void) 
    { 
        roll = atan2f(2.f * (q2q3 + q0q1), q0q0 - q1q1 - q2q2 + q3q3); 
        pitch = asinf(2.f * (q0q2 - q1q3)); 
        yaw = atan2f(2.f * (q1q2 + q0q3), q0q0 + q1q1 - q2q2 - q3q3); 
    }

    参考:

    https://en.wikipedia.org/wiki/Cross_product
    https://www.3dgep.com/understanding-quaternions/
    https://www.cnblogs.com/zzdyyy/p/7643267.html
    https://blog.csdn.net/hziee_/article/details/1630116

    展开全文
  • DQN深强学习理解代码实现

    千次阅读 2019-03-20 21:03:37
    值函数近似 一个state action pair(s,a)(s,a)对应一个值函数Q(s,a)Q(s,a)。理论上对于任意(s,a)(s,a)我们都可以由公式求出它值函数,即用一个查询表lookup table来表示值函数。...^Q(s,a,w)≈Qπ(s,a)Q^(s,a,w)...
  • 理论研究表明:将某一特定谐振腔瑞利长度ZR取代q参量虚部光斑尺寸w时, q参量ABCD定律可以从基模推广到高阶模或几个模叠加, 并推导出飞行光学实际焦距几何焦距之差Df计算公式。为了精确控制飞行光学聚焦...
  • 变形矩阵模型-表示

    2020-05-06 00:58:36
    Wˆ运算符结果表达式似乎简单Hurwitz数问题有关(也有扬氏图,除了一条长为2和1线外,其余全部为线)。 已知此问题表现出良好可集成性。 Wˆ答案似乎仍然出人意料地复杂,需要改进。 由于矩阵模型是...
  • 在变形N = 4 $$ \ mathcal {N} = 4 $$理论情况下,根据底层U(N)相互作用矩阵模型代替描述N自由高斯模型,得出Z和W的精确公式 = 4 $$ \ mathcal {N} = 4 $$理论。 使用AGT对应关系,τJ变形四点CFT相关...
  • 其等效电压传输关系为:fr1 为谐振腔谐振频率x 为开关频率相对谐振频率归一化值k 为变压器励磁电感量谐振电感量比值Zr 为谐振腔特征阻抗Re 为等效负载交流阻抗Q 为品质因数根据电压传输关系公式可以画出在...
  • 在纯理论基础上,提出了一个简单的公式来预测晴天接收的全球太阳辐照度q(t)W / m2。 它以当地日时间td的长度表示,这在气象学上已经在文献中得到了很好的定义。 引入的分布也是每日接收辐照度qmax最大值的函数。 ...
  • 1)中继側接口:即至其它交换机接口,Q.511规定了连接到其它交换机接口 有三种: 轟掇口:数字接口,逍PCM一次群线路连榜至其它交换机 B接口:数宇接口,通过PCM二次群线路连接其它交换机。 C接口:模拟中继接口,有二线和...
  • BM25算法Best Matching

    2020-10-20 22:17:43
    不同TFIDF, BM25 的公式主要由三部分组成: query 中每个单词t文档d之间的相关性 单词tquery之间的相似性 每个单词的权重 BM25 带来的好处: BM25 vs TFIDF BM25公式 BM25的一般公式: (计算query Q与某个文档...
  • 人工势场法

    万次阅读 2019-01-14 15:45:08
    ρ(q,q_goal)表示物体当前状态目标距离。引力场有了,那么引力就是引力场对距离导数(类比物理里面W=FX): 斥力场 公式(3)是传统斥力场公式公式中η是斥力尺度因子,ρ(q,q_obs)代表物体和障碍物...
  • ρ(q,q_goal)表示物体当前状态目标距离。引力场有了,那么引力就是引力场对距离导数(类比物理里面W=FX): 斥力场 公式(3)是传统斥力场公式公式中η是斥力尺度因子,ρ(q,q_obs)代表物体和障碍...
  • 如何把matlab代码封装 COMOB工具箱 COMOB(建筑物中建筑物装饰)是一种发达MATLAB工具箱,它封装了CONTAM计算引擎,可通过改变不同...Wang,L.,Dols,W.,Chen,Q .:使用CONTAM 3.0CFD功能来模拟建筑物内和建筑
  • 线性回归目的就是根据一组给定数据,找出一个线性方程,这个线性方程要满足条件是:由该方程算出给定实际值方差和最小,即下图公式的Q值最小线性方程:线性回归就是用给定数据yi和xi算出参数w和...
  • 任意凸四边形内最大矩形

    千次阅读 2012-07-28 14:09:58
    不知道算的对不对,请大家留言指正 已知条件: 四边形的各点坐标。...由三角形的内角的公式可知: L1=dw * sin(180-Q-P) / sinP=-dw(cosQ+cotPsinQ); L2=w / sinQ L3=w(1+cosQ / sinQ)Sin(Q-R)/SinR=w(c
  • 根据宁波1、2号线轨道交通工程地质勘察资料,研究了宁波地区软土力学参数分布规律,建立了宁波地区软土力学指标物理指标之间经验公式。结果表明:1)各软土层压缩系数a、压缩模量Es、固结快剪黏聚力cc和固...

空空如也

空空如也

1 2 3 4
收藏数 62
精华内容 24
关键字:

w与q的公式