精华内容
下载资源
问答
  • 数据结构之六度空间

    2018-11-30 10:35:56
    六度空间”理论又称作“六度分隔(Six Degrees of Separation)”理论。这个理论可以通俗地阐述为:“你和任何一个陌生人之间所间隔的人不会超过六个,也就是说,最多通过五个人你就能够认识任何一个陌生人。” 也...
        

    实验题目:

    “六度空间”理论又称作“六度分隔(Six Degrees of Separation)”理论。这个理论可以通俗地阐述为:“你和任何一个陌生人之间所间隔的人不会超过六个,也就是说,最多通过五个人你就能够认识任何一个陌生人。”

    也就是在无向图中,以节点作为人,两个节点之间的路径小于等于6。

    实验要求
    求出与一个节点满足上述要求的其他节点的数目,初始值为1

    clipboard.png

    如图 以A, B为例
    A: 没有与A满足上述条件的点.因此。A节点的值为0
    B: D C E H G F都满足条件 因此B节点的值就是7

    实验思路:
    即无向图的广度优先遍历

    1.图的存储

    书上讲过无向图的存储最好是邻接多重链表,但是看起来比较麻烦,我就偷懒用了邻接表来存储

    clipboard.png

    创建方式,定义表头节点和表节点

        typedef struct EdgeNode
        {
            int adjvex;
            struct EdgeNode * next;
        } EdgeNode;
        
        //顶点表节点结构,tag用来判定是否被遍历过,一个firstedge是用来指向边表的第一个节点
        typedef struct
        {
            int tag;
            EdgeNode * firstedge;
        } AdjList;
        

    定义表头节点的数组,表的初始化就完成了。

    存储图,忽略节点名字,以数组下标代替节点名。tag初始为0,输入一条边的头尾节点,在头尾节点对应的表头节点后加入信息。

    clipboard.png

    实现代码

    void add(int x, int y) 
    {
        if (adjList[x - 1].firstedge == NULL)
        {
            EdgeNode *p;
            p = new EdgeNode;
            p->adjvex = y - 1;
            p->next = NULL;
            adjList[x - 1].firstedge = p;
        }
        else {
    
            EdgeNode *p , *q;
            p = adjList[x - 1].firstedge;
            while (p->next)
            {
                p = p->next;
            }
            q = new EdgeNode;
            q->adjvex = y - 1;
            q->next = NULL;
            p->next = q;
        }
        // 无向图,一条边对应两个结点
        if (adjList[y - 1].firstedge == NULL)
        {
            EdgeNode *p;
            p = new EdgeNode;
            p->adjvex = x - 1;
            p->next = NULL;
            adjList[y - 1].firstedge = p;
        }
        else {
            EdgeNode *p, *q;
            p = adjList[y - 1].firstedge;
            while (p->next)
            {
                p = p->next;
            }
            q = new EdgeNode;
            q->adjvex = x - 1;
            q->next = NULL;
            p->next = q;
        }
    }
    

    2.图的广度优先遍历

    在上述存储结构的前提下,以每个节点为初始节点,依次进行广度优先遍历

    思路:定义两个队列,用来存储本次访问节点的下标和下次访问节点的下标,以便于计算路径长度。在本次访问节点队列不空的情况下,再次进行循环,直到空为止,循环第一次结束。依次类推

    下面以图的形式具体说明

    第一次以0下标开始,tag置为1,表示被访问过。本次队列和下次队列都为null

    clipboard.png

    首先进行本次队列赋值,此时路径为1

    clipboard.png

    之后再本次队列不为空并且路径小于6的前提下进行另一个循环

    ①以本次队列中的数据作为起始位置,若遍历的节点中,tag为0,则该节点进入下次队列,直到本次队列空为止。此时数据的状态为

    clipboard.png

    此时将下次队列的值赋给本次队列,此时路径变为2

    继续进行循环①

    ①循环结束之后 将所有tag置为0,队列清空进行以下一个节点为初始节点的计算,重复上述过程直到循环结束

    实现代码

    void BL(int x)
    {
        // 数组下标对应到存储改序号节点路径不超过6的节点个数
        double num[10];
    
        for (int i = 0; i < x; i++)
        {
            num[i] = 1;
        }
        queue<int>q;
        queue<int>r;
        for (int i = 0; i < num_vertex; i++)
        {
            // 从第一个节点开始,依次广度遍历图,k为当前节点到各节点的路径长度
            int k = 0;
            EdgeNode *p;
            // 记录是否访问过该点
            adjList[i].tag = 1;
            p = adjList[i].firstedge;
            // 记录路径长度为1的节点个数
            while (p) {
                if (adjList[p->adjvex].tag == 0)
                {
                    num[i]++;
                    adjList[p->adjvex].tag = 1;
                    q.push(p->adjvex);
                }
                if (!p->next)
                {
                    break;
                }
                if (p->next)
                {
                    p = p->next;
                }
            }
    
            k++;
            // 记录路径长度为2~6的节点个数,q队列中存入本次次广度遍历的节点,r队列存入下一次广度
            // 遍历的节点。来区分不同的路径长度
            while (!q.empty() && k < 6)
            {
                p = adjList[q.front()].firstedge;
                q.pop();                
                while (p) {
                    if (adjList[p->adjvex].tag == 0)
                    {
                        num[i]++;
                        adjList[p->adjvex].tag = 1;
                        r.push(p->adjvex);
                    }
                    if (!p->next)
                    {
                        break;
                    }
                    else p = p->next;
                }
    
                if (q.empty() && !r.empty())
                {
                    while (!r.empty())
                    {
                        q.push(r.front());
                        r.pop();
                    }
                    k++;
                }
            }
            // 初始化数据,准备进行从下一个节点开始的广度遍历
            for (int j = 0; j < num_vertex; j++)
            {
                adjList[j].tag = 0;
            }
            while (!q.empty())
            {
                q.pop();
            }
            while (!r.empty())
            {
                r.pop();
            }
        }
    展开全文
  • 数据结构练习题 06-图3 六度空间 BFS

    千次阅读 2017-10-19 10:05:20
    六度空间(30 分) “六度空间”理论又称作“六度分隔(Six Degrees of Separation)”理论。这个理论可以通俗地阐述为:“你和任何一个陌生人之间所间隔的人不会超过六个,也就是说,最多通过五个人你就能够...


    六度空间(30 分)

    “六度空间”理论又称作“六度分隔(Six Degrees of Separation)”理论。这个理论可以通俗地阐述为:“你和任何一个陌生人之间所间隔的人不会超过六个,也就是说,最多通过五个人你就能够认识任何一个陌生人。”如图1所示。


    图1 六度空间示意图

    “六度空间”理论虽然得到广泛的认同,并且正在得到越来越多的应用。但是数十年来,试图验证这个理论始终是许多社会学家努力追求的目标。然而由于历史的原因,这样的研究具有太大的局限性和困难。随着当代人的联络主要依赖于电话、短信、微信以及因特网上即时通信等工具,能够体现社交网络关系的一手数据已经逐渐使得“六度空间”理论的验证成为可能。

    假如给你一个社交网络图,请你对每个节点计算符合“六度空间”理论的结点占结点总数的百分比。

    输入格式:

    输入第1行给出两个正整数,分别表示社交网络图的结点数N1<N104,表示人数)、边数M33×N,表示社交关系数)。随后的M行对应M条边,每行给出一对正整数,分别是该条边直接连通的两个结点的编号(节点从1到N编号)。

    输出格式:

    对每个结点输出与该结点距离不超过6的结点数占结点总数的百分比,精确到小数点后2位。每个结节点输出一行,格式为“结点编号:(空格)百分比%”。

    输入样例:

    10 9
    1 2
    2 3
    3 4
    4 5
    5 6
    6 7
    7 8
    8 9
    9 10
    

    输出样例:

    1: 70.00%
    2: 80.00%
    3: 90.00%
    4: 100.00%
    5: 100.00%
    6: 100.00%
    7: 100.00%
    8: 90.00%
    9: 80.00%
    10: 70.00%

    思路:广度优先搜索。用level记录当前层数,last记录一层的最后一个元素。当前元素==last时,说明队列中已经全是下一层的元素,所以level++,更新last


    #include<stdio.h>
    
    int n,m;
    int map[10001][10001],vis[10001];
    
    void buildmap(){
    	scanf("%d %d",&n,&m);
    	int i,a,b;
    	for(i=0;i<m;i++){
    		scanf("%d %d",&a,&b);
    		map[a][b]=map[b][a]=1;
    	}
    }
    
    int q[10001];
    
    void bfs(int now){
    	for(int i=0;i<=n;i++)vis[i]=0;
    	int qb=0,qe=0;
    	q[qe++]=now;
    	vis[now]=1;
    	int cnt=1;
    	int last=q[qe-1];
    	int level=0;
    	while(qb!=qe){
    		int cur=q[qb++];
    		for(int j=1;j<=n;j++){
    			if(map[cur][j]==1&&vis[j]==0){
    				q[qe++]=j;
    				vis[j]=1;
    				
    				cnt++;
    			}
    		}
    		if(cur==last){
    			last=q[qe-1];
    			level++;
    			if(level>=6)break;
    		}
    	}
    	double ans=(1.0*cnt)/n;
    	ans=ans*100;
    	printf("%d: %.2lf%%\n",now,ans);
    }
    
    void trans(){
    	int i;
    	for(i=1;i<=n;i++){
    		bfs(i);
    	}
    }
    
    int main(){
    	buildmap();
    	trans();
    	return 0;
    }


    展开全文
  • 注意,这里设定的带宽距离单位,是要素类的空间参考中的单位,如果你是经纬度的话,这里设定的也是经纬度(设置为1,就是1,在中国范围内,约为108公里左右),所以如果要更精确,最好把数据投影为投影坐标系。...
    (再次接近6000字,诚意满满啊)

    从这一章开始进入实际操作环节……首先还是用ArcGIS,毕竟这个东西比较容易。

    实际上要说起来,GWR有专门的软件,叫做GWR,但是这个软件暂时我还没有用过,所以等我先学习一下,把他放到最后才说了,先用比较熟悉的,比如ArcGIS、比如R语言,这些来讲讲(还有一个我非常熟悉的软件是GEODA,可惜GEODA仅支持回归分析,不支持地理加权回归)。

    数据还是用上次山东的那一份,在番外篇中,用财政收入作为因变量,自变量选择工业总产值,消费品零售额,总出口以及固定资产投资作为自变量,完成了OLS回归分析,然后进行了残差可视化,有兴趣的同学去翻翻以前的文章:

    白话空间统计二十三回归分析番外:残差可视化

    看看要进行分析的数据:




    下面先来解释一下ArcGIS提供给我们的GWR工具的各个参数设置:

    地理加权回归分析工具的位置,在空间统计工具箱——空间关系建模工具集——地理加权回归工具(如下所示:)




    下面是各个参数的意义(话说这一部分在ArcGIS帮助文档里面都有的,但是我知道要让大家像虾神这样(变态)无聊,把ArcGIS帮助文档放到手机上,还是有点勉为其难,所以这这里写了)


    虾神私人推介……有兴趣做空间统计的,可以把ArcGIS的帮助文档拷贝到手机上……很多APP都直接直接打开chm格式的。

    工具界面如下:




    1、输入要素:
        ArcGIS的空间统计工具箱,主要针对的是矢量数据,所以这里的输入一定是矢量图层,可以是点线面,但是不能是多点(但是可以是多部分要素,因为对面状空间要素处理的时候,通常采用的是质心来进行计算,多部分面状要素不会影响GWR的处理)。
        
        在要素类的设定上,应该避免有空间错误的数据:比如有属性无空间要素,如果出现这样的数据,可能会发生错误。
        
        在制作数据的时候,尽量把需要使用的数据都合并到一个要素类中,每一个变量(应、自)都应该是一列独立的数据,而且一定不能出现空值(如果出现了空值,或者表示空值的0值,首先就要将这行数据从分析样本中移除,或者补全之后在使用。
        
        使用的变量中,尽量不要使用哑元(dummy,ArcGIS的官方翻译中,把这个词翻译成“哑元”,实际上在实际上在计量经济学里面,把它称为:虚拟变量(dummy variable),意思是表示该变量只能表示“有”和“无”这两种情况,在计算机里面常备称为二值化变量,即放到模型中就只有1和0两个值,比如该时间发生了,就记为1,没发生就记为0。在计量经济学里面,dummy variable是很重要的一个概念,大家有兴趣自己去查询相关资料,这里为了保持上下文一致,我使用ArcGIS的翻译方法,把这个东东继续叫做“哑元”)
        
        因为在使用二值化的时候,到底哪个类别为0,那个类别为1,是可以任意设置的(比如前进和后退,可以认为前进设置为1,后退设置为0,也可以反向设置,后退为1,前进为0)不管如何设置,都不会影响检验的结果。在GWR中,如果使用哑元作为某个变量的值,会导致分析中出现严重的多重共线性。
        
        空间统计分析里面,空间关系概念一旦涉及“距离”的时候,尽量使用投影坐标系,当然,如果使用经纬度,对分析的过程不会产生多大影响,但是对分析的结果会有一些影响(特别是对核带宽进行设置的时候)。
        
        (关于输入要素的其他情况,有兴趣的时候专门开一篇数据处理来讲……这里先直接略过了)

    2、因变量字段。
        这个字段包含因变量的值,一个回归方程只能有一个因变量,没啥好说的。注意别使用哑元就好了。

    3、解释变量(自变量)字段。
        包含了解释变量的字段,最少一个。系统会自动筛选掉文本型的数据,只保留数值型。但是不筛选哑元值,所以需要自行设置。
        
        另外,自变量的顺序和分析的结果没有任何关系。

    4、输出结果
        用户承载分析结果的要素图层,分析结果的解读后面会详细说。

    5、核的类型
        此参数并非是让我们选择核函数(ArcGIS只提供了高斯核函数,没得选),这参数是让我们决定核函数如何构成?分析的数据用什么方式来参与。 工具提供两种核函数:
        FIXED :固定距离法,也就是按照一定的距离来选择带宽,创建核表面
        ADAPTIVE :自适应法。按照要素样本分布的疏密,来创建核表面,如果要素分布紧密,则核表面覆盖的范围小,反之则大。
        
        默认会使用固定方式,因为固定方式能够生成更加平滑的核表面。
        
    6、核带宽
        此参数用于设定GWR的带宽,通过以前的文章,我们知道带宽的选择非常关键,而且GWR专门用两种方式来选择更好的带宽,但是也留出了自定义的模式,所以这个参数有三个选项:
        CV:通过交叉验证法来决定最佳带宽。
        AIC:通过最小信息准则来决定最佳带宽。
        BANDWIDTH_PARAMETER :指定宽度或者临近要素数目的方法。如果选择这种方法,后面的7\8两个参数,才变为可用状态。如果选择CV或者AIC法,带宽是通过计算来决定的,所以距离参数将不可用。而采用指定的方法,我们可以通过自定义的方式,来决定带宽
        
        为什么需要留出这样一个可以自定义带宽的参数呢?因为CV法和AIC法,都是系统计算出来的带宽,特别是AIC法,可能能够达到很好的拟合度,但是回归是不是拟合度越高越好呢?这就不一定了,特别很多时候选择不同的带宽,可以揭示更多的细节的时候。
        关于这个问题,可以参考下面的文章:
        白话空间统计二十一:密度分析(五)
        
        
    7、距离(可选)
        如果在参数6中,选择了自定义带宽模式,那么这个参数就变为可用了。注意,这里设定的带宽距离单位,是要素类的空间参考中的单位,如果你是经纬度的话,这里设定的也是经纬度(设置为1,就是1度,在中国范围内,约为108公里左右),所以如果要更精确,最好把数据投影为投影坐标系。

    8、临近要素的数目(可选)
        如果核类型为自适应(ADAPTIVE),以及核带宽为BANDWIDTH_PARAMETER的时候,此参数才为可用,默认是30,表示选择回归点周边的30个点作为核局部带宽中作为临近要素的点。

    9:权重字段(可选):
        本工具可以对每个要素设置独立的权重,把这个将要设定的权重写入一个字段,然后设置到此就行。
        
        一旦设置了权重,就说明这个(些)要素在进行校验的时候,会比其他要素更加重要。
        
        在很多时候,独立设置的权重有着很重大的意义。如下图所示:
        
    要用4个区域的钾含量要进行计算,那么就从四个区域布点进行采样,用采样的平均值来作为每个区域的含量值,可以看见A区域足足布置了20个采样点,D区域3个,BC分别都是2个,这样来说,A区域的钾含量是20个点的平均值,在四个区域里面,A区域的钾含量最接近平稳值,所以在计算的时候,我们可以把每个区域的采样点数放到一个字段里面,作为这个区域的权重——这样来说,在计算的时候A区域的数据,比其他几个区域的数据具有更大的影响力。

    具体的参数就先说到这里,GWR后面还有一系列的扩展参数,下一节我们再继续说。

    待续未完。

    展开全文
  • 白话空间统计之:平均最近邻

    万次阅读 多人点赞 2015-08-11 15:49:48
    当然Z得分能在一定程度上体现聚集,不过他并非单纯的在考虑空间上的聚集。所以就有了我们今天要讲的一个算法(在ArcGIS里面,叫做“Average NearestNeighbor”,在“空间统计工具箱”的“分析模式工具集里面”):...

    前面的文章里面,我们看了很多关于距离、聚类的基本原理,从这一章开始,我们讲一些具体的工具和算法。

     

    前面我们用莫兰指数、P值、Z得分啥的,可以得出一份数据是属于离散、随机还是聚集,如果多份数据得出都是聚集的话,其中哪一份数据的聚集程度最高呢?这就需要一个具体的数值来进行量化。

     

    当然Z得分能在一定程度上体现聚集度,不过他并非单纯的在考虑空间上的聚集。所以就有了我们今天要讲的一个算法(在ArcGIS里面,叫做“Average NearestNeighbor”,在“空间统计工具箱”的“分析模式工具集里面”):平均最近邻。

     

    平均最近邻可以得出一份数据的具体聚集程度的指数,通过这个指数,可以对比不同数据中,哪个数据的聚集程度最大。

     

    如下有两份数据,都体现出的聚类分布,但是哪一份的聚类程度更高呢?特别是在不考虑属性的情况下(很流氓的采用纯粹的空间聚类模式)。

     

    那么使用这个方法,就能够计算出每份数据具体的聚类程度了,计算结果如下:

     


     

    下面进行对比:

     

    从平均观察距离和平均预期距离来看,两者差距不大,其中数据一的平均观察距离要大于数据二,而预期距离,数据一要小于数据二。

     

    预期距离与整个数据的最大分布有关,也就是分布面积相关,那么最后算出来的近邻指数如下:

     

    两份数据的近邻指数都小于1,所表现的模式为聚类;反之,如果指数大于 1,则所表现的模式趋向于离散或竞争。

     

    指数越小,聚类程度越大,所以数据二的聚类程度要高于数据一。

     

    这个种计算的原理是怎么样的呢?继续往下看。

     

    平均最近邻工具,首先要假设一个在研究区域以内,随机分布的平均距离(记为De)。接下去测量每个 要素的质心,与他最近的那个要素的质心之间的距离;然后把这些测量之后的距离,计算他们的平均值(Do)。最后用Do/De,就得出了平均最近邻指数。

     

    如果De > Do,计算的指数小于1,那么就表示这份数据的模式趋向于聚集

    如果De < Do,计算的指数大于1,那么就表示这份数据的模式趋向于离散

    而这个指数,越接近1,就表示随机的几率越大。

     

    计算的方法如下:

    首先假设在研究区域内,有n个点,研究区域的面积为A,那么假设他们的平均预期距离的公式就是:


    例如,我们有3个点(这里的点,一般取使用相同数量的要素覆盖相同的总面积),研究区域的面积为60,那么

    De =0.5/sqrt(3/60) = 2.23606797749979

     

    然后计算实际数据的平均观察距离,公式如下:


    其中di 是每个要素,与他最近的要素之间的距离,如下图:


    Do = (4 +6 + 7) / 3 = 5.6667

     

    接下去计算他们的平均最近邻指数

    ANN = 5.667/ 2.2361=2.5343

     

    这个计算出来的值,远远大于1,超过了2倍多,那表现出来的就是处于离散模式了。

     

    当然,还需要去计算z得分,在这种情况,z得分的计算公式如下:


    其中,SE的公式如下:


    如上面那份数据,计算出来的Z得分就是:

    z =(5.6667-2.2361)/ (0.26136/(sqrt(3*3/60))=0.67482861824318 

     

    根据我们以前说的P值和Z得分,z得分在1.65— -1.65之间,是在统计上呈现随机分布的趋势。

     

    好吧,给定的数据计算确实是很随机的,计算结果也证明我们给出的是一份随机数据。但是通过以上的计算,只是想说明平均最近邻的计算过程而已。

     

    从我们上面的计算可以看出,平均最近邻,对研究区域面积非常的敏感,稍微一有变化,计算结果就会有重大的影响(特别是P值和Z得分会剧烈变化)。所以我们最好在计算之前先指定一个固定的面积值

     

    如果不指定面积值,系统会默认采用你研究数据的最小外接矩形来决定你的研究面积,这样计算出来的结果的可靠性,就会带来更多的不确定性。如下所示:


    不指定固定面积的话,就会出现上面那种情况,区域发生了变化,计算出来的结果,也可能发生变化。

     

    所以,平均最近邻工具最适用于对固定研究区域中不同的要素进行比较。比如在同一城市范围内,不同类型的企业之间的分布情况的研究;或者同一类型的企业,在固定区域以内,随着不同年份的变化情况的研究。


    有疑问,请关注虾神公众微信号:


    展开全文
  • 点数据集描述性空间统计之——方向分布统计(标准差椭圆)(Standard DeviationalEllipse)原理及python实现 1.原理 在上一篇圆概率误差统计中(详见:【空间分析之五】点数据集圆概率误差统计CEP(Circle Error ...
  • 本文章会详细的介绍RGB颜色空间与RGB三色中色调、饱和、亮度之间的关系,最后会介绍HSV颜色空间! 一.RGB颜色空间 1. 起源 RGB三原色起源于上世纪初1809年Thomas Young提出视觉的三原色学说,随后Helmholtz在...
  • 这个性质的意思就是说不同的高斯核对图像的平滑是连续的。 3)局部极值递性 这个特征可以从人眼的视觉原理去理解,人在看一件物体时,离得越远,物体的细节看到的越少,细节特征是在减少的。 高斯核对图像进行滤波...
  • 想看最新文章,可以直接关注微信公众号:金...并且在结尾的时候,引入了HSB颜色空间,并在设备相关和设备无关的基础上,分析了一下它和之前一直在说的,也是生活中比较熟悉的,RGB颜色空间的区别。 那么接下来呢...
  • 文章目录〇、前言一、什么是图二、抽象数据类型三、邻接矩阵和邻接表四、深度优先搜索和广度优先搜索五、拯救007六、六度空间七、课后题1、06-图1 列出连通集 (25分)2、06-图2 Saving James Bond - Easy Version (25...
  • OCulus Rift 游戏开发原则

    千次阅读 2015-06-29 18:47:57
    本文章由cartzhang编写,转载请...作者:cartzhangOCulus Rift 游戏开发原则你是一个游戏开发者?在你的生活中,你涉及游戏开发的那些点呢?你是否听说过Oculus Rift VR系统呢?你是否赞同业内的一些声音,说Oculu
  • Java设计模式——大原则

    千次阅读 2015-07-27 11:39:06
    这样就为扩展留出了很大的空间,方面扩展其他的类。也不会对细节有变动。以后涂涂想吃什么学一下就可以自己做了 实现面条 public class Noodles implements IFood {    @Override   public void eat...
  • 裁剪空间

    千次阅读 2017-10-16 00:41:09
    原文链接:裁剪空间  顶点接下来要从观察空间转换到裁剪空间(clip space,也被称为齐次裁剪空间)中,这个用于转换的矩阵叫做裁剪矩阵(clip matrix),也被称为投影矩阵(projection matrix)。  裁剪空间的目标是...
  • 也就是说,当很多文档都包含了qi时,qi的区分就不高,因此使用qi来判断相关性时的重要就较低.(举例:的这个词出现频率很高,但是所含的信息量很低) 相关性得分R(qi,d) BM25中相关性得分的一般...
  • MySQL性能优化():分区

    万次阅读 多人点赞 2018-09-08 15:23:15
    适用于字段的值区分不高的,或者值是有限的,特别是像枚举这样特点的列。list分区使用in表示一些固定的值的列表 -- 语法 create table <table> ( // 字段 ) ENGINE=数据库引擎 DEFAULT CHARSET=utf8 AUTO_...
  • 6.1 离散空间和连续空间 在之前的实例中,状态和动作的数量受到限制。使用小的,有限的马尔可夫决策过程(MDP),可以用表,字典或其他有限结构来表示动作值函数。 例如,考虑下面的非常小的gridworld。假设世界有四...
  • 企业经营管理成熟

    千次阅读 2014-03-16 17:07:45
    企业经营管理成熟我自己把企业管理成熟分为个层级:1、组织管理、人才建设管理到位2、项目管理到位3、战略管理、绩效管理到位4、公司治理管理到位5、产业链管理到位6、行业生态圈管理到位一、成熟一级:组织...
  • 2. 自由

    千次阅读 多人点赞 2019-09-05 22:56:02
    这篇文章主要介绍了自由定义,运动副以及自由以及计算方法。
  • 《当程序员的那些狗日日子》

    千次阅读 2012-10-25 20:23:23
    2009年12月中旬,敖总请研发部各人去台湾天游,这是敖总每年一次的对研发部同仁的特别恩惠。此外此次台湾游敖总还请了负责技术支持的另外三位同事一同前往。由于办证及其他原因,最后只有立经理、小钟、良子、小陆...
  • Cocos2d开发系列(

    万次阅读 2011-06-01 13:29:00
    由于Zwoptex会自动去除每个图片的透明边沿,它会把这些背景层紧紧地放到一起没有丝毫空间的浪费。 把背景分层的原因不仅是便于把每一层放在不同的 Z轴。严格讲,bg5.png(位于最下端)和bg6.png(位于最...
  • OpenGL进阶()-粒子系统

    千次阅读 2012-12-22 20:55:25
    由于我们的粒子是在空间运动,运行之后我们就可以看到粒子沿着空间的各个方向运动,我们在沿Z轴方向添加了一个“盒子”,撞到盒子则速度做相应的变化。 五、交互发射 这个其实是opengl之外的东西了。我们要用的是SDL...
  • [WebGL入门]二十,纹理绘图

    万次阅读 2014-10-18 18:04:25
    在片段着色器中对光进行计算,阴影,亮点等效果都非常的漂亮,3D场景的真实大幅度提升。并且能和顶点颜色一起使用,理解了前面讲解的内容之后,就应该能进行比较高质量的3D渲染了。 这一次,来看高级一点的纹理的...
  • 什么是机器人的自由

    万次阅读 2015-11-26 15:28:19
    自由是机器人的一个重要技术指标,它是由机器人的结构决定的,并直接影响到机器人的机动性。   1. 刚体的自由   ...图表1.3 刚体的个自由   沿着坐标轴ox、oy和oz的三个平移运动T1
  • 系统学习深度学习() --LSTM总结

    万次阅读 2017-01-14 09:56:57
    应该侧重空间映射,图像数据尤为贴合此场景。 3.3 LSTM vs (传统)RNNs 两篇文章的描述: 1. AlexGraves. 《SupervisedSequence Labelling with Recurrent Neural Networks》. Textbook, Studies in...
  • 有了上述线条绘制的方法,在三维空间中绘制网格,只需要你计算出条线两端的顶点即可,详细代码见项目包,这里就不再写了。下载地址会在文章末尾给出。 如何实现只有三面显示的网格 这里我仅给出一个...
  • 默认是spread,意思是占用所有的符合约束的空间 比如宽度铺满: ... android:layout_width="0dp" app:layout_constraintRight_toRightOf="parent" app:layout_constraintTop_toTopOf="parent" ... ...
  • 马尔科夫场是一种概率图模型,图中的节点就是像素,图中的隐节点就是标签,在Stereo-Matching里面,标签就是像素的视差值,视差值总是会有一个范围,BP就是在这个自定义空间中找到使得全局能量最小的那些视差值,...
  • [OpenGL ES 05]相对空间变换及颜色

    万次阅读 2012-12-11 10:53:05
    [OpenGL ES 05]相对空间变换及颜色 罗朝辉 (http://blog.csdn.net/kesalin) 本文遵循“署名-非商业用途-保持一致”创作公用协议 这是《OpenGL ES 教程》的第五篇,前四篇请参考如下链接: ...
  • 这句话的意思是栈顶的地址和栈的最大容量是系统预先规定好的,在 WINDOWS下,栈的大小是2M(也有的说是1M,总之是一个编译时就确定的常数),如果申请的空间超过栈的剩余空间时,将提示overflow。因此,能从栈获得的...
  • HSV颜色空间

    千次阅读 2018-09-08 08:52:45
    (HSV颜色模型) HSV(Hue, Saturation, Value)是根据颜色的直观...这个模型中颜色的参数分别是:色调(H),饱和(S),明(V)。 外文名 Hue, Saturation, Value 别 称 HSV 提出者 A. R. Smith 提出...
  • 在扩容时,将其中一个dictht上的键值对rehash到另一个dictht上面,完成之后释放空间并交换两个dictht的角色。 typedef struct dict { dictType *type; void *privdata; dictht ht[2]; long rehashidx; /* rehashing ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 37,257
精华内容 14,902
关键字:

六度空间的意思