精华内容
下载资源
问答
  • 数据结构算法评价标准

    万次阅读 热门讨论 2015-08-30 23:52:35
    我本人赞同这种观点,我觉得学习好或者不好是和方   法有关系的,学习方法得当了,就能达到前者的水平。只要是有正常能力的人都可以做到。 方法的好坏怎么衡量,怎   么评定呢? 看看效果心里就有数了。    ...

     

     

       学习知识,有的人学的快、学的轻松、应用的好;有的人学的慢、学的吃力,应用差。 这是为什么? 传统的观

     

    认为,前者脑子好使,聪明,是学习的料儿,后者就是不行。 我本人不赞同这种观点,我觉得学习好或者不好是

     

    和方法有关系的,学习方法得当了,就能达到前者的水平。只要是有正常能力的人都可以做到。 方法的好坏怎么衡

     

    量,怎么评定呢? 看看效果心里就有数了。

     

        在计算机里,需要处理数据,处理数据过程中需要用到一些算法来运算、整理数据。 计算机的脑子是很好使

     

    的,不用怀疑。计算机处理同样的数据,可以使用多个算法处理。 这些算法在处理速度,效率等方面也是有区别

     

    的,怎么评价算法呢? 下面大致分了四个方面来评价算法。

     

     

     

     

    一、四个标准

     

    正确性

     

       能正确地实现预定的功能,满足具体问题的需要。 处理数据使用的算法是否得当,能不能得到预想的结果。

     

    易读性

     

       易于阅读、理解和交流,便于调试、修改和扩充。 写出的算法,能不能让别人看明白,能不能让别人明白算法的

     

    逻辑? 如果通俗易懂,在系统调试和修改或者功能扩充的时候,使系统维护更为便捷。

     

    健壮性

     

       输入非法数据,算法也能适当地做出反应后进行处理,不会产生预料不到的运行结果。 数据的形式多种多样,算

     

    法可能面临着接受各种各样的数据,当算法接收到不适合算法处理的数据,算法本身该如何处理呢? 如果算法能够

     

    处理异常数据,处理能力越强,健壮性越好。

     

    时空性

     

        算法的时空性是该算法的时间性能和空间性能。 主要是说算法在执行过程中的时间长短和空间占用多少问题。

     

    算法处理数据过程中,不同的算法耗费的时间和内存空间是不同的。

     

    二、时间比较

     

    【例】求1!+2!+3!+…+n! ,用两种算法求解如下(C语言):

     

    1、一重循环算法

     

    <span style="font-family:KaiTi_GB2312;font-size:18px;"> int function1(int n)
     {
    	int i,j,temp,s;
    	s=0;
    	for(i=1,i<=n;i++)
    	{
    		temp=1;
    		for(j=1;j<=i;j++)
    			temp=temp*j;
    		s=s+temp;	
    	}
    	return s;
     }</span>


     

    2、二重循环算法

     

    <span style="font-family:KaiTi_GB2312;font-size:18px;"> int function2(int n)
     {
    	int i,temp,s;
    	s=0;
    	temp=1;
    	for(i=1;i<=n;i++)
    	{
    		temp=temp*i;
    		s=s+temp;
    	}
    	return s;
     }</span>


     

    3、对比

     

        function1共两层循环,内循环先算出i!,然后外循环从1到n, function2只有一层循环,求解i! 时,借助已经

     

    算出的(i-1)!;同时function2省去了变量j,减少了较多赋值的操作,节省了运算的时间。

     

    4、时间复杂度

     

       本算法中涉及到了几个基本的操作,加法、乘法、赋值。 在这两种算法中,当n=5时,统计了一下算法使用基本

     

    操作的个数。

     

     

    function1的基本操作用到的次数总和 T1(n)=n^2+4n+1,当n足够大的时候,T(n)和n^2成正比,这时用O(n^2)表示时

     

    间复杂度。function2的时间复杂度时O(n). 阶数低于平方阶的算法是高效的算法。 所以function2的是较好的算

     

    法。

     

    三、空间比较

     

    【例】读入n=100个整数到一个数组,使用算法将数组中的数逆置。

     

    1、从数组两端依次将对应的数交换

     

    <span style="font-size:18px;"> <span style="font-family:KaiTi_GB2312;">void function3(int a[],int n)
     {
    	int i,temp;
    	for(i=0;i<=n/2-1;i++)
    	{
    		temp=a[i];
    		a[i]=a[n-1-i];
    		a[n-1-i]=temp;
    	}
     }
     </span></span>

     

     

    2、数组a先逆置到数组b,然后将b复制到a

     

     <span style="font-family:KaiTi_GB2312;font-size:18px;">void function4(int a[],int n)
     {
    	int i,b[100];
    	for(i=0;i<=n-1;i++)
    		b[i]=a[n-1-i];
    	for(i=0;i<=n-1;i++)
    		a[i]=b[i];
     }</span>


     

        算法执行期间需要耗费存储空间,这些存储空间主要被三个部分占用,分别是程序代码、输入数据、辅助变

     

    量。 其中辅助变量占用的控件较多。 在上面的两个算法中,function4执行过程中,需要内存再分配一些空间。

     

     

    3、空间复杂度

     

     

       算法在运行过程中临时占用存储空间大小的量度。 算法执行期间需要耗费存储空间主要被三个部分占用,分别是

     

    程序代码、输入数据、辅助变量。 其中辅助变量占用的空间较多。 在上面的两个算法中,function4执行过程中,

     

    需要内存再分配一些空间。 表示方式和时间复杂度相似,用符号O表示。

     

     

     

    四、总结

     

         了解这些内容,在设计程序的时候,我们可以依据这些知识来判断算法的好坏,择优选择算法。 这些知识一

     

    些参考方法,有些情况下,不符合这些标准也不一定不是好算法,如果空间允许,算法在执行过程中多利用一些空间

     

    可以节省时间的话,可以选择用空间换取时间。反之如果空间不太充足,可以选择运算时间长,但节省空间的算法。

     

    具体问题视情况而定。

     

     

     

     

     

     

     

     

     

     

     

     

    展开全文
  • 介绍论文名: “classification, ranking, and top-k ...与常规准确率比较的方式不同, 本文从另一个角度, 即推荐算法稳定性方面进行比较.详细参与比较的推荐算法包括: baseline 传统基于用户 传统基于物品 oneSlope s

    介绍

    论文名: “classification, ranking, and top-k stability of recommendation algorithms”.
    本文讲述比较推荐系统在三种情况下, 推荐稳定性情况.
    与常规准确率比较的方式不同, 本文从另一个角度, 即推荐算法稳定性方面进行比较.

    详细

    参与比较的推荐算法

    包括:

    1. baseline
    2. 传统基于用户
    3. 传统基于物品
    4. oneSlope
    5. svd

    比较方式

    比较的过程分为两个阶段:

    阶段一, 将原始数据分为两个部分, 一部分为已知打分, 另一部分为未知打分, 用于预测.
    阶段二, 在用于预测打分那部分数据中, 取出一部分数据, 加入到已知打分部分, 剩余部分仍然为预测部分.

    比较阶段一中的预测结果和阶段二中预测结果的比较.
    数据划分情况如图所是.

    数据划分

    比较的方式

    预测稳定性

    预测性的评价方式有以下几种:
    MAE, RMSE

    分类稳定性

    分类型的评价方式有以下几种:
    准确率, 召回率, F-分数.

    排名稳定性

    排名型的评价方式有以下几种:
    排名相关性, Spearman的 ρ 评价, Kruskal的 γ 评价, Kendall的 τ 评价.

    前K项稳定性

    前k项的评价方式有以下几种:
    点击率稳定性(hit-rate), NDCG(normalized discounted cumulative gain).

    比较的场景

    稀疏性冲击

    改变数据的稀疏性, 从几个方面比较这些推荐算法的稳定性.

    结果如图所是.

    这里写图片描述

    基于内存的推荐算法和slopeone算法表现出强烈的不稳定性和对数据敏感性.
    svd和baseline算法相对稳定.

    评价数量冲击

    改变第二阶段中新加入数据的数量, 比较两次实验的差异.

    结果如图所是:

    这里写图片描述

    横坐标为比例, 即已知打分数据的倍数, 从10%到500%.

    从图中可以看出, 在新加入的数据较少时, 各个推荐算法表现出高度的稳定性.

    当新加入的数据较多时, 基于内存的推荐算法的稳定性不断下降.
    相反, 基于模型的方法相对稳定.

    打分分布冲击

    除了新加入的数据外, 新加入的数据的数据分布也一定程度上影响了推荐算法的稳定性.

    下表显示了修改数据分布的策略:

    这里写图片描述

    实验的结果如下:

    这里写图片描述

    从图中可以看出, 当加入的数据为随机时, 各个推荐算法都表现出相对较高的稳定性.
    但是, 当添加的数据出现歪斜时, 基于内存的推荐算法的稳定性降低较快, 基于模型的推荐算法的稳定性基本保持不变.

    算法参数冲击

    对于推荐算法而言, 除了数据的因素外, 还有算法本身参数对算法稳定性的影响.

    对于基于内存的算法, 相似用户/物品的数量影响着推荐算法的效果,
    对于svd算法, 隐含属性的数量影响着推荐算法的结果.

    实验通过修改推荐算法参数的方式进行比较, 结果如图所时:

    这里写图片描述

    对于top-K的比较, k值的大小也影响推荐算法的稳定性.
    通过修改k的大小, 实验的结果如图所时:

    这里写图片描述

    实验结果表示:

    对于修改算法的参数, 对svd算法的影响较少, 对于基于内存的算法影响较大.

    修改top-k中k的大小, 对基于模型的推荐算法影响较小, 对于基于内存的推荐算法的稳定性影响较大.

    总结

    对于上面多种情况的比较.
    基于模型的推荐算法在多种情况下, 稳定性较高, 特别时svd算法.
    基于内存的推荐算法稳定性较差.

    展开全文
  • 、图像质量评价数据库 ...LIVE:由德克萨斯大学的图像与视频工程实验室(Laboratory for Image and Video Engineering,LIVE)开发,包含不同大小的29参考图像和779失真图像,格式为BMP,失真包括高斯模...

    一、图像质量评价数据库

    常用的评价数据库有LIVE、CSIQ、TID2008/2013、MICT、IVC、A57、WIQ等,包含参考图像以及对应失真图像的主观评价分数。

    • LIVE:由德克萨斯大学的图像与视频工程实验室(Laboratory for Image and Video Engineering,LIVE)开发,包含不同大小的29个参考图像和779个失真图像,格式为BMP,失真包括高斯模糊、加性高斯白噪声、jpeg压缩、jpeg2000压缩、rayleigh衰减信道失真等。
    • CSIQ:由俄克拉荷马州立大学的计算感知与图像质量实验室(Computational Perception and Image Quality lab)开发,包含512*512大小的png格式的30个参考图像和866个失真图像,失真包括jpeg/jpeg2000压缩、加性高斯白噪声、加性高斯粉噪声、高斯模糊、对比度降低等。
    • TID:由坦佩雷理工大学开发,2008包含384*512大小的bmp格式的25个参考图像和17000个失真图像,共包含17种失真,每隔十帧图像包含4种失真。17种失真分别为加性高斯噪声、加性噪声、空间相关噪声、掩膜噪声、高频噪声、脉冲噪声、量化噪声、非偏心模式噪声、高斯模糊、图像去噪、jpeg/jpeg2000压缩、jpeg/jpeg2000传输、局部块失真、亮度偏移、对比度变化。2013把失真图像增加到了3000张,失真类型增加了饱和度改变、称性高斯噪声、舒适噪声、噪声图像的有损压缩、带抖动的图像颜色量化、色差、稀疏采样与重构。
    • MICT:由富山大学的媒体信息与传播技术实验室开发,包含512*768大小的bmp格式的14个参考图像和168个失真图像,只有jpeg/jpeg200压缩两种失真。
    • IVC:由IRCCyN开发,包含512*512大小的10张参考图像和185张失真图像。共有jpeg/jpeg2000压缩、局部自适应分辨率编码、高斯模糊等失真。
    • A57:由康奈尔大学的视觉通信实验室开发,包含512*512大小的bmp格式的3个参考图像和54个失真图像。失真包括jpeg/jpeg2000压缩、加性高斯白噪声、高斯模糊、5级离散小波变换的LH子代均匀量化等。
    • WIQ:由布京理工学院的无线通信小组开发,包括512*512大小的bmp格式的7张参考图像和80张失真图像,主要用来评价无线传输的图像质量。

    前四个数据库含有图像较多,应用最广泛。

    二、图像质量的有参考评价

    1.SSIM结构相似度:

    对M*N大小的参考图像和失真图像I、J,其亮度μ 、对比度σ2、结构相似程度σIJ计算如下:

    定义亮度对比函数l、对比度对比函数c、结构对比函数s如下:

     最后SSIM分数为:

    2.FSIM特征相似度

    该算法采用相位一致性描述图像中的结构,并用图像的梯度来描述对比度的失真。利用两个图像相位一致性和梯度相似性(相似性与SSIM中的对比函数l、s相似)求得局部质量图,并利用相位一致性图作为权值加权得到FSIM。

    3.GSM梯度相似度

    该算法结合嫉妒相似度和亮度相似度进行评价。其中,在对亮度变化进行描述的时候采用归一化后的像素差。最后的分数为两者的加权和。

    4.GMSD梯度大小相似偏差

    该算法首先根据梯度计算图像的局部质量图,采用标准差衡量局部质量图局部质量图的变化,以判断图像的整体质量。

     

    三、图像质量的无参考评价

    <一>通用型

    1.BIQI:

    该算法首先根据从图像提取出的自然场景统计(NSS)特性判断图像中存在的失真以及对应失真的概率,并利用不同失真的质量评价算法计算响应的质量分数,最后通过概率加权得到最后的质量分数。该算法考虑了五中失真包括jpeg/jpeg2000压缩、白噪声、高斯模糊、快速衰减。最后的分数BIQI表示为五种失真的概率与对应质量分数的乘积之和。

    2.BRISQUE:

    该算法通过对图像局部像素归一化(MSCN)后通过拟合高斯分布模型(GGD)得36个参数,最后将参数进行回归计算得最后的分数。

    3.NIQE:

    该算法假设无失真图像满足某种统计特性,首先对自然图像提取出自然场景统计特性,并建立多变量高斯模型(MVG)。对于失真图像同样方法得到MVG模型,计算二者距离得质量分数。

    <二>块效应

    1.Wang方法:源自Wang Z, Bovik A C, Evan B L. Blind measurement of blocking artifacts in images[C]// International Conference on Image Processing. 2000.

    该算法将图像建模为纯净的图像信号和只有块效应的信号的叠加,对水平和垂直方向上分别求相邻像素的绝对差分,然后转变为一维信号并进行一维傅里叶变换,通过功率谱描述块效应强度。

    2.Bovik方法:源自Bovik A C , Liu S . [IEEE 2001 IEEE International Conference on Acoustics, Speech, and Signal Processing. Proceedings - Salt Lake City, UT, USA (7-11 May 2001)] 2001 IEEE International Conference on Acoustics, Speech, and Signal Processing. Proceedings (Cat. No.01CH37221) - DCT-domain blind measurement of blocking artifacts in DCT-coded images[J]. 2001, 3:1725-1728.

    Brovik等人将图像重新建模为常值块与独立同分布的白噪声的叠加,通过构造二维阶跃函数,讲块效应的分数表示为阶跃函数的幅度。

    3.Perra方法:源自Perra C , Massidda F , Giusto D D . Image blockiness evaluation based on Sobel operator[C]// IEEE International Conference on Image Processing. IEEE, 2005.

    该方法首先利用sobel算子求得图像的梯度,然后将梯度图像划分为8*8的梯度块。对每个梯度块中的像素分为垂直边缘像素(第一列和第8列,记作1V)、水平边缘像素(第一行和第8行,记作1H)和内部像素(除了1V和1H的其他区域,记作2I)。定义S1、S2如下:

    D为梯度,N1、N2分别为位于边缘、中心的像素点数。

    总分数S:

     β设置为2.

    4.Pan方法:源自Pan F , Lin X , Rahardja S , et al. Using edge direction information for measuring blocking artifacts of images[J]. Multidimensional Systems and Signal Processing, 2007, 18(4):297-308.

    Pan等人通过统计分块边缘处存在完全水平和垂直两个梯度方向的边缘数占所有边缘数的比例大小,来衡量块效应的大小。

    5.Liu方法:源自Liu H , Heynderickx I . A Perceptually Relevant No-Reference Blockiness Metric Based on Local Image Characteristics[J]. EURASIP Journal on Advances in Signal Processing, 2009, 2009(1):263540.

    Liu等人基于图像的局部特性,通过比较块效应边界处的梯度和周围梯度的差异,并结合视觉掩蔽模型获得整体的块效应分数。

    6.Chen方法:源自Chen C , Bloom J A . A Blind Reference-Free Blockiness Measure[C]// Advances in Multimedia Information Processing - PCM 2010 - 11th Pacific Rim Conference on Multimedia, Shanghai, China, September 21-24, 2010, Proceedings, Part I. Springer-Verlag, 2010.

    Chen等人提出了一种基于DFT域的方法,该方法计算水平和垂直方向的像素的绝对差值并归一化,然后沿着两个方向求其均值,并变换为一维信号,最后在DFT域计算周期性尖峰的强度作为块效应分数。

    7.Lee方法 :源自Lee S , Park S J . A new image quality assessment method to detect and measure strength of blocking artifacts[J]. Signal Processing Image Communication, 2012, 27(1):31-38.

    该方法利用如果图像块边界出现块效应那么块边界两边的像素会剧烈变化,而沿着块边界的方向的像素变化很小的特点,首先在块边界检测是否存在块效应,然后对于存在块效应的边界计算块效应的强度,计算所有存在块效应的强度均值作为块效应分数。

    8.Xia方法:源自Xia Y , Wang Z , Wang W , et al. Blind Measurement of Blocking Artifacts of Images Based on Edge and Flat-region Detection[J]. Journal of Software, 2013, 8(1).

    该方法利用人眼对平坦区域的块效应更敏感,将图像分为平坦区域和非平坦区域,分别计算平坦区域的块强度BS和非平坦区域的块率BR,结合BS和BR得到块效应分数。

    9.Golestaneh和Chandler方法:源自Golestaneh S A , Chandler D M . No-Reference Quality Assessment of JPEG Images via a Quality Relevance Map[J]. IEEE Signal Processing Letters, 2014, 21(2):155-158.

    该方法首先统计图像块DCT变换后中值为0的系数数量,然后用描述图像中的块哪些是自然一致的哪些是由于jpeg压缩造成才一致的 的质量相关图加权得到块效应分数。

    <三>模糊

    1.Marziliano方法:源自Marziliano P , Dufaux F , Winkler S , et al. A no-reference perceptual blur metric[C]// Proceedings. International Conference on Image Processing. IEEE, 2002.和Marziliano P , Dufaux F , Winkler S , et al. Perceptual blur and ringing metrics: application to JPEG2000[J]. Signal Processing: Image Communication, 2004, 19(2):163-172.

    该算法主要对边缘的宽度进行描述。首先,利用sobel算子对图像进行边缘提取,并设置阈值去掉边缘图像中较弱的边。对处理后的边缘图像逐行扫描,对处于边缘的像素,通过寻找其最邻近的极大值点和极小值点来确定该边缘的起点和终点,边缘宽度定义为起点和终点的距离。所有边缘宽度的均值即整体的模糊分数。

    2.JNB(Just Noticeable Blur):源自Ferzli R , Karam L J . A No-Reference Objective Image Sharpness Metric Based on the Notion of Just Noticeable Blur (JNB)[J]. IEEE Transactions on Image Processing, 2009, 18(4):717-728.

    文中,JNB(恰可见模糊)定义为在一定的对比度(高于最小可觉差JND)的情况下,在图像的边缘可以观察到的最小的模糊量,一般情况下,JNB随对比度的增加而减小。

    在一定的对比度下,边缘e处可检测到模糊的概率为:

    w(e)表示e的宽度,wJNB(e)表示JNB的宽度。一个边缘块R的模糊可表示为:

     

    对于整个图像的模糊DI可表示为:

     

    类似地,整个图像I检测到模糊的概率为:

    图像的整体模糊分数定义为S=L/D,其中L为分块数量。

    3.Fish算法:源自Vu P V , Chandler D M . A Fast Wavelet-Based Algorithm for Global and Local Image Sharpness Estimation[J]. IEEE Signal Processing Letters, 2012, 19(7):423-426.

    思路:由于模糊会造成高频能量的减少,所以可以对图像小波变换后的高频部分能量进行描述,来表示模糊的程度。

    首先对图像进行三级小波变换,每一级的三个高频自带分别记作HHn、LHn、HLn,n为小波级数。对每个高频子带对数能量计算如下:

    其中,N表示右侧和式长度,XY取HH/HL/LH。

    每一层分解的能量之和可以表示为En=0.5*(1-a)*(ELHn+EHLn)+a*EHHn。为了突出HH子带的能量的 重要性,设置a为0.8。最后的模糊分数定义为:

    4.S3算法:源自Vu C T , Phan T D , Chandler D M . S3: a spectral and spatial measure of local perceived sharpness in natural images[J]. IEEE Transactions on Image Processing, 2012, 21(3):934-945.

    该算法是一种基于混合域的算法,主要思路是在频率域用幅频的斜率来描述模糊造成的高频能量下降,空间与用全变差描述图像的局部对比度变化,最后取模糊图的前百分之一来计算模糊分数,精度和一致性高,但复杂度高。

    5.LPC算法:源自Hassen的《No-reference image sharpness assessment based on local phase coherence measurement》和《Image sharpness assessment based on local phase coherence》.

    作者在研究者发现相位一致性和模糊有直接的关系,即清晰部分的相位一致性图强度大,模糊则小。所以LPC算法利用相位一致性图来描述模糊,并且在更高精度和一致性情况下,获得更细的局部模糊质量图。

    6.MLV算法:源自Bahrami K , Kot A C . A Fast Approach for No-Reference Image Sharpness Assessment Based on Maximum Local Variation[J]. IEEE Signal Processing Letters, 2014, 21(6):751-755.

    由于模糊区域像素亮度变化小而清晰区域变化大,作者提出定义局部最大化变量(MLV)为一个像素和其周围8个像素亮度的最大变化,利用图像所有像素的MLV分布即可反应图像的模糊程度,并用MLV图的标准差作为图像的模糊分数。

    展开全文
  • 本文主要分析皆来自其他资料,借用较为权威的总结来我已经学习的这些经典算法一个极为精简的概述(根据自身经验有一定修改),另外同时附上机器学习实战中作者各种算法评价。另外机器学习实战这本书是本人看...
  • 当我们需要评估一个SLAM/VO算法的表现时,可以从时耗、复杂度、精度多角度切入,其中精度的评价是我们最关注的,这过程中我们可避免会遇到两精度指标ATE和RPE。这两evaluation metrics最早是在TUM数据集...
  • 多目标进化算法的性能评价指标总结(

    万次阅读 多人点赞 2019-04-04 16:59:25
    、分类方法: 考虑指标同时能评估的解集数目(1或2解集),可将指标分为一元和二元指标。 考虑评估近似解集的三方面可将指标分为三类: 1.基数指标:指解集中存在的解的个数。 2.收敛性指标(精确度指标...
  • 最近看了项亮大大的《推荐系统实践》书,想借此入门推荐系统。...这系列分为如下部分: !TODO 此处会陆续放上各个部分的链接 完整代码链接:https://github.com/Magic-Bubble/RecommendSystemPracti...
  • 遗传算法

    万次阅读 多人点赞 2019-04-06 21:41:47
    使用遗传算法求解多峰函数的最大值,是我的项课程作业,做完之后,顺便把文档整理出来做记录。全部内容如下: 1、问题描述 编程实现遗传算法,并求解多峰函数的最大值。多峰函数的表达式如下所示: 用MATLAB...
  • 算法讲座,算法公开课,创业活动,算法班集锦 近期活动: 2014年9月3日,第8次西安面试&算法讲座视频 + PPT 的下载地址:http://blog.csdn.net/v_july_v/article/details/7237351#t40; 2014年10月18日,...
  • 优化算法——遗传算法

    万次阅读 多人点赞 2015-05-10 17:09:28
    与遗传算法的第次接触 遗传算法的基本概念 基本定义 遗传算法的基本流程 遗传算法过程中的具体操作 参数的编码 二进制编码 Gray编码 实数编码 有序编码 初始群体的设定 适应度函数的计算 遗传操作设计 选择...
  • 主要指标包括:1. TPR、FPR&TNR。。。2. 精确率Precision、召回率Recall和F1值。。。3. 综合评价指标F-measure。。。4. ROC曲线和AUC
  • 调度算法评价指标 利用率 我们先说说CPU利用率,由于早期CPU造价极其昂贵,因此人们希望让CPU尽可能多的工作。于是出现了一个衡量标准,CPU利用率。当然,利用率同样适用于其他设备。下面是利用率计算方法。 利用...
  • 在产品、运营这次做社区改版的过程中,我们大数据部门结合具体的业务细节,通过研究、讨论与试错,最终设计了一个基本符合需求的内容热度值算法,本文就简述其设计方法。 他山之石 有为数很少的几家外国公司开源或...
  • 设计一个使大楼里所有人等待时间最短的算法,同时要考虑每层的负载量。假定每层人数相同且每层的人以同样的方式使用电梯。假设每天有几小时是“高峰时段”,算法需要提供种最“公平”的方式来将电梯分配到...
  • 贪婪算法

    千次阅读 2006-03-18 18:02:00
    贪婪算法虽然设计一个好的求解算法更像是一门艺术,而像是技术,但仍然存在一些行之有效的能够用于解决许多问题的算法设计方法,你可以使用这些方法来设计算法,并观察这些算法是如何工作的。一般情况下,为了获得...
  • 前言 ...并没有从源码的角度来分析具体的计算过程,这篇推文的目的就是结合代码再次详细的解释目标检测算法中的常见评价标准如Precision,Recall,AP,mAP的具体计算过程。 评价指标 由于在上面...
  • 进化算法

    千次阅读 2017-06-27 16:03:31
    进化算法,也被成为是演化算法(evolutionaryalgorithms,简称EAs),它不是一个具体的算法,而是一个算法簇”。进化算法产生的灵感借鉴了大自然中生物的进化操作,它一般包括基因编码,种群初始化,交叉变异算子...
  • 聚类算法综述

    千次阅读 2019-02-05 23:14:52
    下面来简要介绍一下比较熟悉的聚类算法,具体如下: 随着科技的发展,目前已步入大数据的时代,数据中包含的信息具有很高的价值。通过聚类分析,数据对象被划分为具有现实意义的组(集群),有助于人类分析和描述世界...
  • 五子棋AI算法篇-我谷歌Alphago的看法

    万次阅读 多人点赞 2016-02-02 11:17:18
    其实很久以前就用自创的算法写过一个JAVA版的五子棋AI,不过棋力很理想。这次用的是JS写的,所以无论任何平台上只要能打开网页的都可以玩。google爆出这新闻之后,很多人觉得这是不是意味着电脑智商已经在人类之...
  • 种面向高维数据的集成聚类算法

    万次阅读 2015-08-01 21:23:24
    聚类集成已经成为机器学习的研究热点,它原始数据集的多聚类结果进行学习和集成,得到一个能较好地反映数据集内在结构的数据划分。很多学者的研究证明聚类集成能有效地提高聚类结果的准确性、鲁棒性和稳定性。...
  • BP神经网络的Matlab实现——人工智能算法

    万次阅读 多人点赞 2018-01-27 23:07:23
    这几天在各大媒体上接触到了人工智能机器学习,觉得很有意思,于是开始入门最简单的机器算法——神经网络训练算法(Neural Network Training);以前一直觉得机器学习很高深,到处是超高等数学、线性代数、数理统计。...
  • 但是我没看见中文论文,厦门大学的)在论文《Research on Quality Assessment Metric Based on H.264/AVC Bitstream》中,提出了种使用偏最小二乘法回归(PLSR)计算得出的视频质量评价模型。模型还是挺有参考...
  • 全局优化算法:遗传算法

    万次阅读 2017-02-26 13:34:48
    全局优化算法概述前面讨论过一些迭代算法包括牛顿法、梯度方法、共轭梯度方法和拟牛顿法,能够从初始点出发,产生一个迭代序列。很多时候,迭代序列只能收敛到局部极小点。因此,为了保证算法收敛到全局最小点,...
  • Rete算法

    千次阅读 2017-09-19 10:57:01
    Rete算法通过形成一个rete网络进行模式匹配,利用基于规则的系统的两特征,即时间冗余性(Temporal redundancy)和结构相似性(structural similarity),提高系统模式匹配效率。二、 相关概念2.1 事实(fact
  • 经典算法研究系列:七、深入浅出遗传算法

    万次阅读 多人点赞 2011-01-12 20:57:00
    ---深入浅出、透析GA本质本文参考:维基百科 华南理工大学电子讲义 互联网-------------------------------------------------------------------------------的 、初探遗传算法Ok,先看维基百科遗传算法所给...
  • 遗传算法入门到掌握(

    万次阅读 多人点赞 2011-11-05 16:08:49
     遗传算法的有趣应用很多,诸如寻路问题,8数码问题,囚犯困境,动作控制,找圆心问题(这是一个国外网友的建议:在一个不规则的多边形 中,寻找一个包含在该多边形内的最大圆圈的圆心。),TSP问题(在以后的章节...
  • 排序算法一:直接插入排序

    万次阅读 多人点赞 2015-09-23 22:08:26
    在我的博文《“主宰世界”的10种算法短评》中给出的首个算法就是高效的排序算法。本文将排序算法一个全面的梳理,从最简单的“冒泡”到高效的堆排序等。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 38,299
精华内容 15,319
关键字:

对一个算法的评价不包括如下