精华内容
下载资源
问答
  • 真正的高手,都是“反算法型”的人!(深度) 很多人还没有意识到,人类真正的敌人,不是生态环境,不是经济危机,不是核武器,而是“算法”。 算法的本质是“大数据”。之前,我们说大数据是未来的石油。而现在我们...

    真正的高手,都是“反算法型”的人!(深度)

    很多人还没有意识到,人类真正的敌人,不是生态环境,不是经济危机,不是核武器,而是“算法”。

    算法的本质是“大数据”。之前,我们说大数据是未来的石油。而现在我们发现大数据正在试图掌控人类。

    这个世界正在被算法一点点吞噬,人们和“算法”的斗争,才是一场是决定人类前途和命运的战斗。

    1

    什么是算法呢?

    它不停的收集你的数据,站在高维解读你、透视你,审视你,知道你喜欢什么,想要什么,想干什么,然后帮你设定好行为路线,冥冥之中将你彻底掌控。

    比如当我们打开手机,平台马上就会通过你按手机的动作获取你的身体数据,包括体温、血压和心率变化,平台马上就会锁定你的喜好和标签,而且模拟出你的心理变化曲线,你喜欢什么,需要什么,就疯狂给你推送什么,包括商品/作品/思想等。这时一套非常高明的推荐机制,它无限附和你内心深处的癖好,让你无限沉溺。

    再比如,上瘾”也是可以被“算法”设计出来的。人的大脑里有一种叫多巴胺的神经传导物质,当人被外界刺激的愉悦时,多巴胺会大量爆发出来,这种“爽”的感觉,是可以算法设计出来的,算法让我们持续上瘾。

    现在各种娱乐APP越来越多,每个APP背后都有一个强大的运营团队,他们用强大的运算和数据处理能力,通过声、光、交互、反馈等全方位的方式,再在各种心理学、消费行为学、神经科学等理论指导下,不断的给你刺激,让你持续的“爽”,越来越离不开它们。

    世界上竟然还有一个叫“多巴胺实验室”的公司,对外宣称“能运用神经科学理论,结合人工智能机器学习,用多巴胺让你的 App 令人上瘾”。原来他们会在一些关键的地方和时间点设计“奖赏”,比如不断的惊喜和奖励,或物质或精神,从而提高用户的留存度、打开率和停留时间。这也就意味着增加APP的打开率,提高打开时间,这会让APP更值钱,市值更高。

    看看我们的周围吧,几乎每个人都沉溺在各种短视频/娱乐节目/游戏等等,这些浅层的刺激让我们“上瘾”。各色商家都在制造丰富缭绕的信息,让大众身陷它们创造的世界里,按照它们设定的逻辑去判断问题,从而产生购买和消费的决策,然后谋利。

    我们总以为,这个时代信息传播高度发达,每个人都能随时随地获取各种信息。而实际上,越是在这样一个似乎什么都能看见的时代,我们越什么都看不见。

    信息自由传播的时代,并不意味着价值可以自由传播。相反,那些粗鄙的内容却无孔不入,我们早已深陷信息的洪流中,人的杂念和欲望都被勾起,看到的都是各种荒唐和妄想。

    “算法”是人类发明的,却又让人类作茧自缚,因为人类已经陷入到这样一个枷锁中:科技越发达,人的智商就会越蜕化;营养越丰富,人的生理功能就会越衰弱。知识越唾手可得,人的独立思考能力就越差。

    2

    算法和人类的关系分为为三个阶段:

    第一步,算法是我们的工具,我们有什么问题都可以问它,但决策权在我们手里。

    第二步,算法是我们的指示灯,它会告诉我们大方向和原则,然后我们去执行。

    第三步,算法成了我们的上帝,我们索性放弃思考,享受岁月静好,什么都听它的。

    随着算法的强大,人会变得慢慢放弃决策权。

    未来的人只分成两种:

    第一种人是99%的人,他们就是芸芸众生,属于“被算法”型的,完全被算法牵着走,彻底放弃了独立思考能力,每天刷刷短视频,看看直播,玩玩游戏,充当社会的吃瓜群众,这种人也只是社会资源的消耗者,属于无用的人群,也是无明的人。他们对社会的唯一的贡献就是顺应了算法机制,成了大数据的一份子,如同一具具行尸走肉,等待被收割。

    第二种人是1%的人,他们少之又少,算法不能理解他们,推送的东西他们也毫无兴趣,相反他们却可以控制算法,普通人听算法的,算法听他们的。他们利用算法给世界制定新的游戏规则,同时监督每一个人的行踪,让他们不要互相越位,安分守己。

    这种人将越来越少,恰恰是这极少数人,能成为人类食物链的最顶层,引领和统治一切。

    这些人才是未来世界的主宰者,是人类进化而成的新物种。也因此未来人和人最大的差别,不再是阶层的差别,而是不同物种的差别,小一部分人将进化成为另外一部分人的上帝。

    这就是人类的“新奴役时代”:“第一种人”在“第二种人”眼里都是透明的,全裸的,你以为你有自己的隐私,看似自由有思想,其实早已被平台操控的,就像上帝操控人类一样,平台对待你,就像你对待一只蚂蚁一样。

    人和人之间只有在两种情况下才能形成“奴役关系”,要么是科技非常落后的原始社会,要么是科技非常发达的今天。我们绕了一圈又绕回来了,这就是物极必反。

    五十年前,苏联机构克格勃依靠人类特工还无法每天24小时追踪2.4亿苏联公民,但是现在平台可以依靠无处不在的传感器和强大的算法,轻松操控每一个人。
    这就是为什么娱乐/游戏产业如此发达的原因,因为必须让这部分的精力消耗掉,让他们沉醉于娱乐八卦、各种段子中。
    当然,由于社会生产力的进步,社会已经有足够的资源养活这些”无用阶层“,哪怕他们不能创造任何价值,但是也可以把他们圈养起来,或者说随意折叠起来,像垃圾一样堆放。

    3

    未来的世界看似是一个世界,却由很多个平行世界组成:顶级的资源操控者,从一个场合到另一个场合,交换共享资源;中层精英在奋力工作之余,必须把时间用来自我提升,努力接近顶层;底层无用人群,只能用廉价的食品喂饱自己,只能沉浸在短视频/小说/娱乐节目中。

    这三种不同物种,将生活在不同的维度里,即便大家身处一个世界下,也会熟视无睹的擦肩而过,鸡犬之声相闻,老死不相往来。

    因此,如果一个人出身平凡、文化一般、能力一般、又没有自制力、不善于学习,都将被一层层的折叠起来,他们没有信用、没有思想、不能借债、不能纳税,只能过着一种糜烂颓废、暗无天日的生活,如同一具具行尸走肉,只能被统统“折叠”起来,他们无法参与社会经济的运作,甚至连被剥削的价值都没有。

    马云曾说过:“蠢要比癌症还可怕,至少癌症还有救”。就是这个道理!

    作为一个普通人,要想挣脱这个命运,唯一的出路就是和“大数据”抗衡,做一个“反算法型”的的人,算法是顺应人性,反算法就是反人性,反人性就是“克己”,

    为什么我们要提倡传统文化?因为传统文化就是“反算法”的。5000年的中国文化,说白了就是这两个字:克己。克己就是控制自己的欲望,不贪图刺激,做长期主义者,延迟满足等等,

    比如有句话叫“人不为己,天诛地灭”,这个“为”字念作wéi,是“修为”的“为”,读第二声。而不是“为了”的“为”,不是第四声。所以,这句话的真正意思是:如果一个人不懂得修为,那么就会为天地所不容。

    修为,就是修炼。真正看透这个世界的人,都懂得要不断修炼自己:克己,博学、明辨、慎思、审问、力行,提高人生境界,否则就会为天地所不容。

    未来只有不断提升自己修为的人,才能战胜算法和大数据,他们在各种诱惑和刺激面前,时刻保持清醒的头脑,这种人将不断产出【信用资产】,包括产品/作品/IP等等,从而引领社会的进步。

    当然,愿意精进的人的确越来越少,绝大部分人都选择了麻醉自己。这是正常的,也是合理的,因为就像我们上面所言,未来99%的人都是被算法控制的,只有1%的人能控制算法。

    最后,希望每一个读到这篇文章的人,都能努力保持清醒。练就一颗如如不动之心,形成和巩固自己的独立思考能力,学习,修身和正己,不贪图享乐和刺激,在自己专注的领域不断深耕和精进!冷眼面对这大千世界的各种诱惑,成为那1%的人。

    文章摘自:(http://www.123.com.cn/ydzx/256807.html?yidian_docid=0PNpDtkY&yidian_s=browser&yidian_appid=browser&yidian_net=wifi&yidian_model=PACM00&yidian_distribution=oppo&yidian_iflowApp=browser&yidian_utk=V2_WU7hZ0AreK6tw5HMmtwQz78uFEK-yFvg6qoqiMeMYmw&yidian_relatednews_style=0&barStyle=1_1&fromId=8000&statParams=sourceMedia&source=yidian&yidian_sourceMedia=yidian&cmtCnt=2&styleType=3&publisher_id=54cTLASUSYe1uLPLpohQBg&yidian_openv=&pf=detail)

    展开全文
  • 破解算法 破解算法 破解算法 破解算法 破解算法
  • 走样算法

    2015-05-11 17:32:21
    C++,图形学走样算法,还是有渐变直线特点
  • 滤波投影算法

    2017-09-15 17:29:10
    CT图像重建,基于理想卷积投影重建算法理论,推导出相应校正偏离的卷积投影算法,并引入单象素工件模 型估计偏离参数;根据偏离幅度给出了理想重建算法适应的范围,仿真结果证明了校正算法的有效,利用 校正算法消除...
  • 时限算法研究

    2015-10-19 18:10:02
    按照国际电工委员会(IEC255-3)极端时限特性对时限保护算法的研究
  • Antialiasing 混淆算法 走样算法

    千次阅读 2007-11-19 14:16:00
    走样算法有很多种.先就>中的Unweighted Area Sampling(不加权采样)和Weighted Area Sampling(加权采样)做一下讨论: Antialiasing The primitives drawn using the algorithms studied before have a common ...

    反走样算法有很多种.先就<<Introduction to Computer Graphics>>中的Unweighted Area Sampling(不加权采样)和Weighted Area Sampling(加权采样)做一下讨论:

                           Antialiasing

       The primitives drawn using the algorithms studied before have a common problem. They have jagged edges. This undesirable effect, known as the jaggies, or staircasing, is the result of an all-or-nothing approach to scan conversion in which each pixel either is replaced with the primitive's color or is left unchanged. Jaggies are an instance of a phenomenon known as aliasing. The application of techniques that reduce or eliminate aliasing is referred to as antialiasing .

     

    Unweighted Area Sampling

    The first approach to improving picture quality can be developed by recognizing that although an ideal primitive such as the line has zero width, the primitive that is being drawn has nonzero width as shown below:

    The technique of setting intensity proportional to the amount of area covered is called unweighted area sampling.

    Weighted Area Sampling

    In weighted area sampling, we keep unweighted area sampling's first and second properties (intensity decreases with decreased area overlap, and primitives contribute only if they overlap the area represented by the pixel), but we alter the third property. We let equal areas contribute unequally: A small area closer to the pixel center has greater influence than does one at a greater distance.

    To retain the second property, we must make the following change in the geometry of the pixel. In unweighted area sampling, if the edge of a primitive is quite close to the boundary of the square tile we have used to represent a pixel until now, but does not actually intersect this boundary, it will not contribute to the pixel's intensity. In the new approach, the pixel represents a circular area larger than the square tile; the primitive will intersect this larger area; hence, it will contribute to the intensity of the pixel.

    对于Unweighted Area Sampling实现的算法如下,但应该注意的是在取直线经过点所占面积时应是通过计算周围一定范围内点的面积确定的(如一个正方形),确定好一个点的灰度然后继续下去直到绘完整条线.附代码如下 :

    //判断某个点是否在直线矩形区域内
     

    bool   CGraphicsView::  Check(int x0,int y0, float k ,float d, float x, float y)
    {
      //float dy = y1 - y0,dx = x1 - x0;
      //float d = 0.5 * sqrt(dx*dx + dy*dy)/dx;//在坐标x固定时直线的宽度
       
      
      float yp = (x - x0)*k + y0;
     if( y < yp + d && y > yp - d)
      return true;
     return false;
    }
    //取得某一个点的灰度

    float CGraphicsView::GetColorDepth(int x0,int y0,float k ,float p, int x, int y)
    {
     
     float d = 0.01f;
     float length = 1/d - 2;
     int num = 0;
     for (int i = 1;i < length;i++)
     {
      for (int j = 1;j < length;j++)
      {
       if(Check(x0,y0,k,   p, x + d*i, y + d*j))
        num++;
      }
     }//取得直线过一个正方形的像素点集的个数(面积)
     float rate = num/(length * length);//由此我们确定出像素面积
     return rate;

    }

    void CGraphicsView::AntiAliasLine (int x0, int y0, int x1, int y1)
    {
     float dy = y1 - y0,dx = x1 - x0;
       float d = 0.5 * sqrt(dx*dx + dy*dy)/dx;//在坐标x固定时直线的宽度
        float k=dy/dx;
      
     // float yp = (x - x0)*dy/dx + y0;
      for (int x = x0;x <= x1;x++)
      {
       for(int y = y0;y <= y1;y++)
       {
        //计算点的灰度值
       
     float colorDepth = GetColorDepth( x0, y0,k,d,x,y);
     
     
    glBegin(GL_POINTS); //画一个点
    glColor3f(colorDepth ,colorDepth ,colorDepth );
    glVertex2d(x,y); 
    glEnd();

       }
      }
     
    }

     
    展开全文
  • 基于java实现的距离插值算法算法!简单,已在等值线生成算法中验证!
  • FBP滤波投影算法

    2018-12-02 14:09:22
    FBP滤波投影算法实现,内含实现代码和说明。代码非常不错~
  • 有关投影重建的改进算法,比原先的直接投影算法产生的噪声小
  • 距离加权算法

    2011-11-02 12:50:15
    距离加权插值法在污染场地评价中的应用。包括距离加权算法 等值线算法等等等
  • 误差算法(BP算法)推导

    千次阅读 2020-09-25 20:13:24
    反向传播(Error Back Proragation,BP)...误差传是将输出误差以某种形式通过隐层向输出层逐层传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。这种信号正

    反向传播(Error Back Proragation,BP)算法应用对象:具有非线性连续变换函数的多层感知器(多层前馈网络)。

    BP 算法的基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望的输出(教师信号)不符,则传入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输出层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差发向传播的各层权值调整过程,是周而复始地进行的。权值不断调整的过程,也就是网络的学习训练过程。此过程已知进行到网络输出的误差减少到可接受的程度,或进行到预先设定的学习次数为止。

    采用 BP 算法的多层感知器是至今为止应用最广泛的神经网络,在多层感知器的应用中,以下图所示的单隐层网络的应用最为普遍。一般习惯将但单隐层前馈网称为三层感知器,所谓三层包括了输入层、隐层和输出层。

    三层 BP 网

    x_{0}=-1 是为隐层神经元引入阈值而设置的
    y_{0}=-1 是为输出层神经元阈值而设置的
    输入向量为 X=(x_{1},x_{2},...,x_{i},...,x_{n})^{T} 
    隐层输出向量 Y=(y_{1},y_{2},...,y_{j},...,y_{m})^{T}
    输出层输出向量 O=(o_{1},...,o_{k},...,o_{l})^{T}
    期望输出向量为 d=(d_{1},d_{2},...,d_{k},...,d_{l})^{T}
    输入层到隐层之间的权值矩阵 V=(V_{1},V_{2},...,V_{j},...,V_{m}),其中列向量 V_{j} 为隐层第 j 个神经元对应的权向量
    隐层到输出层之间的权值矩阵 W=(W_{1},W_{2},...,W_{k},...,W_{l}), 其中列向量 W_{k} 为输出层第 k 个神经元对应的权向量
    对于输出层均有 j=0,1,2,..,m;\: k=1,2,..,l
    对于隐层均有 i=0,1,2,..,n;\: j=1,2,..,m

    下面分析各信号之间的数学关系
    (注:下面蓝色字体表示输出层紫色字体表示隐层红色表示输入层

    对于输出层,有

                                         {\color{Blue} o_{k}=f(net_{k})\: \: \: \: \: \: \: \: \: k=1,2,...,l}                                                                          (1)
                                         {\color{Blue} net_{k}=\sum_{j=0}^{m}w_{jk}y_{j}\: \: \: \: \: \: \: \: \: k=1,2,...,l}                                                                   (2)

    对于隐层,有

                                         {\color{Magenta} y_{j}=f(net_{j})\: \: \: \: \: \: \: \: \: j=1,2,...,m}                                                                         (3)
                                         {\color{Magenta} net_{j}=\sum_{i=0}^{n}v_{ij}x_{j}\: \: \: \: \: \: \: \: \: j=1,2,...,m}                                                                   (4)

    以上两式中,变换函数 f(x) 均为单极性 Sigmoid 函数

                                        f(x)=\frac{1}{1+e^{-x}}                                                                                                     (5)

    f(x) 具有连续、可导的特点,且有

                                        f'(x)=f(x)[1-f(x)]                                                                                         (6)

    式(1)~ 式(5)共同构成了三层感知器的数学模型。

    当网络输出与期望输出不等时,存在输出误差 E,定义如下

                                        E=\frac{1}{2}(d-O)^{2}=\frac{1}{2}\sum_{k=1}^{l}(d_{k}-o_{k})^{2}                                                                     (7)

    以上误差定义式展开至隐层

                                        {\color{Magenta} E=\frac{1}{2}\sum_{k=1}^{l}[d_{k}-f(net_{k})]^{2}=\frac{1}{2}\sum_{k=1}^{l}[d_{k}-f(\sum_{j=0}^{m}w_{jk}y_{j})]^{2}}                                   (8)

    进一步展开至输入层

                                        {\color{Red} E=\frac{1}{2}\sum_{k=0}^{l}\left \{ d_{k}-f[\sum_{j=0}^{m}w_{jk}f(net_{j})] \right \}^{2}=\frac{1}{2}\sum_{k=0}^{l}\left \{ d_{k}-f[\sum_{j=0}^{m}w_{jk}f(\sum_{i=0}^{n}v_{ij}x_{i})] \right \}^{2}}     (9)

    网络输入误差是各层权值 w_{jk}v_{jk} 的函数,调整权值可改变误差 E,调整权值的原则是使误差不断减小,因此应使权值的调整量与误差的梯度下降成正比,即

                                      \Delta w_{jk}=-\eta \frac{\partial E}{\partial w_{jk}}\: \: \: \: \: \: \: \: j=0,1,2,...,m;\: \: k=1,2,...,l                                       (10 a)
                                      \Delta v_{ij}=-\eta \frac{\partial E}{\partial v_{ij}}\: \: \: \: \: \: \: \: j=0,1,2,...,m;\: \: k=1,2,...,l                                          (10 b)

    式中,负号表示梯度下降,常数 \eta \in (0,1) 表示比例系数,在训练中反映了学习速率。

    对于输出层,式(10 a) 可写为

                                       {\color{Blue} \Delta w_{jk}=-\eta \frac{\partial E}{\partial w_{jk}}=-\eta \frac{\partial E}{\partial net_{k}}\frac{\partial net_{k}}{\partial w_{jk}}}                                                                    (11 a)

    对于隐层,式(10 b) 可写为

                                        {\color{Magenta} \Delta v_{ij}=-\eta \frac{\partial E}{\partial v_{ij}}=-\eta \frac{\partial E}{\partial net_{j}}\frac{\partial net_{j}}{\partial v_{ij}}}                                                                       (11 b)

    对输出层和隐层各定义一个误差信号,令

                                        \delta _{k}^{o}=-\frac{\partial E}{\partial net_{k}}
                                        \delta _{j}^{y}=-\frac{\partial E}{\partial net_{j}}

    综合式(2)和式(11 a),可将式(10 a)权值调整改写为

                                       \Delta w_{ij}=\eta \delta _{k}^{o}y_{j}                                                                                                          (12 a)

    综合式(3)和式(11 b),可将式(10 b)权值调整改写为

                                       \Delta v_{ij}=\eta \delta _{j}^{y}x_{i}                                                                                                           (12 b)

    下面继续推导如何计算 \delta _{k}^{o} 和 \delta _{j}^{y}

    对于输出层,\delta _{k}^{o} 可展开为

                                       {\color{Blue} \delta _{k}^{o}=-\frac{\partial E}{\partial net_{k}}=\frac{\partial E\partial o_{k}}{\partial o_{k}\partial net_{k}}=-\frac{\partial E}{\partial o_{k}}f'(net_{k})}                                                        (13 a)

    对于隐层,\delta _{j}^{y} 可展开为

                                       {\color{Magenta} \delta _{j}^{y}=-\frac{\partial E}{\partial net_{j}}=\frac{\partial E\partial y_{j}}{\partial y_{j}\partial net_{j}}=-\frac{\partial E}{\partial y_{j}}f'(net_{j})}                                                         (13 b)

    下面求式(13)中网络误差对各层输出的偏导。

    对于输出层,利用式(7),可得

                                       {\color{Blue} \frac{\partial E}{\partial o_{k}}=-(d_{k}-o_{k})}                                                                                                    (14 a)

    对于隐层,利用式(8),可得

                                     {\color{Magenta} \frac{\partial E}{\partial y_{i}}=-\sum_{k=1}^{l}(d_{k}-o_{k})f'(net_{k})w_{jk}}                                                                             (14 b)

    将以上结果带入式(13),并应用式(6),得

                                   \delta _{k}^{o}=(d_{k}-o_{k})o_{k}(1-o_{k})                                                                                              (15 a)
                                  \delta _{j}^{y}=[\sum_{k=1}^{l}(d_{k}-o_{k})f'(net_{k})w_{jk}]f'(net_{j})=(\sum_{k=1}^{l}\delta _{k}^{o}w_{jk})y_{j}(1-y_{j})                             (15 b)

    至此两个误差信号的推导已完成,将式(15)带回到式(12),得到三层感知器的 BP 算法权值调整计算公式为                                                     

                                   \left\{\begin{matrix} \Delta w_{jk}=\eta \delta _{k}^{o}y_{j}=\eta (d_{k}-o_{k})o_{k}(1-o_{k})y_{j}\\ \Delta v_{ij}=\eta \delta _{j}^{y}x_{i}=\eta (\sum_{k=1}^{l}\delta _{k}^{o}w_{jk})y_{j}(1-y_{j})x_{i} \end{matrix}\right.

    展开全文
  • 根据线性扫描汇编算法,当汇编器解析完jmp addr1指令后,会接着从下一个0xE8开始进行解析,而0xE8为call指令的起始字节,就会导致汇编器认为从0xE8开始的5个字节为一条call 指令,从而让后续的指令全部被错误...

    push ebp
    jmp addr1
    db 0xE8
    addr1:
    mov abp,esp
    sub esp,0x100
    根据线性扫描反汇编算法,当反汇编器解析完jmp addr1指令后,会接着从下一个0xE8开始进行解析,而0xE8为call指令的起始字节,就会导致反汇编器认为从0xE8开始的5个字节为一条call 指令,从而让后续的指令全部被错误解析

    而对于以IDA Pro为代表的递归下降反汇编器,由于递归下降反汇编算法在遇到无条件跳转时,会转向跳转的目标地址递归地继续解析指令,就会导致插入的0xE8字节直接被跳过。然而,递归下降反汇编器尽管部分地模拟了程序执行的控制流过程,但它并不是真正运行,所以不能获取到所有的信息
    例如:
    push ebp
    jz addr1
    jnz addr1
    db 0xE8
    addr1:
    mov abp,esp
    sub esp,0x100
    即将一条无条件跳转语句改为两条成功条件相反的条件跳转语句。由于递归下降反汇编算法不能获取到程序运行中的上下文信息,遇到条件跳转语句时,它会递归地将跳转的分支与不跳转的分支都进行反汇编。显然,在反汇编完jnz后,它不跳转的分支就是下一地址,从而使0xE8开头的“指令”被解析
    实际操作时,往往打乱顺序,即“乱序”,从而达到类似控制流混淆的效果,例如:
    push ebp
    jz addr1
    jnz addr1
    db 0xE8
    addr3:
    sub esp,0x100
    …………
    addr2:
    mov abp,esp
    jmp addr3

    展开全文
  • 二进制搜索算法、跳跃式动态树形碰撞算法和基于修剪枝的二进制树形碰撞算法都是较常用的碰撞算法。这些算法共同的缺点是标签的EPC识别速率较低。本文提出一种改进型碰撞算法。和其他现存的算法相比,该算法...
  • 图像处理课程作业,滤波投影算法,用的标准图像Shepp-Logan,带简易界面
  • Unity人工智能学习—确定性AI算法追踪算法
  • 卷积算法总结.doc

    2020-03-11 17:00:06
    总结卷积算法的一些方法、文献资料、最新研究情况及动态,以及深度学习在其中的应用等相关资料总结。 通过该文献,你可以快速了解卷积的过去、现在、和未来,并为你提供了相关资源下载网址和链接等,包括国际...
  • 汇编算法介绍和应用——线性扫描算法分析

    万次阅读 多人点赞 2012-08-22 02:13:42
    可能经常玩这个的朋友会发现IDA汇编的代码准确度要高于Windbg,深究其原因,是因为IDA采用的汇编算法和Windbg是不同的。下面我来说说我所知道的两种汇编算法。(转载请指明来自breaksoftware的cs...
  • 直线走样算法

    2015-03-29 07:59:06
    使用MFC绘制的走样直线源程序,直接运行即可看到效果。这是vs2010版程序。参考教材是孔令德编写的《计算机图形学实践教程(Visual C++版)第2版》。
  • 滤波投影重建算法

    2018-11-16 17:14:25
    二维滤波投影重建算法,旋转角度为0-180度,测试后发现略有角度偏移,希望各位指正。
  • wu走样算法的实现

    2009-09-24 10:12:15
    c实现的wu走样算法,编译可运行,是一种很好的走样锯齿算法,Michael Abrash强烈推荐的算法
  • Bresenham改进算法结合wu走样算法画颜色渐变直线 Bresenham改进算法结合wu走样算法画颜色渐变直线在 Bresenham改进算法结合wu走样算法画颜色渐变直线
  • 碰撞算法研究

    2012-03-13 18:14:59
    防碰撞算法的简介当多个标签进入一个阅读器的读取范围时容易发生标签碰撞,不利阅读器阅读
  • 滤波投影重建算法(FBP)实现及应用(matlab)

    万次阅读 多人点赞 2017-09-28 22:24:31
    滤波投影重建算法实现及应用(matlab) 1. 滤波投影重建算法原理 滤波投影重建算法常用在CT成像重建中,背后的数学原理是傅立叶变换:对投影的一维傅立叶变换等效于对原图像进行二维的傅立叶变换。(傅...
  • 汇编算法介绍和应用——递归下降算法分析

    千次阅读 热门讨论 2012-08-23 03:35:32
    上一篇博文我介绍了Windbg使用的线性扫描(linear sweep)汇编算法。本文我将介绍IDA使用的递归下降(recursive descent)汇编算法。(转载请指明来源于breaksoftware的csdn博客)  递归(recursive)可能大家...
  • openGl C++ 混淆 openGL混淆 算法 C++实现

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 9,285
精华内容 3,714
关键字:

反算法