注：本文为二阶常系数齐次/非齐次线性微分方程通解的几篇合辑。如有内容异常请看原文。二阶常系数齐次线性微分方程的通解白水baishui于2018-03-2517:13:57发布本文略去了很多证明，只记录结论文中的微分方程均指代二阶常系数线性微分方程二阶常系数齐次线性微

优化算法Batch梯度下降法每次对整个训练集进行计算，这在数据集很大时计算效率低下，因为每次更新权重前必须先处理整个训练集。可以将训练集划分为多个小子集，称为mini-batch。每次只使用一个mini-batch来计算梯度并更新参数。取出\(x^{(1)}\)到\(x^{(1000)}\)，将其组成第一个mi

深度学习的实践层面设计机器学习应用在训练神经网络时，超参数选择是一个高度迭代的过程。我们通常从一个初步的模型框架开始，进行编码、运行和测试，通过不断调整优化模型。数据集一般划分为三部分：训练集、验证集和测试集。常见的比例是60%用于训练，20%用于验证，20%用于测试。然而，

发现有时候确实需要写一下这种东西，不然太容易忘了。杜教筛求积性前缀和，即\(S(n)=\sum_{i=1}^nf(i)\).某些不是积性的函数也可以，只要能找到一个合适的\(g\)。对于任意两个数论函数\(f,g\)，有\(\sum_{i=1}^n(f*g)(i)=\sum_{i=1}^ng(i)S(\lfloor\frac{n}{i}\rfloor)\).\[\sum

目录概UoT代码HuZ.,LiuC.,FengX.,ZhaoY.,NgS.,LuuA.T.,HeJ.,KohP.W.andHooiB.Uncertaintyofthoughts:Uncertainty-awareplanningenhancesinformationseekinginlargelanguagemodels.NeurIPS,2024.概通过判断问题所导致的不确定性降低程度来

实验、结果、样本空间、事件事件\(A\)是否发生取决于一系列影响它的因素，这些因素影响\(A\)的过程称为一次experiment实验或trial试验一次试验的result结果称为它的outcome结局。\(\text{result}\)指由原因所引起的结果\(\text{outcome}\)强调事件特有的结局，

深度神经网络这是一个深度神经网络用\(L=4\)表示神经网络层数，用\(n^{[l]}\)表示第\(l\)层神经元数量，有\(n^{[1]}=n^{[2]}=5\)，\(n^{[3]}=3\)，\(n^{[4]}=n^{[L]}=1\)，\(n^{[0]}=n_x=3\)。对于前向传播有：\[z^{[l]}=\omega^{[l]}a^{[l-1]}+b^{[l]}\\a^{[l]}=g^{[l]}(

浅层神经网络浅层神经网络通常指包含一个隐藏层的神经网络。这个网络由输入层、隐藏层和输出层构成：输入层：输入层负责接收网络的输入特征，通常表示为列向量\(x^T=[x_1,x_2,x_3]\)，每个输入特征\(x_i\)代表样本的一个属性。输入特征的激活值\(a^{[0]}\)就是输入特征向

FFT复数复数在极坐标上表示：\(z=r(\cos\theta+\textbfi\sin\theta)\)，其中\(\arg(z)=\theta\)。复数相乘，模长相乘，辐角相加。单位根单位根模长为\(1\)，其中\(\omega_{n}=\cos\dfrac{2\pi}n+\textbfi\sin\dfrac{2\pi}n\)。单位根性质：\(\omega^{k}_{n}=\omega^{a\b

[T241109]若\(\mu\)是代数\(\mathscrF_0\)上的\(\sigma-\)有限的预测度,则\(\mu\)的扩张是唯一的.Proof:设\(\mu\)的Carathéodory扩张还用\(\mu\)表示,任取\(\mu\)的一个扩张\(\mu'\),只需证明\(\mu\)和\(\mu'\)在\(\mathscrF=\sigma(\mathsc

概率与期望1.事件i.实验，结果与结局事件A是否发生取决于一系列影响它的因素，这些因素影响A的过程称为一次实验(experiment)或试验(trial)。一次试验的结果(result)称为它的结局(outcome)result指由原因所引起的结果outcome强调事件特有的结局，表示最终的结果

神经网络基础知识二分类任务(BinaryClassification)在二分类问题中，目标是将输入（如图片、文本或其他数据）分为两类之一，通常使用标签0和1来表示不同的类别。以图像识别为例，假设我们需要判断一张图片中是否包含猫。我们可以将包含猫的图片标记为标签1，不包含猫的图片标记为标签0。

[T241104](Carathéodory)\((\Omega,\mathscrM,\mu^*)\)是完备测度空间,其中\(\mu^*\)是\(\Omega\)上的外测度,\(\mathscrM\)为\(\Omega\)的\(\mu^*-\)可测子集全体.Proof:先证明\((\Omega,\mathscrM,\mu^*)\)是测度空间,再证明它是完备的(若所有测度为零的

$\quad$本人蒟蒻，只能介绍FFT在OI中的应用，如有错误或不当之处还请指出。$\quad$首先先说一下那一堆什么什么\(TT\)的都是什么DET：离散傅里叶变换用于求多项式乘法\(O(n^2)\)FFT：快速傅里叶变换用于求多项式乘法\(O(nlog(n))\)FNTT/NTT：FTT的优化，常数及精度更优FWT

课题作业模拟小球平抛运动过程：考虑惯性、旋转和地面碰撞在这篇文章中，我们将通过MATLAB仿真来模拟小球的平抛运动。在这个模拟中，我们考虑了小球的惯性、旋转以及与地面的碰撞，展示了小球在能量逐渐损耗、停止弹跳和滚动之前的完整运动过程。通过这个项目，我们不仅可以观察

多项式的表示系数表示法即\(F(x)=a_0x^0+a_1x^1+...+a_nx^n\)点值表示法一个\(n\)次多项式可以被\(n+1\)个点唯一确定可以用这\(n+1\)个点表示该多项式多项式卷积\[(f*g)(x)=\sum_{i=0}^{n}\sum^n_{j=0}a_ib_{j}x^{i+j}\]说白了就是暴力展开快速傅里叶变换（FFT）单位根对

文章目录波动与相位物理学中波动波动的基本类型波的特性波的传播方程波的干涉、衍射和反射常见波动实例简谐波简谐波的基本原理简谐波的数学公式各参数的意义和计算计算波速简谐波的能量简谐波的图像简谐波的应用总结波动的原理涉及一种周期性的扰动波动的原理波动的数

快速傅里叶变换（FFT）前言本文为个人学习笔记，大量参考了oi-wiki以及其他博客的内容。问题记：\[f(x)=c_0+c_1x+c_2x^2+\cdots+c_{n}x^{n}\\g(x)=d_0+d_1x+d_2x^2+\cdots+d_{m}x^{m}\\h(x)=f(x)\timesg(x)\]在\(\mathcalO(n\logn)\)内解决

目录一、\(f(x)=\mathrm{e}^{\lambdax}P_m(x)\)型二、\(f(x)=\mathrm{e}^{\lambdax}[P_l(x)\cos\omegax+Q_n(x)\sin\omegax]\)型二阶常系数非齐次线性微分方程的一般形式是\[y''+py'+qy=f(x)\tag{1}\]其中\(p,q\)是常数由之前的内容可知，求二阶

经典力学概述包括运动学和动力学，附加一套分析力学的语言其实就是这一部分的全部核心了。利用最基础的力、能量、动量、速度、加速度等概念再加上目前的这些基本定理自己就可以解决所有的经典力学问题。不过应试的时候还是需要我们去背记一些模型甚至是公式以便加快解题速度。运

光与波波动方程\[\frac{\partial^2f}{\partialt^2}=v^2\frac{\partial^2f}{\partialx^2}\]假如\(f(x)\)满足该方程，那么\(f(x+vt)\)也满足该方程。线性叠加原理:如果\(f(x,t)\)和\(g(x,t)\)都满足某个波动方程，那么它们俩的线性叠加也是该波动方程的解。行波和驻波行波

高阶微分方程一般用于一些具体的物理情景中，下面以质点振动和宇宙速度的推导为例。参考书：王高雄《常微分方程（第四版）》文章目录一、质点振动01无阻尼自由振动（1）物理推导（2）微分方程推导02有阻尼自由摆动03无阻尼强迫振动04有阻尼强迫振动05质点振动小结一、质点振

支持向量机1.支持向量SVM最优化问题SVM想要的就是找到各类样本点到超平面的距离最远，也就是找到最大间隔超平面。任意超平面可以用下面这个[线性方程]来描述：\[\omega^Tx+b=0\]二维空间点$(x,y)$到直线$Ax+By+C=0$​的距离公式是：\[\frac{|Ax+By+C|}{\sqrt{A^2+B^2}