演算法原理
Ⅰ Rocchio演算法的Rocchio演算法原理
其基本思想 是使用訓練集為每個類構造一個原型向量，構造方法如下：
給定一個類，訓練集中所有屬於這個類的文檔對應向量的分量用正數表示，所有不屬於這個類的文檔對應向量的分量用負數表示，然後把所有的向量加起來，得到的和向量就是這個類的原型向量，定義兩個向量的相似度為這兩個向量夾角的餘弦，逐一計算訓練集中所有文檔和原型向量的相似度，然後按一定的演算法從中挑選某個相似度作為界。給定一篇文檔，如果這篇文檔與原型向量的相似度比界大，則這篇文檔屬於這個類，否則這篇文檔就不屬於這個類。Rocchio演算法的突出優點是容易實現，計算（訓練和分類）特別簡單，它通常用來實現衡量分類系統性能的基準系統，而實用的分類系統很少採用這種演算法解決具體的分類問題。
其基本思想不難解釋,對於一個詞集,和一個分類,總有某些詞,這些詞一旦出現屬於這個分類的可能性就會增加,而另一些詞一旦出現屬於這個分類的可能性就會降低,那麼累計這些正面的,和負面的影響因素,最後由文檔分離出的詞向量可以得到對於每個類的一個打分,打分越高屬於該類的可能性就越大.
對於某種二分類特別合適, A, ~A, 任給一個文檔,判斷屬於分類A還是分類~A,可以認為A的特徵項均給與正值,~A都給與負值,那麼給定一個合理閾值,就很容易做出這種類型的分類.
Ⅱ 神經網路演算法原理
神經網路預測學習樣本中的駕駛行為特徵。如圖顯示了某個駕駛場景的行駛路徑深度學習訓練，通過神經網路可以學習駕駛人的行為，並根據當前獲取的環境信息決策行駛軌跡，進而可以控制車輛的轉向、制動、驅動實現軌跡跟蹤。
Ⅲ 快速排序演算法原理與實現
快速排序的原理：通過一趟排序將要排序的數據分割成獨立的兩部分，其中一部分的所有數據都比另外一部分的所有數據都要小。
然後再按此方法對這兩部分數據分別進行快速排序，整個排序過程可以遞歸進行，以此達到整個數據變成有序序列。
假設要排序的數組是A[1]……A[N]，首先任意選取一個數據（通常選用第一個數據）作為關鍵數據，然後將所有比它的數都放到它前面，所有比它大的數都放到它後面，這個過程稱為一躺快速排序。一躺快速排序的演算法是：
1、設置兩個變數I、J，排序開始的時候I：=1，J：=N；
2、以第一個數組元素作為關鍵數據，賦值給X，即X：=A[1]；
3、從J開始向前搜索，即由後開始向前搜索（J：=J-1），找到第一個小於X的值，兩者交換；
4、從I開始向後搜索，即由前開始向後搜索（I：=I+1），找到第一個大於X的值，兩者交換；
5、重復第3、4步，直到I=J。
(3)演算法原理擴展閱讀：
設要排序的數組是A[0]……A[N-1]，首先任意選取一個數據（通常選用數組的第一個數）作為關鍵數據，然後將所有比它小的數都放到它前面，所有比它大的數都放到它後面，這個過程稱為一趟快速排序。
值得注意的是，快速排序不是一種穩定的排序演算法，也就是說，多個相同的值的相對位置也許會在演算法結束時產生變動。
一趟快速排序的演算法是：
1、設置兩個變數i、j，排序開始的時候：i=0，j=N-1；
2、以第一個數組元素作為關鍵數據，賦值給key，即key=A[0]；
3、從j開始向前搜索，即由後開始向前搜索(j--)，找到第一個小於key的值A[j]，將A[j]的值賦給A[i]；
4、從i開始向後搜索，即由前開始向後搜索(i++)，找到第一個大於key的A[i]，將A[i]的值賦給A[j]；
5、重復第3、4步，直到i=j； (3,4步中，沒找到符合條件的值，即3中A[j]不小於key,4中A[i]不大於key的時候改變j、i的值，使得j=j-1，i=i+1，直至找到為止。找到符合條件的值，進行交換的時候i， j指針位置不變。
Ⅳ 演算法原理，求時間復雜度的~
public int binarySearch(int [] array, int start, int end, int value) {
if(start <= end) {
int medium = (start + end) / 2;
if (value == array[medium]) {
return medium;
} else if(value > array[medium]) {
return binarySearch(array, medium + 1, end, value);
} else {
return binarySearch(array, start, medium - 1, value);
}
} else {
return -1;
}
}
時間復雜度logn
Ⅳ 線性回歸演算法原理（越詳細越好）
線性回歸是利用數理統計中的回歸分析，來確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法之一，運用十分廣泛。
分析按照自變數和因變數之間的關系類型，可分為線性回歸分析和非線性回歸分析。
如果在回歸分析中，只包括一個自變數和一個因變數，且二者的關系可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析。如果回歸分析中包括兩個或兩個以上的自變數，且因變數和自變數之間是線性關系，則稱為多元線性回歸分析。
我們以一簡單數據組來說明什麼是線性回歸。假設有一組數據型態為y=y(x)，其中
x={0,1,2,3,4,5},y={0,20,60,68,77,110}
如果我們要以一個最簡單的方程式來近似這組數據，則非一階的線性方程式莫屬。先將這組數據繪圖如下
圖中的斜線是我們隨意假設一階線性方程式y=20x，用以代表這些數據的一個方程式。以下將上述繪圖的MATLAB指令列出，並計算這個線性方程式的y值與原數據y值間誤差平方的總合。
>>x=[012345];
>>y=[020606877110];
>>y1=20*x;%一階線性方程式的y1值
>>sum_sq=sum(y-y1).^2);%誤差平方總合為573
>>axis([-1,6,-20,120])
>>plot(x,y1,x,y,'o'),title('Linearestimate'),grid
如此任意的假設一個線性方程式並無根據，如果換成其它人來設定就可能採用不同的線性方程式；所以我們須要有比較精確方式決定理想的線性方程式。我們可以要求誤差平方的總合為最小，做為決定理想的線性方程式的准則，這樣的方法就稱為最小平方誤差(leastsquareserror)或是線性回歸。MATLAB的polyfit函數提供了從一階到高階多項式的回歸法，其語法為polyfit(x,y,n)，其中x,y為輸入數據組n為多項式的階數，n=1就是一階的線性回歸法。polyfit函數所建立的多項式可以寫成
從polyfit函數得到的輸出值就是上述的各項系數，以一階線性回歸為例n=1，所以只有二個輸出值。如果指令為coef=polyfit(x,y,n)，則coef(1)=,coef(2)=,...,coef(n+1)=。注意上式對n階的多項式會有n+1項的系數。我們來看以下的線性回歸的示範：
>>x=[012345];
>>y=[020606877110];
>>coef=polyfit(x,y,1);%coef代表線性回歸的二個輸出值
>>a0=coef(1);a1=coef(2);
>>ybest=a0*x+a1;%由線性回歸產生的一階方程式
>>sum_sq=sum(y-ybest).^2);%誤差平方總合為356.82
>>axis([-1,6,-20,120])
>>plot(x,ybest,x,y,'o'),title('Linearregressionestimate'),grid
[編輯本段]線性回歸擬合方程
一般來說，線性回歸都可以通過最小二乘法求出其方程，可以計算出對於y=bx+a的直線，其經驗擬合方程如下：
Ⅵ 寫報告中演算法基本原理是什麼意思
MATLAB的變數名必須是不包括空格的單個詞，且區分大小寫
Ⅶ 尋找講各種演算法原理和實現的書
這是數據結構的書啊
一般數據結構的書都可以！
PS匈牙利演算法好像是運籌學里的
Ⅷ A*演算法的原理
A* （A-Star)演算法是一種靜態路網中求解最短路最有效的直接搜索方法。
注意是最有效的直接搜索演算法。之後涌現了很多預處理演算法（ALT，CH，HL等等），在線查詢效率是A*演算法的數千甚至上萬倍。
公式表示為： f(n)=g(n)+h(n),
其中 f(n) 是從初始點經由節點n到目標點的估價函數，
g(n) 是在狀態空間中從初始節點到n節點的實際代價，
h(n) 是從n到目標節點最佳路徑的估計代價。
保證找到最短路徑（最優解的）條件，關鍵在於估價函數f(n)的選取：
估價值h(n)<= n到目標節點的距離實際值，這種情況下，搜索的點數多，搜索范圍大，效率低。但能得到最優解。並且如果h(n)=d(n)，即距離估計h(n)等於最短距離，那麼搜索將嚴格沿著最短路徑進行， 此時的搜索效率是最高的。
如果 估價值>實際值,搜索的點數少，搜索范圍小，效率高，但不能保證得到最優解。