最近在处理一些二维注视点,需要直接将离散的二维注视点转换成概率分布,基本原理是用Gaussian
函数进行卷积生成连续的概率分布。处理这个之前顺便做了一个简单的可视化,利用涂色原理生成热度图并涂上彩虹色。
HeatMap.hpp
1 |
|
DON'T PANIC!
最近在处理一些二维注视点,需要直接将离散的二维注视点转换成概率分布,基本原理是用Gaussian
函数进行卷积生成连续的概率分布。处理这个之前顺便做了一个简单的可视化,利用涂色原理生成热度图并涂上彩虹色。
HeatMap.hpp
1 | #ifndef HeatMap_hpp |
Automatic Detection of Attention Shift in Infancy: Eye Tracking in the Fixation Shift Paradigm
Louisa Kulke, Janette Atkinson, Oliver Braddick
启发式搜索、估价函数、时间上最优、空间增长指数级别
Algorithms
1 | OpenList.add(StartPoint); |
如果要实现输出fib(100)%1200007
,可以实现用编译器来自动记忆化。
1 | #include<iostream> |
2015-09-13
将正整数n表示成一系列正整数之和,n=n1+n2+...+nk
,其中有n1>=n2>=...>=nk>=1, k>=1
,这种表示成为正整数n的划分。如果限定k则称为n的k划分。
考虑n的划分。
记F[n,k]为n的1划分+2划分+…+k划分的数目,则n的划分即为F[n,n]。
则n的k划分为F[n,k]-F[n,k-1]。
考虑以下5种情况:
给定一张图,从一点出发,到达图中所有点的最短路径。
该性质描述为:如果P(i,j)={Vi....Vk..Vs...Vj}
是从顶点i到j的最短路径,k和s是这条路径上的一个中间顶点,那么P(k,s)必定是从k到s的最短路径。下面证明该性质的正确性。
假设P(i,j)={Vi....Vk..Vs...Vj}
是从顶点i到j的最短路径,则有P(i,j)=P(i,k)+P(k,s)+P(s,j)
。而P(k,s)
不是从k到s的最短距离,那么必定存在另一条从k到s的最短路径P'(k,s)
,那么P'(i,j)=P(i,k)+P'(k,s)+P(s,j)<P(i,j)
。则与P(i,j)
是从i到j的最短路径相矛盾。因此该性质得证。
由上述性质可知,如果存在一条从i到j的最短路径(Vi.....Vk,Vj)
,Vk是Vj前面的一顶点。那么(Vi...Vk)
也必定是从i到k的最短路径。为了求出最短路径,Dijkstra就提出了以最短路径长度递增,逐次生成最短路径的算法。譬如对于源顶点V0,首先选择其直接相邻的顶点中长度最短的顶点Vi,那么当前已知可得从V0到达Vj顶点的最短距离dist[j]=min{dist[j],dist[i]+matrix[i][j]}
。根据这种思路,