上一页


第二章 Java 数据分析算法引擎系统
作者: 罗瑶光, Author:Yaoguang.Luo


基础应用: 元基催化与肽计算 编译机的仿生分析机

知识来源,作者在本科的电磁波理论课程关于复数蝶形变换的算子 a*sinb+b*cosa(记忆老师当时公式写在黑板左上角), 为日后作者化简J.W.库利和T.W.图基的快速傅里叶源码算法进行模拟 当年牛顿下山法莱布尼茨斜率分解,打了扎实的基础,开启了作者函数分类统计的思维.

作者在印度基督大学的数据结构课程,书籍讲课教授Rohini.V,作者比较系统的进行作业和研究论文撰写关于数据排序的种类探索设计,作业设计的书籍主要来自基督大学图书馆红皮书,武汉孙杨qq给介绍作者在印度通过湖北理工大学公开资源下载点下载的北邮出版的算法导论黑皮书书籍pdf,和作者在班加罗尔书店购买的南加大c语言数据结构算法,作者是Ellis.Horowitz,后在美国2014中途回国接触了堂弟罗瑶林借阅的算法导论黄皮书作者是美国Donald. E. Knuth,以及百度文库下载的快速排序算法导论源码实现等丰富资料.

作者要感谢加州路德大学的计算机视觉课程,书籍为《Computer Vision》讲课教授Rein.Hart, 作者比较系统了学习了 计算机图片仿真处理应用技术,如均值, 高斯, 傅里叶, 哈夫, 索贝尔, emboss卷积, 膨胀, 腐蚀, 特征, 频率, 像素分类, 拉伸,角变换 和区间统计技术.

作者要感谢JDK的Java Sound API,作者有系统的进行声音处理研究, 在2014年后. 另外关于傅里叶的余弦优化, 作者要Refer springer史习智的 《Blind Signal Processing》给作者启蒙了ICA和DCT变换计算思维. 以及Java Common Math API, 作者将vector iterator进行提取生成1024区间算子的array来频率变换计算.

作者在帮父亲设计股市波动趋势数据分析算法,进行线性的股市数据计算,和养疗经噪音识别图像展示过程中不断的优化提取函数包,作者在设计养疗经的智能声诊和相诊用到的高斯,索贝尔(作者Irwin Sobel), 傅里叶卷积数字滤波技术思想和基础也都来自上述描述.

罗瑶光

定义: 微分催化排序 一般指 将传统的排序在数据排列计算过程中 进行 内存峰值波动平均, 计算逻辑减少, 计算算子减少, 计算条件减少, 计算的频率减少, 计算关系减少的催化过程.

价值是方便函数 元基索引 和 新陈代谢, 二次新陈代谢. (见之后的 象契排序算法的 新陈代谢催化优化实例).

内存峰值波动平均, (见小高峰过滤左右比对算法).

计算逻辑减少, (见比较函数的 缩进优化).

计算算子减少, (见增序, 与减序替换).

计算条件减少, (见狄摩根离散条件or变换).

计算的频率减少, (见选择排序的小于deep的堆栈检测替换, 和阀门逻辑序列频率统计 代码排列优化).

计算关系减少 (见算子减少和条件减少的相互关系优化).

的催化过程. 定义人 罗瑶光.

Definition of Catalytical Sort, in the tranditionary and ordinary processing of array sorting, Catalyst means a balanced peak avoid of RAM computing, means a Catalytical theory of reducing the ALUs, valuable sets, conditions, logic sections, function calls and prototypes. The Accomplishment of Catalytical theory is an insufficient condition to the next two steps of software DNA metabolism of functional logic and PDE (PDN Extension) secondary metabolism of metabase Initons encoding.

For proofs, TopSort5D

reducing the ALUs, Digital logics.

reducing the valuable sets, Memory optimizations.

reducing the conditions, Demorgan mathematics.

reducing the logic sections, Discrete mathematics.

reducing the function calls, Recuisive logics. Priority calls the high frequency logic sections as river flows.

reducing the prototypes. Inheritation logic.

The author Yaoguang.Luo 稍后优化翻译.

催化过程作者认为是提高算能利用的过程, 符合生产力的发展.

计算力与算能优化的思想手稿 20190914

最近有WCC1st 长沙 拜听了中科院超算 老师们关于计算力的趋势发展做的详细发言, 深有感触, 于是结合自己 10 年基础所学和 6 年国内外工作和实习的经验, 写一篇我关于计算力的细节, 应用和发展趋势的理解手稿. 如下.

计算力的概念 我所理解为 计算能. 这是未来世界发展的一种能源, 算能. 算能 不是新能源, 但是, 算能的认知, 的确是新的篇章. 算能的利用率逐渐接近人认知的最大化. 更为高效的 算能 挖掘方式, 是目前主流科学家们一直保持白热化研究的主题. 10 年前, 社会很少出现这类词汇, 我得到一个明确的细节, 社会的白热化发展趋势, 必然 新型算能, 能源在被挖掘中.

比如:

1 基础算子能: 就是通过非人类所能理解的算子列阵来代替线性的公式来做复杂运算. 比如DNA 计算, 德塔的 DNA mask 列阵 Initon 链 就是一种. 2 量子算能: 通过量化的概率比来对带有计算物质进行处理, 比如波动微观物质的波动概率, 向量集的比例计算, 神经网络的 算核卷积等. 3 光算: 通过不同频率的电磁波进行耦合计算, 达到极度并行算法 散列算力加速. 4 微电的超导计算: 在完全没有阻力的电信号运算, 永不失真. 我评估了下未来的算能发展趋势为: 从经典到非认知, 从可控到主猜测, 从自主到自适应, 从无机到有机体的过程需求离不开市场, 这些 新型算能怎么转化为人类科技呢? 我想到了一个答案: 机器人.

上面的部份 强调新型算能改变算力的趋势.

这个部份我思考了更多细节来优化新型算能过程.

1: 计算逻辑的理解方式. 通常我们认为所能理解的计算逻辑是按照 类人认知的思想, 把社会需求封装成计算函数的过程. 这个过程终究是人所能理解的范畴. 机器是人做的, 具备人的思维共性可是机器在计算质量上, 以后终将超过人类, 那么问题就来了, 不被理解的逻辑和思想所形成的概率比, 以后只会越来越大. 很多不被理解将成为趋势, 法律约束问题, 我们暂不讨论. 接受和顺应一些新的思维方式, 必然不断冲击着人类社会的科技和伦理. 这是一个社会变革所能产生的巨大压力来源. 解决和研发方案以后要有.

2: 计算数据的采集模式. 计算的数据形形色色, 不同的模式下, 数据表现得形式也不一样, 能够通过某种观测模式, 把数据进行迅速有效得预处理, 是一个重要主题.

3: 计算过程的相似度过滤机制. 计算得数据多种多样, 计算逻辑千姿百态, 可是计算过程却极其相似. 而相似度高的组件重用, 逻辑优化, 信息归元, 是算能优化的科学方向.

4: 计算结果的验证优化. 计算结果是需要检测维护的, 检测时手段直接确定结果的区间有效性. 我们需要更多的思考.

5: 计算进化的知识图谱统计. 计算, 实现终究是硬件, 软件的有机体组成, 这个组成系统终究是变化的. 正确的进化和升级直接改进算能体系. 统计学能准确的进行测量计算进化过程中的各种数据数值多观测点分析. 当然, 还有很多想法, 我不敢多写, 因为没有得到实际的论证, 将来有机会涉及它的细节, 我会反复的实践来明确答案.

最后: 如果我能进行定义, 我定义 计算算能优化公式为 真实环境中 每 1 秒 函数执行需要走的硬件逻辑门(与或非总数 S)与 软件函数本身执行需要的(与或非总数 s)的比

公式为 N =S(AON)/s(AON)

N= 算能单位

AON= AND +OR+ NEGATIVE (与或非门器件)

S= 每时间秒函数在非结束状态走过的 AON 累计总和 (微秒 对应 微 N, 纳秒 对应 纳 N)

s= 函数本身执行需要走的非重复 AON 单元总和

20190914 北京时间 4:34 罗瑶光

注: 通过这个函数可以确定函数优化前后的计算能力值, 确定优化是否有效.

罗瑶光 20190914

Computing and Its Energetic Optimization

After WCC1st ChangSha and the topic of 'Computing Ability', the author concluded his ten and six years of foundations and experiences, could detail a Computing and Its Energetic Optimization as below.

The author considered the conception of 'Computing Ability' was a 'Computing Energe'. This was the future-world energes, although was not a new energe, but was a new topic. The author considered Its utilizations were out of a maximizing layer of human cognition. So took this topic and question, the author did good trending-conclusions as below.

1 Foundational Computing Energe, the author considered the theory of out of humanoid-minding, which included DNA mask link and PDN Metabase Initons. ( 作者当时已经提出PDN AOPM VPCS catalyst 观点, 但2019年还没有发明 PDN Extension, PDE metabolism 算法)

2 Quantum-Computing Energe, the author considered the theory of Convolution, CNN, Vectors, Probability and Statistics.

3 Ray-Computing Energe, the author considered the theory of FFT, DCT, Wavlet and Parallel Discreate Mathematics.

4 Superconductor Computing Energe, the author considered the theory of Computing about non-resistance and fidelity.

Seem their had more answers and domains, and one of considering, was humanoid-robot.

Aboves pointed out emphatically, a Computing Energe determinated the Trending Computing. And belows could make more details to optimize the procedures of Computing Energe.

1 Energetic Theory of Computing logic, the author considered a procedure were changed real world requirements into software functions. Because the subject was computer, meant not human, so that will cause a problem, meant computer will raise over the humanoid in the future. Once the computer's logic which does not was absorbed by human technologies and ethics, even Its ideology is higher than human's mind. It is causing the Energetic Evolutionay.

2 Mode Ackuisition of Computing data set, the author considered a unified observation of Data pre-process. Recently became a more important topic in the real-world industrial environment.

3 Filter Decision of Computing procedure, the author considered a reusable algorithm-technology, and this conception of authors from his sonar-lint experience at Folsom Intel.

4 Optimizational Assessment of Computing-result, the author considered a software engineering topic, such as a water fall mode, the aspect of software maintenance and customer assessment, were also important too.

5 VISO Theory of Computing Evolutionary, of cause a good developing observation of the software statement, the author also considered either the Energetic Optimization could be promoted on a good way, or the energetic system could be fixed immediately, or both well.

Finally, the author did a definition of energetic formula: N = S(AON)/ s(AON).

Energetic unit= Under the unfinished perform-statement, the amount of AON looped by function per each second/ The amount of non-duplicated AON units by function needs.

(AON) = And, Or, Neigative Gate. N= Energetic unit. S(AON)= Under the unfinished perform statement, the amount of AON looped by function per each second. s(AON)= The amount of non-duplicated AON units by function needs.

2019-09-14 Peking times 04:34

Author YaoguangLuo 稍后纠正语法

函数集合

1 德塔的数据分析包, 最早是作者在大学的处理 Rohini教授的 C语言数据结构《Data Structure》 和 Reinhart教授 计算机视觉卷积的《Computer Vision》课后作业.

《Data Structure》refer page 226, 230, 235, 238, 253, 作者没有把当年的计算器四则运算器和rotation tree等作业算法归纳在该作品中.

《Computer Vision》refer page 202, 204, 205, 206, 209, 211, 212, 213, 214, 217, 218, 220, 221, 259, 260,

2 德塔的卷积在2013年后不断的完善, 发现其在仿生听觉和视觉计算中都能进行系统的应用, 于是开始优化. refer page 191.

作者一开始设计卷积是路德大学图片上的应用, 2013年, 当ETL设计成了节点处理图片像素后, 作者开始设计声音 java sound API的处理, 2014年. 这个引擎逐渐在计算机仿生系统中进行集成应用. 论证了其在具体应用工程中的实践价值. 作者当时设计了主要用来测测作者自己的心跳.

3 优化方式为将计算函数进行插件接口模式封装成jar, 方便上层调用. refer page 190.

4 封装的过程中, 不断的进行细化优化, 衍生出多个辅助计算函数集, 如催化排序, 仿生滤波. refer page 247, 655.

UML

线性

1 德塔的数据分析包 包含array的线性排序处理 refer page 见排序.

2 德塔的数据分析包 包含array的线性卷积处理 refer page 见卷积.

关于数字卷积的前序遍历逻辑,作者第一次接触是在上海电气,关于数控组与郭凤先,蒋慧洁等讨论的巴特沃斯带阻滤波工业函数的计算函数描述和锯齿波最优函数公式. 之后,在美国路德大学进行了系统的学习了计算机视觉教材的卷积图片处理,***主观情绪略***,后序也是可以的,如阿拉伯人的阅读思维方式. ***主观情绪略*** 卷积的从左到右前序内核计算逻辑 最早文字出处 来自法国Yann.Lecun 的CNN思想原文, 路德大学的计算机视觉绿皮书教材有介绍, 伪编码有源码明文. 这里重复Refer下.

Gitee 20190623 感想 : 关于卷积微分法和积分法的应用. 作者在这里进行注释下.

第一次接触卷积积分***军事政治名称略*** 本科的大三,一堂电磁波课程, 作者仅仅理解了a*cos b+b*sin a的线性公式含义. 第二次接触是作者在瑞拉理工学院读书的时候,班加罗尔大学一位数学教授对线性矩阵求导做了交叉卷积的分式. 以及基督大学的Dr. Joy Paulose写在黑板上的Ui(t)= L*di(t)/dt+ 1/C*df i(t)*dt + R*i(t) with L*C*d*d*U0*(t)/dt*dt + R*C*d*U0(t)/dt + U0(t) LRC微分公式. 第三次接触是作者在上海电气原机床研究所上班,接触到巴特沃斯卷积核,当时驱动组让作者进行卷积表述,作者用原生的傅里叶推导进行矩阵求解做了例子,***主观情绪略***. 第四次接触是作者在路德大学的计算机视觉课程,全面用数字卷积技术处理图片流. refer 《计算机视觉教材》 绿皮子那本. 第五次是作者在2014-2015年采用快速傅里叶进行人类语音处理. 第六次是作者在2015年后与牛津大学霍华德教授做阅读障碍脑波数据病理分析,(感谢当时巴黎一大的学生提供给作者傅式相位方程组公式)第七次是作者***主观修辞略***

最后作者2018年设计德塔图灵自然语言系统, 采用了vpcs微分催化矩阵加速原理. 作者思考, 通过对称计算原理可以知道, 微分计算能加速, 积分计算同样可以加速, 于是在vpcs进化中, 进行微, 积分催化自适应矩阵生成技术研究, 在以后的数字信号处理器中通过量化计算模块组逐步剔除加乘逻辑模块, 形成真正人工智能量子量化微积分芯片.

思想价值20220410作者发现之后的作者设计概率钥匙和session token 的pde微化<->pds积化 通过肽展公式加密 的组合拓扑, 似乎也和这微积分有点思维灵感.

非卷积视觉计算奠基溯源

作者当是时萌生了一个想法, 如果卷积的内核算核越大, 那么每一个算子的循环遍历次数变增加, 于是为了提升计算质量, 整体的速度和计算消费将指数提高, 举例, 100个矩阵数, 算核是2*2, 那么需要遍历 100*2*2计算次数, 如果是3*3, 那么需要 100*3*3 计算次数, 4*4, 以此类推, 则是计算 400次, 900次, 1600次. 2500次, 损耗接近于m * n**2的指数翻倍. 作者思考, 是否有类似于快速卷积如O(n) 或者至少是O(nlogn)的计算级别算法出现弥补这个缺陷. 这个需求极为迫切. 这个想法为后来的第十章的非卷积视觉计算奠基.

描述人 罗瑶光

3 ANN RNN DNN 线性深度卷积计算处理 refer page 222, 223, 223,

关于 Etl Unicorn对 音频卷积处理的文字描述

作者在将计算机视觉的课程进行了pipe line etl处理后看了乐观的结果, 作者想, 这些cnn卷积算法一定也可以处理线性的声音领域. 于是开始基于java sound包来分析语音, 如图所示 wave read 的开头还有很多小点的噪音, 通过maxmin(低滤高滤)过滤后

https://github. com/yaoguangluo/Data_Processor/blob/master/DP/soundProcessor/MaxMiniPro. java

第71行 comp比例裁剪

就没有噪点, 这张图片是作者从早期2014的测试截图, 当时还没有涉及傅里叶频率域变换, 谐波噪声平滑等高级功能. 作者的当时主要动机是测试作者心跳

About the prefix convolutional computings, LWA (from left to the right, or from head to the tail), the author did a first conference at Shanghai Electrics, China, about the Butterworth lowpass and Sawtooth wavlet. Then did a fulfillment of convolutional vision at Callutheran, USA. The author considerd not only the prefix convolutional computings, the Arabic postfix RWA (from right to the left, or from tailto the head) also could be well in the wavlet.

2019-06-23 Author's notes on Gitee. 2006, Nanjing, the author first touched the Fourier's formula set AcosB+ BsinA where in his bachelor's class of High Frequency Circut, HFC wavlet. At 2007, the author learned a dirivation of AcosB and AsinB collections where in REVA institute. Bangalore University. And got LRC formula of Ui(t)= L*di(t)/dt+ 1/C*df i(t)*dt + R*i(t) with L*C*d*d*U0*(t)/dt*dt + R*C*d*U0(t)/dt + U0(t), Professor. JPSir, at Christ University, 2009. Then made a presentation of Fourier's transformation wavelet at KaiTong Ltd, Shanghai. After got a few experiance of frequent wavelt, the author continued a fulfillment of convolutional computer-vision at USA, and tested a FFT and DCT sound communications at Liuyang, 2014~2015. Finally tried to make an analyst of dyslexia-brains and partner with Sir. Newton Howard at Oxford University, UK.

Once done of the Deta Parser at 2019, the author considered a VPCS could make a differential and integration in the same time. It was a symmetric statement. And the DNA sessional encription was the same too, for example the differential PDE -> PDS and an integration of PDS -> PDE. The author considered It could be used in parallel RNA IC disign.

Implements of non convolutional vision-computings. The author considered a convolutional matrix of kernel, was a centre of computing, meant the scale size was 3, then will do 3* 3= 9 calculations by each set. If the scale size was 4, meant to do 4 * 4=16 times. So, the formula was M sets * O(N*N). Therefore, the author considered a non convolutional algorithms was needed by todays. For example, of DNA non-convolutional vision-computings.

Implements of convolutional wavlet-component by ETL Unicorn.

Once done of computer vision at 2012, the author considered It could work as an Etl pipe node, then build a Unicorn vision tools. Then integrated a Java sound API, the below pictures did a well show of the proofs. for example, a maxmin node pipe to the propotion-taylor node, to perform a heartbeats-filter.

The author YaoguangLuo 稍后优化语法.

是否正常. (图中巴特沃斯是带通数值滤波

https://github. com/yaoguangluo/Data_Processor/blob/master/DP/soundProcessor/ButterworthPro.java

第69行 与拉普拉斯滤波

https://github. com/yaoguangluo/Data_Processor/blob/master/DP/soundProcessor/LaplacianPro.java

第70行 非一种模式) 描述人 罗瑶光

非线性

1 德塔的数据分析包 包含图论的非线性广度建模 refer page 226, 230.

2 德塔的数据分析包 包含图论的非线性深度建模 refer page 230, 232.

3 德塔的数据分析包 包含图论的非线性树建模 refer page 236, 243, 253.

维度

1 德塔的数据分析包 包含1维 语音数组计算实例 refer page 见智能声诊

2 德塔的数据分析包 包含2维 图片卷积计算实例 refer page 见智能相诊

3 德塔的数据分析包 包含3维 数据循环阶计算实例 refer page 见噪音识别, 三阶傅里叶应用, animation等

德塔三阶傅里叶计算定义: 一般指将线性的时序语音波进行傅里叶变换, 此时的波为 频率域波, 通过简单的噪声频率过滤后, 让后再进行第二次傅里叶变换. 于是输出的时序波结果会非常的均匀和格式化, 产生优美的平滑间隔峰区间, 于是将此时序波第三次傅里叶变换, 再次得到的频率波输出具有明确的间隔峰区间生物特征标记. 用于德塔语音识别.

定义人 罗瑶光

Deta three times FFT/DFT of higher-order, means a wavelet which makes a transformation from the timer sequence waves to frequency wave, a then makes a noise frequency filter first. At this time, does again a wavelet which makes a transformation where from frequency wave to timer sequence wave. An observation of sequence wave is more harmoniously and uniformly. Also, can do more valuable filters here, therefore, finally does the third wavelet which makes a transformation where from the timer sequence wave to frequency wave again, the output can be a raw data collection of voice recognization and Bio-target.

Author YaoguangLuo 稍后优化语法

具体描述: 智能声诊断视频描述

关于声音噪声处理的描述: 作者通过java sound的jdk开源语音包api 进行声卡录音处理, 通过麦克风物理设备来进行 data readline 函数 record 自然界声音, 这时候声音是一串串的1维 double 和 float (具体看api的版本配置)线性数据, 于是作者将这些线性的 数据进行每 1024 个数据循环进行一小段小段的提取进行

第一次离散傅里叶DFT变换(快速傅里叶FFT也可以, 只是在处理偶数和对称数列比较好), 这时候第一次 时序波变频率域波的 波形变出来了, 于是作者进行更进截取低频的主要区间频率, 依次进行了拉伸, 和高斯平滑处理, 然后把处理过的频率波进行波峰线提取, 然后将波峰线进行极值化, 更进向左平移对齐(方便格式化取值), 进行

第二次离散傅里叶DFT变换, 于是一个稳定的平滑的时序波就出现了. 作者将这个稳定的时序波进行 单个的间隔峰裁剪, 因为只要一个震荡周期区间即可标识特定周期循环出现声音, (不需要多个 时序的震荡周期, 当然多个可以统计增加精准), 于是开始将这个裁剪拉伸的单个间隔峰时序波 进行

第三次离散傅里叶DFT变换, 这时候频率就比较稳定了. 这个3次傅里叶声音计算过程, 可以用来做声音标记等, 广泛应用于声音类的工业场景. 作者的测试实例主要来自作者(罗瑶光)自己的AOEIU 元音发音记录实例.

描述人 罗瑶光

场景

1 图片的操作. refer page 214

2 像素的操作. refer page 见视觉

智能相诊多媒体图片描述

作者给养疗经的智能相诊设计了视频暂停, 录入的功能, 首先, 视频录入方便了养疗经进行视频快放和倒放的功能, 这样视频的多媒体处理能力得到了加强, 其次方便截图和截图的图片进行像素级别操作, 如单一帧图片的像素画图和像素标记, 标记的图片帧又能融入视频中, 复合加强视频多媒体处理能力. 描述人 罗瑶光

3 文件的存储. refer page 214.

4 语音的处理. refer page 见听觉.

仿生听觉

1 滤噪计算 高斯1D, median refer page 206, 213, 260.

2 频率变换 傅里叶, 快速傅里叶 refer page 258

关于ETL 视觉流的应用描述

首先, 我们导入一张图片, 如作者的大头贴, 图片因为是用低质量的摄像头进行拍摄, 虽然很清晰, 但是色阶比较暗淡, 作者便用计算机视觉研究生教材的像素拉伸思想进行java编码, 将一张0~255的色阶图片拉伸到20~230左右, 于是得到棱角分明的图像, 因为太多分明, 于是用高斯卷积来模糊处理下, 这样图片就是棱角分明而且视觉平滑, 高斯平滑后进行索贝尔mask梯度(mag+dir)卷积计算, 于是可以看到眉毛和眼睛的梯度差如灰色和

白色的辨别. 最后进行emboss 浮雕卷积计算. 作者用这个图片 有力的 举例论证 ETL + 卷积视觉 能够广泛适用于其工业应用场景.

备注作者的计算机视觉绿皮书是没有java代码的, 代码来自作者把Rein hart布置的课后作业都做了一遍. 作者联想自己能有今天的学术造诣,不仅仅是在 印度基督大学进行完整的系统的学习和研究教材,甚至连加州路德大学 卡拉森的数据库作业关于UC戴维斯大学的题型, 特别是作者贴在qq空间的所有加州路德大学的作业答案,答案全部来自作者自己独立自主的辛勤劳动.

描述人 罗瑶光

Implements a visual ETL pipes.

At the first, we might input a picture with authors portrait, to do the visual ETL pipes. Due to the catching with a lower scaled camera, so that the picture was not clearly, meant a little bit dark and fussy on it. Then the author started a stretching procedure to make it more distinct, for example stretched the pix, which ranged from '0~255' to '20~230', then he got a distinct picture, and continued to do a guassian procedure to make it frequently and smoothly. Finally did a Sobel mask procedure with Mag and Dir. The gradiant output of gray and white, where could be a 3 dimentional feature as an input array-value of Emboss procedure. This visual ETL pipes could prove that it widely was used in the real word and around the industries. The author appreciated his well education at CLU, and enjoyed his computer vision class from his teacher Dr. Reinhart. By the way, He also had finished all of his Database homework of UC Daves by his own abilities from CLU, where he pushed commits on QQ weibos in an early time. And enjoyed his database class from his teacher Dr. Klassen.

The author YaoguangLuo 稍后优化语法.

视觉

1 德塔的视觉主要包含常见2维卷积滤波函数. refer page.

2 边缘计算 索贝尔凸蚀, 索贝尔梯度, 索贝尔向量, 拉普拉斯refer page 218, 212.

养疗经 肽计算版本 智慧搜索 结合 智慧相诊 应用实例 文字描述

作者将 医学骨科教材的疾病图片进行格式化存储, 用于搜索和像素展示, 展示的过程中集成了卷积像素处理的函数. 如将图片搜索页的数据进行智能相诊页综合处理, 这时候 emboss的浮雕计算可以描绘出三维的立体感, 也可以用绿色像素抑制来观测黄色骨架结构. 这是一个自主游标操作的环节. 可自适应. 描述人 罗瑶光

3 凹度计算 emboss浮雕, 索贝尔mask, refer page 204.

4 频率计算 傅里叶时序域, 傅里叶频率域, 哈尔计算, refer page 258, 211.,

5 腐蚀计算 膨胀计算, 侵蚀计算, 均值计算, 高斯计算1D一字, 高斯2D十字. refer page 202, 204, 205, 206.

德塔Java卷积算法在 索贝尔家族的 场景计算中描述.

主要描述下 索贝尔凹度, 凸度, 梯度, 向量四个属性. 作者在路德上课的时候比较系统的学习了索贝尔算子原理, 曲力学原理和常见的mag, dir应用边缘求解场景. Reinhart给作者出的考试题目是关于m, d的mask梯度求解实现. 这些都很好解释, 如计算机视觉的绿皮教材中有非常详细的单词描述.

作者在2018年后设计红外监控系统. 计算索贝尔算法在实际的工程应用中, 得到一些经验归纳. 发现索贝尔的实际用途不是书上介绍的那么简单. 确切的说, 索贝尔算法属于力学范畴, 只是恰好在计算机视觉中展示比较直白, 结果明朗, 被人所接受. 确切的说索贝尔算法描述的是一种自然场力. 我来做着研究描述. 当我们设计了mag 和 dir, 两种, 一种为规范的折叠曲线, 我们可以理解为视觉边缘轮廓, 一种为梯度曲线, 我们可以理解为视觉向量雕塑. 在计算机视觉中两种像素集 mask 可以得到边缘的立体视觉, 而这只是对索贝尔的最简单应用.

索贝尔的mag的折叠边缘, 在力学中, 属于挤压的意思, 而 dir的梯度在力学中属于张力和结晶. 不仅挤压有规则, 结晶体同样有花纹. 这两种力的表达可以将图片进行光影的分布进行有效的三维计算, 在mag的边缘部分以挤压力差值明显, dir的梯度可以确定是 挤 还是 压, 确定三维力学的向量. 这些向量于是可以表现为 张力和曲力, 也可以表现为 挤凸蚀 还是 压凹蚀.

上面是索贝尔的力学简单表达的一种规范, 跟进力学计算中, 如果将索贝尔的力进行微分, 那么这种区间内的向量数量, 表达含义将非常丰富. 如场力的稳定状态, 力场的不规则求解 场力的流动性, 物体的内部状态, 很多人会问到这 力 怎么能用像素来表达呢, 作者举个例子, 像素是扑捉光影, 光其实一种能量, 确切的说 图片 其实 就是一张能量图. 这就好理解了. 能量是可以进行力学转化的. 如作者的头像进行索贝尔mask, 可以清楚得到, 作者眉毛和眼睛的力学表达是眉毛上凹下凸, 眼睛上凹下凸, 的向量表达, 白色部分代表能量的聚集. 可以理解为索贝尔计算表达的是作者头像图片中的不稳定区间能量扑捉, 只是刚好体现在棱角边缘而已. 而这种能量扑捉能进行3维化.

描述人 罗瑶光 稍后优化

Deta Java convolutional sobel algorithms and Its applications.

The author mainly implemented four sobel attributes of concave, convex, gradient and vectors. Since he had been learned a sobel of 3-Dimentional distinction by calculation of Mag and Dir (magnitude and direction). The author developed RF infrared monitor by using Java CV at 2018, to get the sensor catching. According to this experience, the author considered the ability of Sobel algorithms, which belonged to a mechanics-domain. Meant Sobel algorithm could explain the randomness of chaos, a mere coincidence at here, computer vision of edge detection, could obviously do a well observation. Obsolutely the Mag and Dir of Sobel algorithm only just did a simple procedure of 1 edge-detection and 2 vectorial portrait-sculpture here.

The author considered the magnitude of sobel, meant a squeeze pressure or tension in a mechanics domain. And a direction could explain well of Its regulation and pattern. These two factors could calculate the arrangement of ray, distinction of winding-tension, and contrast of concave-convex. To determinate the vector of 3D mechanics.

Promoting on a higher layer of mechanic-computation. In case of mechanical separations from magnitude of sobel, which into a differential level, could explain well of stable status, fluidity and inner phase. A question about asked by some one else: what and how does the connection between mechanics and pixes? The author considered a pixes-picture in fact was a reflection of energy pixes, the energies could transport to a mechanic. A higher ranged scales of sobel pixes are, a higher entropy and energy-increment could be expressed. A merely show a simple way of pictures was a well edge detection on pictures.

The author YaoguangLuo. 稍后优化语法.

排序

1 德塔的排序作者早期2009年设计《算法导论》 黑皮书, 北邮出版社有其 数据结构 影印教材 的 快速排序4代, 进行了10年优化, refer page https://github. com/yaoguangluo/Data_Processor/blob/master/DP/sortProcessor/Quick_4D_Sort. java

2 优化过程归纳, 逐渐的形成了一个微分催化排序体系. refer page 247, 248, 250, 658, 下册134,

3 左右比对算法优化, 小高峰过滤优化, 缺陷峰归纳, 催化算子优化, 离散逻辑优化. refer page 658, 下册134,

左右比对算法优化, 一般指在不对称的数列中, 为了寻找对称性观测面, 作者设计了一种比较简单的方法, 如将数列逐渐拆分, 取出拆分后的小数列的初值和尾值进行比较, 作为一个参照点, 用于躲避计算高峰. 测试发现具有强大的实用性.

小高峰过滤优化, 一般指为了躲避内存计算高峰而导致的延迟, 卡顿, 死锁, 堆栈溢出等问题 而设计的一类高效率算法集合.

缺陷峰归纳, 一般指计算数列在不断的拆分中的中值基偶问题导致了变量, 算子, 函数的使用频率不对称而出现的一系列蝴蝶效应问题集的归纳.

催化算子优化, 一般指 计算的中间过程中 因 变量, 算子, 函数的使用频率 不对称, 不稳定导致的各种问题, 为了解决这类问题而 进行的不断 的对 变量, 算子, 函数优化与校正过程.

离散逻辑优化, 一般指 对 变量, 算子, 函数优化与校正过程中 通过离散数学, 迪摩根定律, 等客观存在的逻辑定律进行 不断优化与校正过程. 定义人 罗瑶光

Implements of Deta catalytic sort.

The raw material of Deta catalytic sort was Quicksort4D, 2009 from < >, and Its refer page:

http://staff.ustc.edu.cn/~csli/graduate/algorithms/book6/chap08.htm. Theory

https://oi-wiki.org/basic/quick-sort/. Theory

Its optimizations gradually became a catalytic sorting system. Such as left and right marching, inner and small peak filtering, defect peak induction, and discrete logic optimization etc.

Left and right marching, a mainly in an asymmetric and unregular array, in order to find a symmetric observation. The author separated main-array out of inner-array sections and where found a max value between a Left prefix and right post-tail. Then did conditional performs to avoid the high peak of computing. It seems much more important about reliabilities.

Inner and small peak filtering, a mainly collections of high-effect algorithms, which in order to avoid problems such as the CPU lazy, net gate laggy, DMA crash and Memory out of stack.

Defect peak induction, a mainly problem’s induction, in an asymmetric and irregular statement. Meant a butterfly effect of Defect computing problems of middle sets, values, functions and asserts.

Catalytic sets optimization, a mainly a collection of optimizations to resolve this defect computing problem of above middle sets, values, functions and asserts.

Discrete logic optimization, a mainly a collection of algorithms to provide a catalytic optimization about above middle sets, values, functions and asserts. These algorithms included Discrete Mathematics, Demorgan Algebra, Objectives and Nature-Definitions.

The author YaoguangLuo 稍后优化语法

4 目前代表作为TopSort5D 极速催化排序. refer page 下册134

两种比较领先的排序思维对比

罗瑶光手稿

今天我有阅读了一种这几年比较流行的快速排序思想, 基于中轴分离进行左右分配的数列递归排序法. 地址:

github 上的 dongxingrong. 我仔细的研究了下, 发现有几个地方可取, 于是进行评价:

地址: https://github.com/dongxingrong/QuickSort/blob/master/src/QuickSort.java

我思考了很久, 在同频算子减少的方向中, 直接减少 temp 的 swap 变量是一种先进的思想. 但是利弊交错, 我进行了和我的 4 代小高峰过滤快排做了详细对比:

1000 万数列排序 瑶光高峰过滤 xingrong 中轴分配

算子减少 有 有

条件减少 有 有

离散效率 高 中

条件过滤 有 无

高频降解 无, 高频优先 有

计算性能 高 高

代码缩进 有 有

平均高峰先排耗时 1137 毫秒 1186 毫秒

平均分配先排耗时 1072 毫秒 1178 毫秒

注解: 这里的函数效率是指单个函数运行的计算消耗, 包括堆栈消耗, 内存阻塞, 计算耗时等因素. 计算性能指的是数组的最大长度, 单位消耗的时间, 内存大小.

比较可以发现, 因为递归的小高峰的存在, 中轴心分配所需要的位移变换成为了必要执行功能, 增大了开销, 这种开销可以最大限度的达到 balanced 递归逻辑的层数, 但是对于指数方的多维算子条件缺少了过滤层, 所以, 性能耗损大. 这种排序思想是完美的, 为追求完美, 丢失了一些东西, 比较可惜. 但是这种思想需要进行解析, 在很多算法应用领域有宝贵的价值.

关于看了dongxinrong的无condition条件排序对比, 作者当时随便github搜 天下第一排序法, 世界最快排序法 等关键字 搜的, 目的是进行速度pk, 看自己的算法斤两, 今天看了下(20220330)思考一个问题, 排序中的剔除IF 条件, 作者认为, if 用中文理解, 可以定义为某种事件, 确切的说是某种确切的事件, 因为是确切, 所以没有概率, 没有条件, 必然执行, 或者执行了也不会影响本身, 可以理解为容错率, 这种特性, 在一些场景中, 一定有可以用得到的地方. 作者期待中, 希望能够遇到. 后面必然是一个世界.

描述人罗瑶光

下面的 4 张图是堆 1000 万个随机数进行排序的比较耗时测试.

图篇的pk测试对比中出现的贝尔实验室的快速排序是标准的 算法导论中出现 4代排序算法.

对比的作者的算法, 当时已经添加了 小高峰左右比对法, 因为图片是很早版本, 还没有进行离散优化 和 算子过滤优化. 但当时性能对比优势已经明显.

上图为作者2014年和贝尔atnt的霍尔排序比较

下图为作者和Github推荐的快速排序比较

搜索

1 德塔的搜索计算主要做一个编码参照, 没有工程用途. refer page 226

2 编码参照有利于作者在设计图论计算和非线性搜索时候发散思维用途. refer page

3 编码开始于作者2009年 完成 Rohini教授布置的作业. refer page 我 qq 313699483 有完整作业备份日记.

4 对作者研究Hash空间 有发散思维的用途, 如作者数据预测包设计的辅助. refer page

应用

1 TopSort5D 包含深度算子, 包含广度算子, 包含滤波算子. refer page 下册134

关于极快速微分催化排序的deep 变量溯源

作者早年仅仅只是完成印度基督大学 rohini教授布置的《数据结构》课后作业, 作业做的比较仔细, 当时图论的广度和深度计算体现在神经网络的路径探索中. 举例如balanced tree的搜索与遍历. 和 哈夫曼编码模拟实例. 更多的具体应用如 计算器的复杂四字运算括号识别. 这个基础意识也是作者的top sort5D 极速排序体系的 deep 变量的定义最早来源, 这里有必要描述下. 因为极为优秀的快速排序思想 毕竟也有个缺陷便是疯狂的吞噬内存堆栈, 一开始国际比较通用range来消除堆栈吞噬问题, 如《算法导论》的4代已经包含的range函数原型, 作者进行了关联发散思考, 作者严谨的认为如果在工业场景中, range用于确定堆栈的损耗减少界限, 那么这只是对特定一种balanced堆栈分配的界限 条件状态有价值, 如果在一些非对称峰中进行切割和计算, 那么range的表达能力变不强了, deep能更好的确定迭代层次, 有效的对堆栈吞噬问题直接进行一刀切, 于是deep + range的组合界限变问世了. 描述人 罗瑶光

Implements of speed differential catalytic sort about Its trace of 'deep'.

In a colleage ages, the author did a well learned of <>, especially in Its domain of deeps and weights graphs of tree-rotation and manipulations, India. The author considered a technology of balanced tree which could be used for a reference to the domain of Deta catalytic sort. For example, deep value. Before the optimization of quicksort4D, <>, which had already contained a ranged value, to avoid the 'out of memory stacks'. The author considered that ranged value had had only just suitable for a special environment. Such as a balanced recursion. Meant that the ranged value wouldn't enough for the author's defect, unbalanced and messy status of computings. Therefore, a deep value could scale the recursion and its hierarchical stacks, which looked like a 'one-size-fits-all approach' of 'uniform limit'. Seem the deep+ range could do well limitations to scale the sorting problem of 'Stacks Out of Memory'.

The author YaoguangLuo 稍后优化语法

TopSort5D 版权源码

本人调通的算法导论的quicksort4D算法链接如下, 可直接区别, 再次Refer 快速排序之父 霍尔先生:

https://github. com/yaoguangluo/Data_Processor/blob/master/DP/sortProcessor/Quick_4D_Sort. java

2 索贝尔 dir 向量差 区别三维的立体面特征趋势. refer page 219

3 噪音识别. refer page 720

4 小波分离. refer page 不在此章 涉及鸡尾酒调度, 被略去先

鸡尾酒调度算法涉及他人的版权思想, 这里略.

5 极速商旅TSP. refer page 538, 541, 547

6 股票数据抓取 refer page 不在此章, 261, 263, 264, 266可以处理 股票数据线波.

关于股市数据的应用描述

该软件是作者为父亲做个股票分析系统. 作者首先设计一个矩阵分行显示股票数据, 数据来自作者对雪球, 新浪, 财富, 很多网页的抓取, 抓取的网页不是统一的编码格式, 于是进行了gbk, 2312, utf8等格式编码统一(data swap), 这些double数值于是进行多样化的展示, 这里便用到了数据分析算法的 平均值, 统计, 贝叶斯, 等知识点的简单应用. 左下图图片是作者在新浪网裁下来的, 不是作者自己设计算法生成的. 根据进仓资金进行了傅里叶变换来观测庄家进仓频率, 右下图所示. 另外包括十大庄家, 大资金手笔入仓出仓动态. 有力的证明了作者的大数据分析引擎的金融商业领域价值. 作者贡献: 当时发现股市金融入仓的15天比 为 - + -时候 有个特征缺陷, 发现了一个资金当天涨, 当天卖的流入漏洞, 容易被恶意短期操盘. 当时作者群发了此现象. 描述人 罗瑶光

Implements of stock manipulations. The author did a matrix observation by each tupe line of stock data, meant row by row observations. These data onto the '雪球', '新浪' and '财富' etc, and these feedbacks on post encoding and decoding were different with each other. For example, GBK, GB2312 and UTF8 etc. The author needed a DataSwap of unifying. Because of the double values of a deversity-demostributions, so the author did the mean-ratio finds, statistics, bayesian and other simple procedures to fulfill the requirements of fund frequently inflows about trading volumes. Then the author used FFT to make a frequency domain of transformations. According to to trace a ten banker and informations about big deal of traders.

Contributions to the world.

The author found a defect of feature, he made a fifteen- and thirty-days calculations about inflows and outflows, which as ratio units by each stock, then distinct the pre-day ratio, this ratio, and post-day ratio, to find theirs 3 ratios assessment of funds increment and decrement. The author found these ratios did a defect show of the day before a day was commonly, but the day was surges, and the day after tomorrow was slipping. And Its 3 ratios assessment mark, was likes '-+-' (decrement, increment, decrement). Then the author used Wechat of sweet00048 bind of '15116110525' to publicly issue this problem of 2018~2019.

The author YaoguangLuo, 稍后优化语法..

极速象契拼音笔画排序

极速象契拼音笔画排序描述:

首先作者设计该算法前已经有了极速排序为基础. 于是尝试将字符串的按拼音和笔画进行象契综合计算来排序. 中文的拼音和笔画, 可以在康熙字典, 词源和新华字典上进行录入. 作者录入的方式比较简单统一为map, 其中文字key对应拼音和笔画value, 进行相应的索引. 这个过程为索引的map预处理. (作者有百度和豆丁文库的词汇购买记录, 如 新华字典的中文汉字, 康熙字典, 国家语言等级词汇等等. 目前百度帐号OK、, 但豆丁不是15116110525和qq绑定, 而是用作者的微信sweet00048帐号来绑定的, 2022年3月2号前莫名被腾讯永久冻结, 因为此事非常蹊跷, 所以作者至今也不会解绑, 当然以后也不会解绑, 所以国家依旧能查到. )

作者将这些购买的原材料doc和txt文档进行加工处理生成了2个txt格式的拼音词库文件和笔画词库文件. 于是开始计算字符串比对排序. 作者按通用的拼音进行指针对应的每两行两行进行极快速微分催化, 小高峰过滤, 左右比对法综合按快速排序的方式(目前是top sort 5D)进行从a到z进行char对应int大小来计算排列. 当出现拼音完全相同的字的时候, 于是比对这个同音字的笔画的多少进行深化条件补充排序. 如果在这个时候依旧出现既相同拼音, 又相同笔画的字的场景, 作者便根据字符的char的ascii编码, (utf8, gbk, gb2312 都有相应的文字int编码)来区分. 于是把这整个过程中一些恒定的中间变量全局化作为带精度观测入参, 进行自适应. 目前这个算法的函数一直在进行DNA元基催化编码索引的新陈代谢+二次新陈代谢进化排序优化中. 描述人 罗瑶光

Definition: Speed Sorting the Hieroglyphics and Cuneiform characters by using a sequence of phonetics and strokes.

Firstly, the author had already touched on a good foundation of quicksort and data structure by using C in Christ University since 2008. Then tried to sort the mixed string of Hieroglyphics and Cuneiform characters in a way of phonetics and spelling strokes. And those Hieroglyphics, Cuneiform characters, phonetics and spelling strokes, were arranged and built as object keymaps. The author did a comparative way of those string characters with an ASCII contrast, which meant the numeric ASCII of these alphabetic chars. The distincted workflow as below. While the sort engine found two characters were the same in phonetics, then began to check Its conditional strokes. While the sort engine found two characters were the same in phonetics and strokes. Then began to check the numeric ASCII of these two alphabetic chars.