LLC谐振推导过程以及基本原理，很经典的资料

该代码使用 R/S 分析来导出用于 VaR 调整的 Hurst 指数。

为实现基于公交IC卡数据的大规模OD（origination-destination）矩阵推导，提出了一种不关联公交调度信息和GPS数据的OD矩阵推导算法。提出了站点序号标注算法，通过时间聚类思想设计了自适应调整的时间间隔阈值以判断公交车的行驶状态，将公交站点序列与刷卡记录进行匹配；在此基础上，提出了单个公交车的行驶方向标注算法，通过从已知行驶方向的公交车推导未知方向公交车的方向标注算法。为了最大化解决公交数据的上车站点信息补全问题，将全局公交车行驶方向标注问题映射为图论中的节点遍历问题，利用贪心生长算法和广度优先策略实现了局部最优。最后该算法处理某市的公交IC卡数据，得到了公交出行链假设下的城市居民大规模OD矩阵。结果显示算法可有效推导大规模OD矩阵。

1. 参数 2. 第个问题是单个斯分布是单峰的，对有多个峰的数据分布不能得到好的结果 2. 同样的， 3. 对于两个条件概率，我们引三个量： 4. 同样： 1.

L1正则化技术F(w;x,y)=J(w;x,y)+α∣∣w∣∣1=J(w;x,y)+α∑i=1n∣wi∣假设w∗是损失函数J(w;x,y)最优解，J(w;x,y)在w∗处泰勒展J(w;x,y)=J(w∗;x,y)+J′(w∗;x,y)(w−w∗)+12!J′′(w∗;x,y)(w−w∗)2  ∵w∗是J(w;x,y)最优解，则J′(w∗;x,y)=0，则可以去除J(w∗;x,y)+12!J′′(w∗;x,y)(w−w∗)2J′′是二阶导数，当是高维的时候就变成了H矩阵了。J(w∗;x,y)+12!H(w−w∗)2∴F(w;x,y)=J(w;x,y)+α∣∣w∣∣1=J(w∗;x,y)+12!H

光束平差的目的是优化 光束平差的意义：在机器视觉中，三维重建是个研究的热点。通常情况下，采用某些算法计算出的三维点和真实的三维点存在差异，光束平差的目的就是减小这个误差，所以，其意义也是显而易见的。

基于车辆运动学模型得LQR总结与分析推导，先分析运动学模型的离散误差状态空间方程，根据此做横向LQR控制分析及其推导，其次总结CSDN中LQR算法的理解及其推导，介绍了全状态反馈控制系统，对LQR进行了具体分析及其公式推导。 其中部分为：黎卡提方程的求解 针对黎卡提方程，可以采用循环迭代的思想求解P： 1）令等式右边的P_old=Q； 2）计算等式右边的值为P_new 3）比较P_old和P_new，若两者的差值小于预设值，则认为等式两边相等；否则再令P_old=P_new，继续循环。

傅立叶变换详细推导的介绍，很不错，值得一看

给出了RP方程、Keller-Kolodner方程和KB模型（KB冲击波传播理论）的推导过程

GSDMM推导贺成 2017.6.23论文核心思想：提出GSDMM用于short text clusteringMGP（用于帮助理解短文本聚类和GSDMM）：学