液晶显示器技术是现代显示技术领域的重要组成部分，特别是对于电视、手机、电脑和其他便携式设备，高质量的图像显示一直是用户追求的目标。液晶显示器（LCD）使用液晶材料来控制光线通过显示器的各个像素，从而产生图像。为了提高LCD的图像质量，帧率控制（FRC）像素抖动算法被广泛采用，它通过算法上的处理，使得LCD能够显示更丰富色彩和更平滑的灰阶过渡。 FRC算法的核心在于利用人眼对快速变化的图像产生的视觉残留现象，通过对驱动IC的位宽进行控制来实现。传统的FRC算法使用较低的位宽驱动IC，比如6比特，来实现接近于8比特显示效果的色彩表现。但是，这样的方法会导致灰阶数的限制，最大只能输出253级灰阶，无法达到完全的8比特色彩表现。与此相对，Hi-FRC算法能够实现256级完整灰阶显示，但由于算法的不同，它会产生灰阶过渡不均匀以及较为严重的FRC噪声。 论文介绍了一种新的FRC像素抖动算法，其目的是在保持256级完整灰阶显示的同时，提升灰阶过渡的均匀性并降低FRC噪声。新的算法在时间抖动上使用了五帧循环的算法周期，而在空间抖动上则使用了5×5像素矩阵作为算法单元。这种方法在相邻的灰阶之间引入了四个中间级灰阶来取代传统FRC算法中的三个。作者通过数学模型和必要的分析验证算法的合理性，并通过FPGA实验验证了算法的实际显示效果。 像素抖动算法是液晶显示技术中重要的组成部分，它涵盖了时间抖动和空间抖动两个方面。时间抖动利用人眼的视觉惰性，通过在不同时间帧上显示不同的像素状态，使用户感知到中间灰阶的存在，而空间抖动则是通过改变相邻像素的显示状态来达到相似的效果。在实际应用中，为了获得更好的显示效果，时间和空间抖动通常会同时被使用。 文章提到的TFT-LCD（薄膜晶体管液晶显示器）是目前主流的显示技术，在中国得到了快速的发展。它作为LCD面板色彩增强技术的一种，FRC像素抖动算法被广泛应用。FRC算法按照显示灰阶的不同，可以分为多种不同的类型，但在这里主要讨论的是普通8比特位宽的TFT-LCD面板应用。 在设计新的FRC算法时，研究者对传统FRC和Hi-FRC算法的优缺点进行了分析，最终决定引入新的算法周期和算法单元。这种算法的创新之处在于，在原本的灰阶中加入了更多的中间级灰阶，从而使得灰阶过渡更为平滑，色彩显示更加接近自然界的渐变效果。 论文作者王明龙、林敏雄来自于奇景光电(苏州)有限公司、奇景光电股份有限公司以及上海交通大学微电子学院。他们在论文中提到，通过对新算法的设计和FPGA实验，不仅证实了新算法在理论上的可行性，而且在实际应用中也展现出了较好的显示性能。通过数学模型和实验的双重验证，这项研究成功地提出了一种新的FRC像素抖动算法，为液晶显示技术的发展提供了新的思路。 总结而言，基于五帧周期的FRC像素抖动算法的研究，不仅提高了液晶显示中灰阶过渡的均匀性和改善了FRC噪声问题，还为未来的显示技术提供了改进的方向。随着显示技术的不断进步，类似这种基于算法优化的研究成果将会对整个行业产生深远的影响。

在探讨极化敏感均匀线阵的新盲波达方向（Direction of Arrival, DOA）和极化估计算法之前，有必要对涉及的几个关键概念进行阐述。 极化敏感阵列是一种利用阵列中各个天线单元对信号极化的敏感性来处理信号的阵列系统。极化敏感阵列与传统阵列的不同之处在于，它能够基于信号的极化特征进行信号分解和检测。极化敏感阵列天线可以对具有不同极化特征的信号表现出良好的检测能力，广泛应用于通信、无线电、导航等多个领域。 波达方向（DOA）估计是指确定信号波达方向的过程，这对于雷达、声纳、无线定位等领域至关重要。传统的DOA估计算法如ESPRIT、MUSIC等，都有各自的使用场景和局限性。ESPRIT算法特别适用于均匀线阵，并且能够利用均匀线阵的特性进行参数估计。 接下来，三线性分解是一种信号处理方法，其在ESPRIT和联合近似对角化方法的基础上，能够提供一种概括性的参数估计手段。三线性分解方法在处理具有三线性模型特征的信号时，表现出其独特的优势。 在论文中，作者张小飞和是莺提出了针对极化敏感均匀线阵的一种新的盲DOA和极化估计算法。盲算法指的是不需要或仅需要极少的先验信息即可进行估计的算法。该算法的核心在于对接收信号进行分析，并显示出三线性模型的特性。基于三线性分解，作者建立了一种新的联合估计算法，即极化敏感均匀线阵盲DOA和极化联合估计算法。 算法的性能通过仿真得到验证，结果显示该算法在DOA和极化估计方面具有较好的性能，并且支持小样本情况。这表明算法具有高效性和鲁棒性，尤其适合样本数量有限的情况。 文中还提到的Kruskal关于低阶三线数据分解唯一性的理论基础，为该算法的提出提供了数学支持。在数据模型方面，张小飞和是莺考虑了一个由M个正交偶极子对构成的均匀线阵，阵元间距为半波长，沿着Y轴正半轴均匀排列。该均匀线阵的信号接收模型基于球坐标系，考虑到入射波仅位于YOZ平面，从而简化了模型的复杂度。 极化敏感阵列的接收模型能够进行空域采样并检测目标信号。通过极化矢量的表达式，可以进一步分析信号的极化信息。该模型对于理解算法如何从接收到的信号中提取出DOA和极化特征具有重要意义。 在研究的背景和方法部分，论文提到了当前通信和无线领域中极化敏感阵列的重要性，以及多种DOA和极化估计算法的研究现状。新的算法能够结合极化敏感阵列的优势和三线性分解的特点，为极化敏感均匀线阵的参数估计问题提供了一种新的解决途径。 张小飞和是莺的研究为我们提供了一种新的视角和方法来处理极化敏感均匀线阵的信号，并通过三线性分解技术提出了一种有效的盲DOA和极化估计算法。该算法不仅适用于大规模阵列，同样能够处理小样本情况，具有一定的普适性和应用潜力。随着进一步的研究和仿真验证，这种新算法有望在通信、雷达和无线定位等领域得到广泛应用。

针对海量数据背景下K-means聚类结果不稳定和收敛速度较慢的问题，提出了基于MapReduce框架下的K-means改进算法。首先，为了能获得K-means聚类的初始簇数，利用凝聚层次聚类法对数据集进行聚类，并用轮廓系数对聚类结果进行初步评价，将获得数据集的簇数作为K-means算法的初始簇中心进行聚类；其次，为了能适应于海量数据的聚类挖掘，将改进的K-means算法部署在MapReduce框架上进行运算。实验结果表明，在单机性能上，该方法具有较高的准确率和召回率，同时也具有较强的聚类稳定性；在集群性能上，也具有较好的加速比和运行速度。

提出了一种网络流量异常检测新算法。该算法将线性模型与小波变换相结合，解决了阈值监控无法告警和监测的问题。在实际的网络数据SNMP MIB以及Netflow的应用检测中，性能较好。与GLR算法相比，异常点的判断更加及时、准确、可靠。

Hello 算法.pdf

针对城市中停车位狭小、现有自动泊车方法缺乏连贯性的问题, 提出一种自动平行泊车算法。对现有的五阶多项式路径规划方法加以改进, 并有针对性地设计罚函数, 采用遗传算法计算最佳泊车路径和最小泊车空间, 实现自动平行泊车。仿真结果表明, 该算法能快速有效地完成泊车, 车辆损伤小, 对空间的要求最低。

一种基于网格划分的自适应粒子群优化算法.pdf

为了提升粒子群优化算法(particle swarm optimization, PSO)的性能，提出了一种基于网格划分的自适应粒子群优化(grid-based adaptive particle swarm optimization, GAPSO)算法和基于网格划分的多样性计算方法，并设计了初始种群多样性最大化(maximal diversity algorithm for the initial swarm，MDAIS)算法。GAPSO分为两个阶段：根据粒子对多样性的贡献自适应调整粒子的进化方向，使种

⼤数据分析之分类算法 数据分析之决策树ID3算法 什么是分类算法？ 分类算法跟之前的聚类都是让不同对象个体划分到不同的组中的。但是分类不同之处在于类别在运算之前就已经是确定的。 分类是根据训练数据集合，结合某种分类算法，⽐如这篇讲的ID3算法来⽣成最终的分类规则，这样当提供⼀个对象的时候我们可以根据它 们的特征将其划分到某个分组中。 决策树ID3算法是分类中的经典算法，决策树的每⼀层节点依照某⼀确定程度⽐较⾼的属性向下分⼦节点，每个⼦节点在根据其他确定程度 相对较⾼的属性进⾏划分，直到 ⽣成⼀个能完美分类训练样例的决策树或者满⾜某个分类终⽌条件为⽌。 术语定义： ⾃信息量：设信源X发出a的概率p(a),在收到符号a之前，收信者对a的不确定性定义为a的⾃信息量I(a)=-logp(a)。 信息熵：⾃信息量只能反映符号的不确定性，⽽信息熵⽤来度量整个信源整体的不确定性，定义为：H(X)= 求和(p(ai) I(ai)) 条件熵：设信源为X，收信者收到信息Y，⽤条件熵H(X"Y)来描述收信者收到Y后X的不确定性的估计。 平均互信息量：⽤平均互信息量来表⽰信息Y所能提供的关于X的信息量的⼤⼩。 互信息量I(X"Y)=H(X)-H(X"Y) 下边的ID3算法就是⽤到了每⼀个属性对分类的信息增益⼤⼩来决定属性所在的层次，信息增益越⼤，则越 应该先作为分类依据。 ID3算法步骤 a.对当前例⼦集合，计算属性的信息增益； b.选择信息增益最⼤的属性Ai(关于信息增益后⾯会有详细叙述) c.把在Ai处取值相同的例⼦归于同于⼦集，Ai取⼏个值就得⼏个⼦集 d.对依次对每种取值情况下的⼦集,递归调⽤建树算法，即返回a， e.若⼦集只含有单个属性，则分⽀为叶⼦节点，判断其属性值并标上相应的符号，然后返回调⽤处，或者树达到规定的深度，或者⼦集所有 元素都属于⼀个分类都结束。 举例分析 世界杯期间我和同学⼀起去吃了⼏回⼤排档，对那种边凑热闹边看球的氛围感觉很不错，但虽然每个夏天我都会凑⼏回这种热闹，但肯定并 不是所有⼈都喜欢凑这种热闹的，⽽应⽤决策树算法则能有效发现哪些⼈愿意去，哪些⼈偶尔会去，哪些⼈从不愿意去； 变量如表1所⽰，⾃变量为年龄、职业、性别；因变量为结果（吃⼤排档的频率）。 年龄A 职业B 性别C 结果 20-30 学⽣ 男 偶尔 30-40 ⼯⼈ 男 经常 40-50 教师 ⼥ 从不 20-30 ⼯⼈ ⼥ 偶尔 60-70 教师 男 从不 40-50 ⼯⼈ ⼥ 从不 30-40 教师 男 偶尔 20-30 学⽣ ⼥ 从不 20以下 学⽣ 男 偶尔 20以下 ⼯⼈ ⼥ 偶尔 20-30 ⼯⼈ 男 经常 20以下 学⽣ 男 偶尔 20-30 教师 男 偶尔 60-70 教师 ⼥ 从不 30-40 ⼯⼈ ⼥ 偶尔 60-70 ⼯⼈ 男 从不 计算过程： 1、⾸先计算结果选项出现的频率： 表2 结果频率表 从不p1 经常p2 偶尔p3 0.375 0.125 0.5 2、计算因变量的期望信息： E(结果)=-(p1*log2(p1)+p2*log2(p2)+p3*log2(p3) ) =-(0.375*log2(0.375)+0.125*log2(0.125)+0.5*log2(0.5) ) =1.406 注：这⾥Pi对应上⾯的频率 3、计算⾃变量的期望信息(以年龄A为例)： E(A)= count(Aj)/count(A)* (-(p1j*log2(p1j)+p2j*log2(p2j)+p3j*log2(p3j) )) 3.1公式说明： Count(Aj):年龄A第j个选项个数； j是下⾯表3五个选项任⼀ 表3 年龄记录数量表 选项 20-30 20以下 30-40 40-50 60-70 数量 5 3 3 2 3 Count(A):年龄总记录数 p1j =count(A1j)/count(Aj) :年龄A第j个选项在结果中选择了"从不"的个数占年龄A第j个选项个数的⽐例； p2j =count(A2j)/count(Aj) :年龄A第j个选项在结果中选择了"偶尔"的个数占年龄A第j个选项个数的⽐例； p3j =count(A3j)/count(Aj) :年龄A第j个选项在结果中选择了"经常"的个数占年龄A第j个选项个数的⽐例； 3.2公式分析 在决策树中⾃变量是否显著影响因变量的判定标准由⾃变量选项的不同能否导致因变量结果的不同决定，举例来说如果⽼年⼈都从不去⼤排 档，中年⼈都经常去，⽽少年都偶尔去，那么年龄因素肯定是决定是否吃⼤排档的主要因素； 按照假设，即不同年龄段会对结果产⽣确定的影响，以表3年龄在20以下的3个⼈为例，假设他们都在结果中选择了"偶尔"选项，此时: p2j =count(A2j)/count(Aj)=1， p1j =co

如果你认为你是一名真正优秀的程序员……读Knuth的《计算机程序设计艺术》，如果你能读懂整套书的话，请给我发一份你的简历。 ―― Bill Gates 《计算机程序设计艺术》重译自Donald E. Knuth(汉名高德纳)的三卷著作："The Art of Computer Programming: 1. Fundamental Algorithms; 2. Seminumerical Algorithms; 3. Sorting and Searching"；三卷中文名为《基本算法》、《半数值算法》及《排序与查找》。本书内容博大精深，作者因为三卷书获得美国计算机协会1974年图灵奖（该奖被国际公认为计算机科学领域的最高奖项）。