在快速排序算法基础上，进一步完成线性时间选择算法，并且用不同数据量进行实验对比分析，要求分析算法的时间复杂性并且形成分析报告

关于使用线性模型，逻辑回归和增长曲线分析来分析眼动数据的R Workshop 这个由4部分组成的系列最终以使用增长曲线分析为眼动数据建模。 R简介 什么是数据帧和向量？ R函数如何工作？ R中的统计检验如何工作？ 如何导入和导出数据？ 通用线性模型 如何在R中拟合线性模型？ 什么时候应该使用aov（）和什么时候应该使用lm（）？ 如何解释参数估计值（无需SPSS ...）？ 广义线性模型 如何使用广义线性模型（例如，逻辑回归）进行基于时间的眼动追踪分析？ 如何在同一端使用经验logit回归？ 和反正弦根转换吗？ 混合效果模型的随机效果（截距和斜率）如何在lmer（）中工作？ 增长曲线分析 我如何看待随时间变化的非线性变化？ 自然多项式和正交多项式有什么区别？ 如何解释增长曲线模型与经验对数模型的估计？ 如何可视化我的原始数据和模型拟合？ 致谢 Dan Mirman适用于GCA技术 Dal

关于线性时间选择算法的代码，使用的是C++语言。

本科算法实验-线性时间选择【数据+代码+说明+流程图+测试用例】

分段线性时间规整 此存储库包含用于时间扭曲多维时间序列的研究代码。 它是作为以下手稿的一部分开发的，该手稿着重于对大型神经记录的分析（尽管此代码也可以应用于许多其他数据类型）： 。 威廉姆斯AH，普尔B，马埃斯瓦拉纳森N，达瓦勒AK，费舍尔T，威尔逊CD，布兰恩神经元。 105（2）：246-259.e8 该代码适合具有线性或分段线性变形函数的时间变形模型。 这些模型比经典的算法更受约束，因此不太容易过度拟合具有高噪声水平的数据。 这在下面的综合数据中得到了证明。 简而言之，一维时间序列是在多次重复（试验）中测量的，呈现出相似的时间分布，但每次试验均具有随机抖动。 仅对试验进行平均，就无法很好地描述典型的时间序列（底部为红色轨迹）。 线性时间扭曲模型可以识别出更好的原型轨迹（标记为“模板”），同时考虑到每个具有扭曲函数（底部为蓝色到红色线性函数）的时间转换。 右侧显示了基于DTW的非线

【问题描述】每次都是优化选出一个元素（分组后的中位数）为划分基准，在线性时间内寻找第i小元素。提示：分组时的组的个数为n/5的向下取整；分组后的中位数取第（num_group/2向上取整）小的元素。 【输入形式】在屏幕上输入若干整数，各数间都以一个空格分隔。再输入要寻找的元素是数组从小到大顺序中第几个位置。 【输出形式】第一次划分基准元素，和数组从小到大顺序中要寻找的那个位置的元素。 【样例1输入】 2 9 8 0 7 10 1 12 3 14 5 13 6 11 4 3 【样例1输出】 7 2 【样例1说明】 输入：15个整数，以空格分隔。要寻找第3小元素。 输出：7表示第一划分基准元素为7，2表示第3小元素为2。

线性时间选择 给定线性序集中n个元素和一个整数k，1≤k≤n，要求找出这n个元素中第k小的元素 template Type RandomizedSelect(Type a[],int p,int r,int k) { if (p==r) return a[p]; int i=RandomizedPartition(a,p,r), j=i-p+1; if (k<=j) return RandomizedSelect(a,p,i,k); else return RandomizedSelect(a,i+1,r,k-j); } 在最坏情况下，算法randomizedSelect需要O(n2)计算时间但可以证明，算法randomizedSelect可以在O(n)平均时间内找出n个输入元素中的第k小元素。

可用的最坏情况下的线性时间选择算法的C++代码

2011 哈工 博 基于回声状态网络的非线性时间序列预测方法研究

kosaraju 算法 Kosaraju 算法是一种线性时间算法，用于查找有向图的强连通分量 算法 Kosaraju 算法的工作原理如下： 设 G 为有向图，S 为空栈。 虽然 S 不包含所有顶点： 选择不在 S 中的任意顶点 ''v''。从 ''v'' 开始执行深度优先搜索。 每次深度优先搜索完成扩展顶点 ''u'' 时，将 ''u'' 推到 S 上。 反转所有圆弧的方向以获得转置图。 当 S 非空时： 从 S 弹出顶部顶点 ''v''。从转置图中的 ''v'' 开始执行深度优先搜索。 访问顶点集将给出包含“v”的强连通分量； 记录并从图 G 和堆栈 S 中删除所有这些顶点。等效地，可以使用广度优先搜索 (BFS) 代替深度优先搜索。 表现 需要注意的是，如果图的输入尺寸很大，递归的方式会导致 StackOverflowException。 因此，这里使用迭代版本。