逻辑回归matlab代码预测PRNG
使用机器学习技术预测伪随机数生成器
要运行一个学习者的单个实例，请使用exampleKNN.m脚本（例如，运行KNN）。
要重新运行实验，请运行deployConfig.m。
我们总共实施了五名学习者：
随机抽样-按比例随机抽取训练集中标签的比例
随机森林-传统的随机森林算法，以固定深度生长自举树-预测由树预测的标签的模式
KNN（k最近邻）-从训练集中预测k最近邻标签的模式
朴素贝叶斯-假设给定标签的每个特征在条件上均独立于所有其他特征-通过在训练集中计数来学习概率，并根据未归一化的贝叶斯规则预测具有最高概率的标签
Logistic回归-传统的logistic回归分类器使用Barzilai
Borwein方程对更新进行了梯度下降训练-预测每个输出最可能的标签
我们还实现或硬编码了几个伪随机数生成器（PRNG）。
除非另有说明，否则每一项我们都支持k
=
2、3和5个标签的值。
Mercenne
Twister-我们在Matlab内置的Mercenne
Twister算法的默认实现中包装了一个函数。
线性同余生成器-我们已使用Borland
C
/
2024-02-16 11:00:22
359KB
1
生成10000000个随机数，并排序，把数字分别放入.txt文件中。代码有详细注释，谢谢。请仔细看，有问题讨论。谢谢
2023-06-05 20:30:49
2.27MB
1
这是对溶液 ID 1-47NH41 的补充。 它显示了在 Simulink 中控制随机数的其他方法。
2023-03-25 12:02:41
13KB
1
确定性随机数生成器基准
用法
确保已安装Java 6/7和ant，然后运行：
ant init
ant drng-bechmark
项目现场
抽象的
确定性随机数生成器（DRNG）对于各种各样的应用很重要。 但是，某些DRNG的加密安全性不如其他DRNG。 通常，RNG提供的密码学越多，它的速度就越慢。 本文探讨了生成随机数的各种方法，并分析了应用程序的性能要求，以查看在实践中是否可以丢弃不安全的DRNG。
测试将在微型Amazon Web Services实例上进行，以提供可重复的结果。
测试的算法列表
安全的
/ dev /随机
java.security.SecureRandom
MD2
MD5
SHA1
SHA256
SHA384
SHA512
不安全
java.util.Random
梅森·扭曲者
512a井
井1024a
19937a井
井44497
2023-03-09 14:39:40
12KB
1
如果觉得c++自带的rand()生成的随机数不理想，想使用高质量的快速随机数产生器boost::mt19337，但又没有安装boost库，然后又不想用c++ 11，那怎么办？用下面这个吧。
2022-12-27 18:34:05
12KB
1
本文实例为大家分享了js实现随机数生成器的具体代码，供大家参考，具体内容如下
1.实验前准备：
Math函数的理解
数组方法的理解
2.实验操作:
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>随机数生成</title>
</head>
<style type="text/css">
body{font-size: 20px;}
#box{border:3px solid #666;width:500px;height:300px;margin:20px auto;padding:20px;
2022-11-21 15:51:40
52KB
1
使用公式 ri = (177786 ri-1 + 64654 ri-6) mod (2^31-1) 在 0 和 1 之间生成 n 个随机数的函数
2022-11-19 22:08:43
886B
1