摘要： 建立连接池的教程 （一步一步按照里面的方法做就可以了）：【--教程连接--】只需要将kuangbaoxu写的配置文件和java类放入工程中，然后在为工程添加commons-dbcp.jar、commons-pool.jar包即可。可以会遇到的问题有几个：1、driver.getConnectionPool语句报错错误说明是“The method getConnection Url(String) is undefined for the type PoolingDriver”，这是因为dbcp的jar包的版本问题，换一个高一点版本的jar包就可以了。比如commons-dbcp-1.4.jar 阅读全文

摘要： 在【前一个例子】中已经举例说明了如何用贝叶斯公式计算后验概率，然后依据后验概率来做决策。1、什么是行为？但是，有时候，后验概率本身只能说明具有特征x的样本属于ωi类的可能性有多少，却没能表示如果将样本分到ωi类时的代价有多大。在此，引入行为的概念。分类器的设计初衷很简单，就是进行“分类”这一动作。假设现在来了一个具有特征x的样本，如果将“把样本分入ωi类”这一行为记为动作ai的话，我们将有不少于类别种类（假设有c类）的行为（因为除了将样本分入不同类别外，还可能拒绝作出判断，因此动作集的大小一般大于类别种类）。2、什么是风险？为方便说明，令{ω1,...,ωc}表示有限个类别集，{a1,..., 阅读全文

摘要： 【此文介绍了贝叶斯公式】现在举一个例子说明怎么使用贝叶斯公式来做决策。例子：假设有100个人，每个人都有自己的生日。1年有12个月，假设这100个人的生日从1月到12月的人数的分布情况如下：3 4 5 7 10 13 14 15 12 8 5 4那么1月到12月生人所占的比率分别为：0.0300 0.0400 0.0500 0.0700 0.1000 0.1300 0.1400 0.1500 0.1200 0.0800 0.0500 0.0400把数据放入matlab中：用matlab绘制看着更直观：这个rate1数组就是概率密度函数了,它满足两个条件：大于0且积分为1(因为sum(rate1 阅读全文

摘要： 昨天已经可以在页面中列出临近的景点及其相隔距离。今天把这些景点及其距离在百度地图中标注出来。1、百度Maker和Label覆盖物“Marker：标注表示地图上的点，可自定义标注的图标。 Label：表示地图上的文本标注，您可以自定义标注的文本内容。"根据百度API文档中的描述，选择Maker作为当前位置的标注，Label作为周围景点的标注（因为可以定义文本的内容，因此可以讲距离写到label上）Marker的用法：var map = new BMap.Map("position");var point = new BMap.Point(${currentLocat 阅读全文

摘要： 假设已知先验概率P(ωj)，也知道类条件概率密度p(x|ωj)，且j=1,2.那么，处于类别ωj，并具有特征值x的模式的联合概率密度可写成两种形式：p(ωj,x) = P(ωj|x)p(x) = p(x|ωj)P(ωj)整理后得出贝叶斯公式（只有两种类型的情况下）下面分别介绍一下后验概率、似然函数、先验概率以及证据因子。1、后验概率后验概率P(ωj|x)，即假设特征值x已知的条件下类别属于ωj的概率。2、似然函数p(x|ωj)为ωj关于x的似然函数，也成为类条件概率密度函数，表明类别状态为ω时的x的概率密度函数*。3、先验概率先验概率P(ωj)是由先验知识而获得的。4、证据因子证据因子的存在知 阅读全文

摘要： 昨天已经生成了距离矩阵。今天的任务是把它们放到展现层，让游客用户可以使用。1、编写一个查询方法，查询某个距离范围内的景点的数量select count(*) from distance where( sight1='3_d_20' or sight2='3_d_20')and distance < 50;将该方法写入DAO层。2、编写一个查询方法，查询某个距离范围内的景点列表select * from distance where( sight1='3_d_20' or sight2='3_d_20')and distanc 阅读全文

摘要： 在原来的工程中，是没有景点间的距离这个概念的。为了将这一元素添加到工程中，需要以下改动：1、增加一个数据库表，用来存储景点之间的距离信息。可以看到有三个字段，分别为景点1的ID号、景点2的ID号以及两者之间的距离。2、需要在工程中定义“距离”这一数据结构3、需要增加DAO层，以支持对distance表的读写访问。DAO层主要的方法有：新增、删除、检索。新增：在景区管理员增加新景点时，计算新景点与已存在的各个景点之间的距离，然后写入distance表中。删除：景区管理员删除一个景点时，需要删除该景点跟其他所有景点之间的距离记录。delete from distance where sight1= 阅读全文

摘要： 上一篇已经介绍了二项分布和泊松分布。这一篇中将介绍均匀分布、指数分布以及正态分布。3、均匀分布（uniform） 若随机变量X的密度函数为则称随机变量X服从区间[a,b]上的均匀分布。记作X~U(a,b).图像如下图所示：均匀分布的分布函数为图像如下图所示：均匀分布的数学期望E(X)=1/(2*(b+a))，方差为D(X)=1/(12*(b-a)2)。4、指数分布 如果随机变量X的密度函数为其中λ>0为常数，则称随机变量X服从参数为λ的指数分布。密度函数的图象如下图所示：指数分布的分布函数为：数学期望E(X)=1/λ，方差为D(X)=1/λ2。指数分布的分布函数图象如下图所示：可以看到λ 阅读全文

摘要： 在百度地图API中，BMap类有一个可以测距的函数：Number getDistance(start:Point, end:Point) 返回两点之间的距离，单位是米。假设现在要测量的是“大唐芙蓉园御苑门”到“大唐天威”之间的距离。那么首先要获得这两个地址的经纬度信息。“大唐芙蓉园御苑门”的经纬度为：108.977073,34.217936“大唐天威”的经纬度为：108.980271,34.218231之后在js代码中写入这两个地点。<script type="text/javascript">var map = new BMap.Map("posit 阅读全文

摘要： http://wenku.baidu.com/view/440955360b4c2e3f57276312.html几种重要的概率分布有：二项分布、泊松分布、均匀分布、指数分布和正太分布。---------------------------------------------------------------------一、贝努里概型和二项分布1、贝努里概型 在相同条件下进行的n此重复试验，如果每次试验只有两个相对立的基本事件，而且它们在各次试验中发生的概率不变，那么称这样的试验为n重贝努里试验或贝努里概型。如： 掷n次硬币（正面or反面） 投n次篮球（中or不中） 检查n个产品（合格or不 阅读全文