Haron's Blog

Hardware Curriculum Designs硬件技术课程设计要求 教学目标 使学生能够对计算机硬件技术某个方面有深入的研究 具有一定的计算机硬件设计或应用能力 具有计算机底层软硬件技术相结合的编程开发能力 课程设计内容 基于Logisim完成MIPS单周期CPU的硬件设计 掌握基于MARS MIPS指令集的汇编语言设计 使用插入排序算法进行测试联调 一、 设计题目​ 单周期八指令MIPS CPU仿真搭建以及测试 二、 设计目的 使用logisim完成单周期八指令MIPS CPU仿真设计。 复习回顾计算机组成原理的课程内容。 培养计算机硬件设计或应用能力。 学习了解汇编语言及其使用。 使用汇编语言完成单周期八指令MIPS CPU测试。 三、 设计原理1. 定长指令周期​ 本实验采用了定长指令周期，所有指令均在一个时钟周期内完成，即CPI=1。在实际应用中往往不会采用采用这种方案，原因是其效率低下，整体性能取决于最慢的指令，导致时钟周期过长。 ​ 与定长指令周期相对应的是变长指令周期，变 ...

Designs pf Computer Network —— Static Route Configuration《计算机网络课程》课程设计 一个单位从ISP申请到一个公网IP地址：202.196.78.123，单位内部的网络拓扑如图1所示，该单位拟采用专用网地址块172.20.0.0/16为各部门分配IP地址，各部门对IP地址的需求已经标注在图1中。请完成以下任务。 Q1为每一个部门分配地址块，并详细说明这样分配的理由和分配的过程。 采用CIDR无分类编址法对地址进行分配，通过公式$log_2(num)$即可得到地址块的大小，num为主机数量；再通过公式 网络前缀长 = 32 - 地址块长度 得到地址掩码。 部门 主机数 地址块长度 网络前缀 上游路由器 地址掩码 A 100 7 /25 RB 255.255.255.128 B 100 7 /25 RB 255.255.255.128 C 50 6 /26 RC 255.255.255.192 D 200 8 /24 RC 255.255.255 ...

Designs of Database System ——Paper++《数据库基础》课程设计 1 设计目的​ 《数据库基础》课程设计是计算机科学与技术专业集中实践性环节之一，旨在让同学们加深对数据库基础理论和基本知识的理解，掌握设计数据库管理系统的基本方法，锻炼运用知识解决实际问题的动手能力。 2 任务与要求​ 要求学生从给定的设计题目中进行选择，进行需求分析，概念设计、逻辑设计，数据库设计；完成表结构、表之间关联，视图定义、触发器定义、索引以及安全性的实现；用SQL语句在SQLite系统中实现数据库的数据输入、查询、更新和输出；给出实现效果截图及部分测试结果。 3 个人文献管理系统—Paper++3.1 引言​ 随着我在专业学习上不断的深入，以及个人兴趣的发展，我开始关注人工智能领域下的自然语言处理方向，决定将这个方向作为自己今后学习研究的主要方向，并且开始做一些基础的科研工作。在这些科研工作中往往需要阅读大量的学术文献，越来越多的文献使得这种简单的管理方式不足以满足我的要求。除此之外，想成为优秀的科研人员需要我养成定时阅读论文的习惯。目前 ...

Designs of C Programming —— MNIST Handwritten Digit RecognitionMNIST Handwritten Digit Recognition 一． 题目意义和设计思想1、题目意义​ 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。 ​ 随着人工智能技术的发展，行业中里程碑式的成就AlphaGo一下引爆了人工智能这个话题，越来越多的人开始关注并投入到这个行业中。人们开始关注人工智能的发展和未来，许多与人工智能有关的话题在反复的被讨论着。 ​ 我的选题“手写数字识别”正是人工智能中较为基础，入门的应用之一。模型通过训练可以实现对人类 ...

奇异值分解 Singular Value Decomposition 奇异值分解的定义与性质定义与定理$$A = U\Sigma V^T$$A是任意矩阵（$m\times n$），连方阵都不要求 。$U$是正交矩阵orthogonal matrix($m\times m$)，列向量被称为左奇异向量$V$是正交矩阵orthogonal matrix($n\times n$)，列向量被称为右奇异向量$\Sigma$是矩形对角矩阵rectangular diagonal matrix($m\times n$)，所有元素非负，且按照降序排列$\Sigma = diag(\sigma_1, \sigma_2,…,\sigma_p)$$\sigma$为奇异值 奇异值分解定理：任意矩阵A一定存在奇异值分解 紧奇异值分解和截断奇异值分解$A = U\Sigma V^T$被称为A的完全奇异值分解full SVD, 紧奇异值分解compact SVD是与原始矩阵等秩的奇异值分解；截断奇异值分解truuncate SVD是比原始矩阵低秩的奇异值分解 $A = U\Si ...

K-Nearest Neighbor K最近邻 KNN find a k nearest examples(neighbour) and vote for its prediction.In the picture, we want to classify green circle. If $k=3$, green circle belongs to the red triangle class. If $k=5$, green circle belongs to the blue square class.

AdaBoost Algorithm 自适应提升IntroAdaboost is the abbreviation of adaptive boosting.Adaboost combines plenty of weak classification models to form a strong classification.Adaboost usually use one layer decision tree as weak claasification. Adaboost (for binary classification) data $T = {(x_i, y_i)}_{i=1 \sim n}$ weight of data $w_i$ weight of classifiers $z_i$ weighted error rate $e_m$ $$Initialization \ sampling \\ \ \ \ \ \ \ \ D_1 = (w_1^{(1)}, w_2^{(1)}…w_n^{(1)}) \fo ...

EM Algorithm EM算法 EM algorithm is a iterative optimization algorithm. EM is the abbreviation of expectation maximization. EM do not apply for all the optimization problems. Remember! EM always converge but it can be a local optima. EM applies for GMM, K-Means clustering, HMM, etc. Jensen’s Inequalityconvex function $f, f’’ > 0$; concave function $f, f’’<0$$E[f(x)] \geq f(E[x]) \ \ \ \ \ f$ is convex$E[f(x)] \leq f(E[x]) \ \ \ \ \ f$ is concaveIf and only if $x$ is constant equal sign is ...

Probability Classification ModelBasic Problem：$w_1,w_2$，sample $x \in{w_1,w_2}$, $P(w_1|x),P(w_2|x)=?$Classification Problem：If $P(w_1|x)>P(w_2|x)$, then $x\in w_1$If $P(w_1|x)<P(w_2|x)$, then $x\in w_2$ $P(x|w)$ – Conditional probability of x given w$P(w|x)$ – Posterior probability of x given w$P(w)$ – Prior probability of w WARNING: Prior probability can be decisive in certain circumstances. Naive Bayesian 朴素贝叶斯blog Gaussian Discriminative Analysis 高斯判别分析 GDAblog Gaussian Mixture M ...

Gaussian Mixture Model GMM 高斯混合模型 Gaussian mixture model is a combine of multiple Gaussian models. These Gaussian models mixture according to ‘weight’ $\pi$. The picture is a mixture of two models. GMM$$\left{\begin{array}{l}P(X|c) = \sum\limits_{k=1}^K\pi_kN(x^{(n)}|\mu_k, \Sigma_k) \N(x^{(n)}|\mu_k, \Sigma_k) = \frac{1}{(2\pi)^{\frac d2}|\Sigma_k|^{\frac12}}exp[-\frac12(x^{(n)}-\mu_k)^T\Sigma^{-1}(x^{(n)}-\mu_k)] \\sum\limits_{k=1}^K \pi_k= 1\end{array}\right.$$ $\pi ...