A.doublex(doublek){i=kreturni}
B.x(doublem,doublen){i=mj=n}
C.x(){i=0j=0}
D.x(doublek){i=k}
A.float x;y;
B.float x,y=3.14f;
C.public int i=100,j=2,k;
D.int i=100;int j=200;
已知序列x1(n)=anu(n)(0<a<1),其z变换为X1(z)又知序列x(n)定义在区间0≤n≤N-1并且X(k)=DFT[x(n)]。如果X(k)与X1(z)之间满足关系
试求序列x(n),并且将x(n)表示为an的函数。
A.J浓度为1.0%,K的浓度为0.1%
B.J浓度为0.5%,K的浓度为0.2%
C.J浓度为4.0%,K的浓度为1.0%
D.J浓度为3.5%,K的浓度为2.0%
设B为A=(1,2,3,...,n)的任一排列。
a)试证明,B是A的一个栈混洗,当且仅当对于任意1≤i<j<k≤n,P中都不含如下模式:{...,k,...,i,...,j,...}
b)若对任意1≤i<j<k<n,B中都不含模式{...,j+1,...,i,...,j,...},则B是否必为A的一个栈混洗?若是,试给出证明;否则,试举一反例。
c)若对任意1<i<j<k≤n,B中都不含模式{...,k,...,j-1,...,j,...},则B是否必为A的一个栈混洗?若是,试给出证明;否则,试举一反例。
互联网是一张有向图,每一个网页是图的一个顶点,网页间的每一个超链接是图的一个边,邻接矩阵B=(b)w如果从网页i到网页j有超链接,则by=1,否则为0。
记矩阵B的列和及行和分别是它们分别给出了页面j的链人链接数目和页面i的链出链接数目。假如在上网时浏览页面并选择下一个页面的过程,与过去浏览过哪些页面无关,而仅依赖于当前所在的页面。那么这一-选择过程可以认为是一一个有限状态、离散时间的随机过程,其状态转移规律用Markov链描述。定义矩阵A=(ay)wxn为式中:d是模型参数,通常取d=0.85;A是Markov链的转移概率矩阵;ay表示从页面i转移到页而j的概率。根据Markov链的基本性质,对于正则Markov链存在平稳分布x=式中:x为在极限状态(转移次数趋于无限)下各网页被访问的概率分布,Google将它定义为各网页的PageRank值。假设x已经得到,则它按分量满足方程网页i的PageRank值是划,它链出的页面有τ个,于是页面i将它的PageRank值分成r份,分别“投票"给它链出的网页。x为网页k的PageRank值,即网络上所有页面“投票给网页k的最终值。根据Markov链的基本性质还可以得到,平稳分布(即PageRank值)是转移概率矩阵A的转置矩阵AT的最大特征值(=1)所对应的归一化特征向量。
已知一个N=6的网络如图4.8所示,求它的PageRank取值。