錯誤修正演算法
❶ 數據挖掘十大演算法-
整理里一晚上的數據挖掘演算法，其中主要引自wiki和一些論壇。發布到上作為知識共享，但是發現Latex的公式轉碼到網頁的時候出現了丟失，暫時沒找到解決方法，有空再回來填坑了。
——編者按
一、 C4.5
C4.5演算法是由Ross Quinlan開發的用於產生決策樹的演算法[1]，該演算法是對Ross Quinlan之前開發的ID3演算法的一個擴展。C4.5演算法主要應用於統計分類中，主要是通過分析數據的信息熵建立和修剪決策樹。
1.1 決策樹的建立規則
在樹的每個節點處，C4.5選擇最有效地方式對樣本集進行分裂，分裂規則是分析所有屬性的歸一化的信息增益率，選擇其中增益率最高的屬性作為分裂依據，然後在各個分裂出的子集上進行遞歸操作。
依據屬性A對數據集D進行分類的信息熵可以定義如下：
劃分前後的信息增益可以表示為：
那麼，歸一化的信息增益率可以表示為：
1.2 決策樹的修剪方法
C4.5採用的剪枝方法是悲觀剪枝法(Pessimistic Error Pruning，PEP)，根據樣本集計運算元樹與葉子的經驗錯誤率，在滿足替換標准時，使用葉子節點替換子樹。
不妨用K表示訓練數據集D中分類到某一個葉子節點的樣本數，其中其中錯誤分類的個數為J，由於用估計該節點的樣本錯誤率存在一定的樣本誤差，因此用表示修正後的樣本錯誤率。那麼，對於決策樹的一個子樹S而言，設其葉子數目為L(S)，則子樹S的錯誤分類數為：
設數據集的樣本總數為Num，則標准錯誤可以表示為：
那麼，用表示新葉子的錯誤分類數，則選擇使用新葉子節點替換子樹S的判據可以表示為：
二、KNN
最近鄰域演算法(k-nearest neighbor classification, KNN)[2]是一種用於分類和回歸的非參數統計方法。KNN演算法採用向量空間模型來分類，主要思路是相同類別的案例彼此之間的相似度高，從而可以藉由計算未知樣本與已知類別案例之間的相似度，來實現分類目標。KNN是一種基於局部近似和的實例的學習方法，是目前最簡單的機器學習演算法之一。
在分類問題中，KNN的輸出是一個分類族群，它的對象的分類是由其鄰居的「多數表決」確定的，k個最近鄰居（k為正整數，通常較小）中最常見的分類決定了賦予該對象的類別。若k = 1，則該對象的類別直接由最近的一個節點賦予。在回歸問題中，KNN的輸出是其周圍k個鄰居的平均值。無論是分類還是回歸，衡量鄰居的權重都非常重要，目標是要使較近鄰居的權重比較遠鄰居的權重大，例如，一種常見的加權方案是給每個鄰居權重賦值為1/d，其中d是到鄰居的距離。這也就自然地導致了KNN演算法對於數據的局部結構過於敏感。
三、Naive Bayes
在機器學習的眾多分類模型中，應用最為廣泛的兩種分類模型是決策樹模型(Decision Tree Model)和樸素貝葉斯模型(Naive Bayesian Model，NBC)[3]。樸素貝葉斯模型發源於古典數學理論，有著堅實的數學基礎，以及穩定的分類效率。同時，NBC模型所需估計的參數很少，對缺失數據不太敏感，演算法也比較簡單。
在假設各個屬性相互獨立的條件下，NBC模型的分類公式可以簡單地表示為：
但是實際上問題模型的屬性之間往往是非獨立的，這給NBC模型的分類准確度帶來了一定影響。在屬性個數比較多或者屬性之間相關性較大時，NBC模型的分類效率比不上決策樹模型；而在屬性相關性較小時，NBC模型的性能最為良好。
四、CART
CART演算法(Classification And Regression Tree)[4]是一種二分遞歸的決策樹，把當前樣本劃分為兩個子樣本，使得生成的每個非葉子結點都有兩個分支，因此CART演算法生成的決策樹是結構簡潔的二叉樹。由於CART演算法構成的是一個二叉樹，它在每一步的決策時只能是「是」或者「否」，即使一個feature有多個取值，也是把數據分為兩部分。在CART演算法中主要分為兩個步驟：將樣本遞歸劃分進行建樹過程；用驗證數據進行剪枝。
五、K-means
k-平均演算法(k-means clustering)[5]是源於信號處理中的一種向量量化方法，現在則更多地作為一種聚類分析方法流行於數據挖掘領域。k-means的聚類目標是：把n個點（可以是樣本的一次觀察或一個實例）劃分到k個聚類中，使得每個點都屬於離他最近的均值（此即聚類中心）對應的聚類。
5.1 k-means的初始化方法
通常使用的初始化方法有Forgy和隨機劃分(Random Partition)方法。Forgy方法隨機地從數據集中選擇k個觀測作為初始的均值點；而隨機劃分方法則隨機地為每一觀測指定聚類，然後執行「更新」步驟,即計算隨機分配的各聚類的圖心，作為初始的均值點。Forgy方法易於使得初始均值點散開，隨機劃分方法則把均值點都放到靠近數據集中心的地方；隨機劃分方法一般更適用於k-調和均值和模糊k-均值演算法。對於期望-最大化(EM)演算法和標准k-means演算法，Forgy方法作為初始化方法的表現會更好一些。
5.2 k-means的標准演算法
k-means的標准演算法主要包括分配(Assignment)和更新(Update)，在初始化得出k個均值點後，演算法將會在這兩個步驟中交替執行。
分配(Assignment)：將每個觀測分配到聚類中，使得組內平方和達到最小。
更新(Update)：對於上一步得到的每一個聚類，以聚類中觀測值的圖心，作為新的均值點。
六、Apriori
Apriori演算法[6]是一種最有影響的挖掘布爾關聯規則頻繁項集的演算法，其核心是基於兩階段頻集思想的遞推演算法。該關聯規則在分類上屬於單維、單層、布爾關聯規則。Apriori採用自底向上的處理方法，每次只擴展一個對象加入候選集，並且使用數據集對候選集進行檢驗，當不再產生匹配條件的擴展對象時，演算法終止。
Apriori的缺點在於生成候選集的過程中，演算法總是嘗試掃描整個數據集並盡可能多地添加擴展對象，導致計算效率較低；其本質上採用的是寬度優先的遍歷方式，理論上需要遍歷次才可以確定任意的最大子集S。
七、SVM
支持向量機(Support Vector Machine, SVM)[7]是在分類與回歸分析中分析數據的監督式學習模型與相關的學習演算法。給定一組訓練實例，每個訓練實例被標記為屬於兩個類別中的一個或另一個，SVM訓練演算法創建一個將新的實例分配給兩個類別之一的模型，使其成為非概率二元線性分類器。SVM模型是將實例表示為空間中的點，這樣映射就使得單獨類別的實例被盡可能寬的明顯的間隔分開。然後，將新的實例映射到同一空間，並基於它們落在間隔的哪一側來預測所屬類別。
除了進行線性分類之外，SVM還可以使用所謂的核技巧有效地進行非線性分類，將其輸入隱式映射到高維特徵空間中，即支持向量機在高維或無限維空間中構造超平面或超平面集合，用於分類、回歸或其他任務。直觀來說，分類邊界距離最近的訓練數據點越遠越好，因為這樣可以縮小分類器的泛化誤差。
八、EM
最大期望演算法(Expectation–Maximization Algorithm, EM)[7]是從概率模型中尋找參數最大似然估計的一種演算法。其中概率模型依賴於無法觀測的隱性變數。最大期望演算法經常用在機器學習和計算機視覺的數據聚類（Data Clustering）領域。最大期望演算法經過兩個步驟交替進行計算，第一步是計算期望(E)，利用對隱藏變數的現有估計值，計算其最大似然估計值；第二步是最大化(M)，最大化在E步上求得的最大似然值來計算參數的值。M步上找到的參數估計值被用於下一個E步計算中，這個過程不斷交替進行。
九、PageRank
PageRank演算法設計初衷是根據網站的外部鏈接和內部鏈接的數量和質量對網站的價值進行衡量。PageRank將每個到網頁的鏈接作為對該頁面的一次投票，被鏈接的越多，就意味著被其他網站投票越多。
演算法假設上網者將會不斷點網頁上的鏈接，當遇到了一個沒有任何鏈接出頁面的網頁，這時候上網者會隨機轉到另外的網頁開始瀏覽。設置在任意時刻，用戶到達某頁面後並繼續向後瀏覽的概率，該數值是根據上網者使用瀏覽器書簽的平均頻率估算而得。PageRank值可以表示為：
其中，是被研究的頁面集合，N表示頁面總數，是鏈接入頁面的集合，是從頁面鏈接處的集合。
PageRank演算法的主要缺點是的主要缺點是舊的頁面等級會比新頁面高。因為即使是非常好的新頁面也不會有很多外鏈，除非它是某個站點的子站點。
十、AdaBoost
AdaBoost方法[10]是一種迭代演算法，在每一輪中加入一個新的弱分類器，直到達到某個預定的足夠小的錯誤率。每一個訓練樣本都被賦予一個權重，表明它被某個分類器選入訓練集的概率。如果某個樣本點已經被准確地分類，那麼在構造下一個訓練集中，它被選中的概率就被降低；相反，如果某個樣本點沒有被准確地分類，那麼它的權重就得到提高。通過這樣的方式，AdaBoost方法能「聚焦於」那些較難分的樣本上。在具體實現上，最初令每個樣本的權重都相等，對於第k次迭代操作，我們就根據這些權重來選取樣本點，進而訓練分類器Ck。然後就根據這個分類器，來提高被它分錯的的樣本的權重，並降低被正確分類的樣本權重。然後，權重更新過的樣本集被用於訓練下一個分類器Ck[，並且如此迭代地進行下去。
AdaBoost方法的自適應在於：前一個分類器分錯的樣本會被用來訓練下一個分類器。AdaBoost方法對於雜訊數據和異常數據很敏感。但在一些問題中，AdaBoost方法相對於大多數其它學習演算法而言，不會很容易出現過擬合現象。AdaBoost方法中使用的分類器可能很弱（比如出現很大錯誤率），但只要它的分類效果比隨機好一點（比如兩類問題分類錯誤率略小於0.5），就能夠改善最終得到的模型。而錯誤率高於隨機分類器的弱分類器也是有用的，因為在最終得到的多個分類器的線性組合中，可以給它們賦予負系數，同樣也能提升分類效果。
引用
[1] Quinlan, J. R. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, 1993.
[2] Altman, N. S. An introction to kernel and nearest-neighbor nonparametric regression. The American Statistician. 1992, 46 (3): 175–185. doi:10.1080/00031305.1992.10475879
[3] Webb, G. I.; Boughton, J.; Wang, Z. Not So Naive Bayes: Aggregating One-Dependence Estimators. Machine Learning (Springer). 2005, 58 (1): 5–24. doi:10.1007/s10994-005-4258-6
[4] decisiontrees.net Interactive Tutorial
[5] Hamerly, G. and Elkan, C. Alternatives to the k-means algorithm that find better clusterings (PDF). Proceedings of the eleventh international conference on Information and knowledge management (CIKM). 2002
[6] Rakesh Agrawal and Ramakrishnan Srikant. Fast algorithms for mining association rules in large databases. Proceedings of the 20th International Conference on Very Large Data Bases, VLDB, pages 487-499, Santiago, Chile, September 1994.
[7] Cortes, C.; Vapnik, V. Support-vector networks. Machine Learning. 1995, 20 (3): 273–297. doi:10.1007/BF00994018
[8] Arthur Dempster, Nan Laird, and Donald Rubin. "Maximum likelihood from incomplete data via the EM algorithm". Journal of the Royal Statistical Society, Series B, 39 (1):1–38, 1977
[9] Susan Moskwa. PageRank Distribution Removed From WMT. [October 16, 2009]
[10] Freund, Yoav; Schapire, Robert E. A Decision-Theoretic Generalization of on-Line Learning and an Application to Boosting. 1995. CiteSeerX: 10.1.1.56.9855
❷ 機器人如何組裝
如何製作你自己的獨立自組裝機器人？本製作項目將對應用於我們的科學研究中的機器人的每一個細節作詳細描述，包括 CAD 文件、源代碼、組裝指導等等。你一般可以輕易找齊所有所需要的材料來重現我們的實驗，或者製作出一個有趣的玩具。
❸ 單片機手冊中常出現的ECC是什麼的縮寫啊
ECC的全稱是 Error Checking and Correction or Error correction Coding，是一種用於差錯檢測和修正的演算法。上一節的BBM中我們提到過，NAND快閃記憶體在生產和使用中都會產生壞塊，BBM就是壞塊的管理機制，而要 有效管理壞塊的首要前提就是有可靠的壞塊檢測手段。如果操作時序和電路穩定性不存在問題，NAND快閃記憶體出錯的時候一般不會造成整個Block或Page不 能讀取甚至全部出錯，而是整個Page中只有一個或幾個bit出錯，這時候 ECC就能發揮作用了。不同顆粒有不同的基本ECC要求，不同主控制器支持的ECC能力也不同，理論上來說ECC能力也是夠用就行。
當前SSD內最普遍使用的ECC碼是BCH碼。當數據寫入的時候，控制器內部的ECC模塊計算數據並生成ECC簽名，一般來說這個步驟非常 快，因此並不會影響整個SSD太多的性能表現。ECC的簽名一般來說都保存在NAND頁後部的SA區域，當數據從NAND讀取的時候ECC模塊回去讀取 ECC簽名，並對照相同與否來發現出現的錯誤。
相比發現錯誤，修復接收到的數據錯誤更復雜。第一步是檢測收到的數據是否出錯，這個和上面生成ECC簽名的操作一樣非常快。如果檢測到接收 到的數據包含錯誤比特，就需要去生成獨特的ECC演算法（比如BCH），這部分會造成性能損失，但是只有在檢測到錯誤時候才做。用生成的ECC演算法來修復之 前檢測到的錯誤。
必須強調的是，ECC解碼過程是可能出現失敗的，所以ECC系統架構必須合理的設計才能保證ECC不出錯，而ECC能夠修復的錯誤比特數取決於ECC演算法設計。
如果ECC糾不過來, 一般會報ECC Fail, 用戶表現為Read Fail，有時候ECC甚至診測不到出錯, 就會導致數據錯誤。
NAND的穩定性需要有多方面保障，ECC只能用來保證部分比特出錯時的修復，如果整個頁甚至塊出現大面積錯誤，那麼只有RAID這類的冗餘保護才能修復了。
在企業級產品中對ECC甚至還有更苛刻的要求，那就是數據完整性檢查，SSD內部所有的匯流排, 先進先出數據緩存器部分都要查，可以檢測數據在進入NAND之前的錯誤。
❹ mlc是什麼意思
MLC屬於NAND FLASH存儲器。
要解釋MLC的話，必然要提到SLC。MLC和SLC屬於兩種不同類型的NAND FLASH存儲器，可以用來作為MP3播放器、移動存儲盤等產品的存儲介缺宴質。
SLC全稱是Single-Level Cell，即單層單元快閃記憶體，而MLC全稱則是Multi-Level Cell，即為多層單元快閃記憶體。它們之間的區別，在於SLC每一個單元，只能存儲一位數據，MLC每一個單元可以存儲兩位數據，MLC的數據密度要比SLC 大一倍。猛如
特點
SLC的特點是成本高、容量小、速度快，而MLC的特伏知銀點是容量大成本低，但是速度慢。MLC的每個單元是2bit的，相對SLC來說整整多了一倍。
不過，由於每個MLC存儲單元中存放的資料較多，結構相對復雜，出錯的幾率會增加，必須進行錯誤修正，這個動作導致其性能大幅落後於結構簡單的SLC快閃記憶體。此外，SLC快閃記憶體的優點是復寫次數高達100000次，比MLC快閃記憶體高10倍。
此外，為了保證MLC的壽命，控制晶元都校驗和智能磨損平衡技術演算法，使得每個存儲單元的寫入次數可以平均分攤，達到100萬小時故障間隔時間(MTBF)。
❺ 神經網路中rprop是什麼演算法
對於bp神經網路來說沒有固定的標准可以得到最好的bp網路，設計好後只能手動修改參數然後選擇最好的。下邊是個分類的例子
clc
clear
close all
%---------------------------------------------------
% 產生訓練樣本與測試樣本，每一列為一個樣本
P1 = [rand(3,5),rand(3,5)+1,rand(3,5)+2];
T1 = [repmat([1;0;0],1,5),repmat([0;1;0],1,5),repmat([0;0;1],1,5)];
P2 = [rand(3,5),rand(3,5)+1,rand(3,5)+2];
T2 = [repmat([1;0;0],1,5),repmat([0;1;0],1,5),repmat([0;0;1],1,5)];
%---------------------------------------------------
% 歸一化
[PN1,minp,maxp] = premnmx(P1);
PN2 = tramnmx(P2,minp,maxp);
%---------------------------------------------------
% 設置網路參數
NodeNum = 10; % 隱層節點數
TypeNum = 3; % 輸出維數
TF1 = 'tansig';TF2 = 'purelin'; % 判別函數(預設值)
%TF1 = 'tansig';TF2 = 'logsig';
%TF1 = 'logsig';TF2 = 'purelin';
%TF1 = 'tansig';TF2 = 'tansig';
%TF1 = 'logsig';TF2 = 'logsig';
%TF1 = 'purelin';TF2 = 'purelin';
net = newff(minmax(PN1),[NodeNum TypeNum],{TF1 TF2});
%---------------------------------------------------
% 指定訓練參數
% net.trainFcn = 'traingd'; % 梯度下降演算法
% net.trainFcn = 'traingdm'; % 動量梯度下降演算法
%
% net.trainFcn = 'traingda'; % 變學習率梯度下降演算法
% net.trainFcn = 'traingdx'; % 變學習率動量梯度下降演算法
%
% (大型網路的首選演算法 - 模式識別)
% net.trainFcn = 'trainrp'; % RPROP(彈性bp)演算法,內存需求最小
%
% 共軛梯度演算法
% net.trainFcn = 'traincgf'; % Fletcher-Reeves修正演算法
% net.trainFcn = 'traincgp'; % Polak-Ribiere修正演算法,內存需求比Fletcher-Reeves修正演算法略大
% net.trainFcn = 'traincgb'; % Powell-Beal復位演算法,內存需求比Polak-Ribiere修正演算法略大
% (大型網路的首選演算法 - 函數擬合,模式識別)
% net.trainFcn = 'trainscg'; % Scaled Conjugate Gradient演算法,內存需求與Fletcher-Reeves修正演算法相同,計算量比上面三種演算法都小很多
%
% net.trainFcn = 'trainbfg'; % Quasi-Newton Algorithms - BFGS Algorithm,計算量和內存需求均比共軛梯度演算法大,但收斂比較快
% net.trainFcn = 'trainoss'; % One Step Secant Algorithm,計算量和內存需求均比BFGS演算法小,比共軛梯度演算法略大
%
% (中小型網路的首選演算法 - 函數擬合,模式識別)
net.trainFcn = 'trainlm'; % Levenberg-Marquardt演算法,內存需求最大,收斂速度最快
%
% net.trainFcn = 'trainbr'; % 貝葉斯正則化演算法
%
% 有代表性的五種演算法為:'traingdx','trainrp','trainscg','trainoss', 'trainlm'
%---------------------%
net.trainParam.show = 1; % 訓練顯示間隔
net.trainParam.lr = 0.3; % 學習步長 - traingd,traingdm
net.trainParam.mc = 0.95; % 動量項系數 - traingdm,traingdx
net.trainParam.mem_rec = 10; % 分塊計算Hessian矩陣(僅對Levenberg-Marquardt演算法有效)
net.trainParam.epochs = 1000; % 最大訓練次數
net.trainParam.goal = 1e-8; % 最小均方誤差
net.trainParam.min_grad = 1e-20; % 最小梯度
net.trainParam.time = inf; % 最大訓練時間
%---------------------------------------------------
% 訓練與測試
net = train(net,PN1,T1); % 訓練
%---------------------------------------------------
% 測試
Y1 = sim(net,PN1); % 訓練樣本實際輸出
Y2 = sim(net,PN2); % 測試樣本實際輸出
Y1 = full(compet(Y1)); % 競爭輸出
Y2 = full(compet(Y2));
%---------------------------------------------------
% 結果統計
Result = ~sum(abs(T1-Y1)) % 正確分類顯示為1
Percent1 = sum(Result)/length(Result) % 訓練樣本正確分類率
Result = ~sum(abs(T2-Y2)) % 正確分類顯示為1
Percent2 = sum(Result)/length(Result) % 測試樣本正確分類率
❻ c語言：下列程序哪裡有錯誤，包括語法和演算法，請高手糾正。
語法方面主要是引用數組的格式不對，還有下標有粗心的地方。演算法方面 函數mindex的問題笑臘比較大。我把你的程序修正過了。在vc6下調試ok。現在貼給你。
// test1112_2.cpp : Defines the entry point for the console application.//
#include "stdafx.h"
//#include<stdio.h>
#define N 5 //學生人數
#define M 3 //課程數
/*函數聲明*/
void input(int score[][M]);
void output(float array[],int);
void avgsub(int score[][M],float[]);//按照課程排序
void avgstd(int score[][M],float[]);//按照學生排序
int mindex(float array[],int,int,int);
void swap(float array[],int,int);
void sort(float array[],int,int);
/*主函數*/
int main()
{
int i,j;
int s[N][M];
float sub[M],std[N];
input(s);
printf("輸入的內容為:\n");
printf("%d個學生，每個學生%d門課。分配如下： \n",N,M);
for(i=0;i<N;i++)
{
printf("第%d個學生的課程成績：\n",i+1);
for(j=0;j<M;j++)printf("%d ",s[i][j]);
printf("\n");
}
avgsub(s,sub); avgstd(s,std);
sort(sub,M,1);//按照課程排序 sort(std,N,0);//按照學生排序
printf("按照課程的成績，降序肢升搏:\n");
output(sub,M);//按照課程排序
printf("\n");
printf("按照學生的成績，升序:\n");
output(std,N);//按照學生排序
printf("\n");
return 0;
}
/*接收函數*/
void input(int score[ ][M])
{
int i,j;
for(i=0;i<N;i++)
for(j=0;j<M;j++)
scanf("%d",&score[i][j]);
}
/*顯示歷祥函數*/
void output(float array[ ], int n)
{
int i;
for(i=0;i<n;i++)
printf("%f ",array[i]);
printf("\n",array[i]);
}
/*計算課程平均成績函數*/
void avgsub(int score[ ][M], float subscore[ ])
{
int i,j,sum;
float m;
m=0.0;
for(j=0;j<M;j++)
{
sum=0;
i=0;
for(i=0;i<N;i++)
sum+=score[i][j];
m=(float)sum/N;
subscore[j]=m;
}
}
/*計算學生平均成績函數*/
void avgstd(int score[ ][M], float stdscore[ ])
{
int i,j,sum;
float m;
for(i=0;i<N;i++)
{ sum=0;
for(j=0;j<M;j++)sum+=score[i][j];
m=(float)sum/M;
stdscore[i]=m;
}
}
/*查找函數*/
int mindex(float array[ ], int n, int i, int mode)
{
int t,a;
float m,max,min;
min=max=array[i];
a=i;
if(mode==1)
{
for(t=i;t<n;t++)
if(array[t]>max)
{
max=array[t];
a=t;
}
}
else if(mode==0)
{
for(t=i;t<n;t++)
if(array[t]<min)
{
min=array[t];
a=t;
}
}
return a;
}
/*交換函數*/
void swap(float array[ ], int i, int j)
{
float m;
m=array[i];
array[i]=array[j];
array[j]=m;
}
/*排序函數*/
void sort(float array[ ], int n, int mode)
{
int i,t;
for(i=0;i<n;i++)
{t=mindex(array,n,i,mode);
if (t!=-1)
swap(array,i,t);
else
printf("排序不成功！\n");
}
}
我的qq：55946363 ,。祝你好好學，呵呵
❼ c語言 鄰接表 演算法 高手求助 這幾個錯誤該怎麼修正
typedef VertexNode AdjList[MAX];
改成typedef VertexNode AdjList;
❽ Registered 的詳細介紹 誰有
分類: 電腦/網路 >> 硬體
解析:
]REGISTERED內存介紹
其實有許多朋友詢問當前IA架構伺服器中使用的REGISTERED內存為何物，首先，先從SDRAM（SynchronousDRAM）即同步DRAM講起，SDRAM最大的特色就是可以與CPU的外部工作時鍾同步畝神，這樣一來可提高內存存取的效率。
而 ECC SDRAM即所謂的帶錯誤更正功能的內存。它不但使內存具有數據檢查的能力，而且使內存具備了數據錯誤修正的功能，奇偶校驗為系統存儲器提供了一位的錯誤檢測能力，但是不能處理多位錯誤，並且也沒有辦法糾正錯誤。它用一個單獨的位來為8位數據提供保護。ECC用7位來保護64位，它用一種特殊的演算法在這7位中包含了足夠的詳細的信息，所以能夠恢復被保護數據中的一個單獨位的錯誤，並且能檢測到2，3甚至4位的錯誤。
隨著伺服器在網路中的應用負載不斷的增加，使伺服器對內存容量的需求越來越大，單靠主板信號線的電流無法驅動如此大容量的內存，所以就誕生了REGISTERED ECC SDRAM內存，在REGISTERED ECC SDRAM內存上有2－3片專用的集成電路晶元，稱為RegisterIC，這些集成電路晶元起提高電流驅動能力的作用，使IA架構的伺服器可支持高達32GB的內存。同時，REGISTERED ECC SDRAM內存上還有一個特別的集成電路晶元———pllIC瑣相環集成電路晶元敗耐裂，它起到調整時鍾信號，保證內存條之間的信號同步的作用。總體來說，在尺寸和外觀上看，REGISTERED ECC SDRAM內存比普通內存要高，內存上比普通內察閉存多了RegisterIC和pllIC兩種特殊的集成電路晶元。
REGISTERED ECC SDRAM內存是帶奇偶校驗的同步動態內存的一種，由於它自帶提高電流驅動能力的集成電路晶元，使伺服器所能支持的內存容量大大的增加。目前，主流IA架構伺服器所使用的內存主要是REGISTEREDECCSDRAM內存
❾ ide介面有什麼用啊
1．悄悄 AT ATTACHMENT （ATA）：ATA介面是個人電腦上最具有實力的存儲介面，ATA介面早先被廣泛應用於IBM及其兼容機，它被定義為標準的硬碟介面。 2． ATA-1：ATA硬碟介面的第一代標准ANSI X3.279-1994，也就是早期的IDE介面。 3． ATA-2：ATA硬碟介面的第二代標准ANSI X3.279-1995，就是大家所知道的Fast ATA或者稱之為Enhanced IDE（EIDE）介面。 4． Apple-ATA：Apple上使用的ATA介面，當然也是由標準的ATA介面演化而來的，在ANSI的國際標准提案申請為X3T9.2/90-143.Revision 3.1，這一個由標准ATA介面規格演化而來Apple-ATA支持IDE介面的硬碟LBA驅動模式，但是沒有支持ATATP。 5． ATA-3：ATA硬碟介面的第三代標准ANSI X3T13/2008D Revision 7（draft），同樣包含在Fast ATA或Enhanced IDE的介面之中，一般使用者大多都知道Fast ATA或是Enhanced IDE介面，而對原來Fast ATA或Enhanced IDE介面居然還包括了ATA-2以及ATA-3兩組國際標准。 6． ATAPI：AT Attachment Packet Interface，這是ATA Protocol的延伸，被定義用來支持CD-ROM光碟機以及Tape磁帶機，這一個ATAPI Protocol容許硬碟以外的設備使用ATA數據線。 7． ATA/ATAPI-4：ATA硬碟介面的第四代標准ANSI X3T13/D96153（draft），也就是大家所知道的Ultra ATA或是Ultra DMA，這一個版本支持33MB/sec的數據傳輸率（彎瞎in burst mode），相信各位讀者對ATA-4/Ultra DMA都是比較熟悉的了。 8． ATA/ATAPI-5：這是目前ATA硬碟介面的比較新的一代標准，這一規格里規定的數據流傳輸速率（in burst mode）為66MB/sec，並且加強了內部資料的檢查與錯誤修正的演算法，強化了資料的完整性和可靠性。 9． ATA/ATAPI-6：還有更新的一個標啟鬧渣准，是ATA/ATAPI-5的改進，這一規格里規定的數據流傳輸速率（in burst mode）為100MB/sec。
❿ 關於php實現crc冗餘演算法的驗證和補全問題
首先，要糾正一個概念上的錯誤，CRC演算法是用來驗證完整性的演算法，它並不餘缺能源拍提供錯誤修復的能力。
如果需要在PHP中使用CRC演算法，可以直接使用PHP中的crc32函數。有關此函數的使用，可以參考以下鏈接：
http://cn2.php.net/manual/en/function.crc32.php
http://www.w3school.com.cn/php/func_string_crc32.asp
如果需要在接收端進行錯誤的修復，則需要使用某種前向錯誤修正演算法，比如里德－索羅門演算法等，這些演算法在PHP庫中好像沒有實現。相關的資料可豎裂辯以查看：
http://zh.wikipedia.org/wiki/%E9%87%8C%E5%BE%B7-%E6%89%80%E7%BD%97%E9%97%A8%E7%A0%81
http://zh.wikipedia.org/wiki/%E5%89%8D%E5%90%91%E9%8C%AF%E8%AA%A4%E6%9B%B4%E6%AD%A3