bl算法

❶ cg,bl这种都是什么意思

计算机图形学(Computer Graphics，简称CG)是一种使用数学算法将二维或三维图形转化为计算机显示器的栅格形式的科学。

BL就是BOY'Z LOVE的缩写,也有耽美的意思

❷ 金融模型——熵池模型

在之前的文章中，整理了一系列资产配置模型，有马科维茨均值方差模型、风险平价模型、风险预算模型和BL模型，本文对另一资产配置模型进行详细介绍，算是对之前文章的一个补充。此模型为熵池模型，是应用熵池理论进行资产配置。其是BL模型的泛化，懂得BL模型的推导，可以很容易理解熵池模型。

BL模型是使用贝叶斯收缩的思想，其过程是：将市场均衡收益的概率分布当成先验分布，将投资观点分布当成条件分布，使用贝叶斯公式，获得后验分布，反解配置权重。
在这个过程中会有两个问题，其一观点必须是线性的收益观点，且BL模型不能考虑观点的相关性，其二先验分布只能是市场均衡点收益的的先验分布，市场均衡点一般情况不存在，且模型拘泥于收益分布，不能使用风险或者其他指标分布。

基于以上存在的问题，提出了BL模型的泛化模型---熵池模型。
熵池模型是使用熵池理论进行资产配置，其过程是：先找一个已知先验分布的参考模型，在再满足观点规则的空间里面找一个与先验分布相对熵最小的分布生成后验分布。最后通过先验分布和后验分布的池化得出资产的价格分布，根据资产的价格分布，再结合相应的约束和优化问题，反解出配置权重。

下面从香农熵开始，一点一点进行详细介绍。

在通信领域，对于一个信息所含得信息量，进行数学量化是见很难得事情，香农引入了香农熵得概念，彻底解决了这一问题，香农引入的这一概念，不光可以解决信息中含有信息量得量化问题，还可以计算在数据和信息压缩时的临界值，而且在数学和机器学习领域，这一概念还可以衡量随机变量，随机变量越不确定，起熵值越大。

也是因为上面所说的最后一个用途，导致这一概念在数学和机器学习领域大放光彩。

香农在推导香农熵表达式时，先描述了如下性质，认为所要得到的量，必须满足以下性质：

单调性，即发生概率越高的事件，其所携带的信息熵越低。极端案例就是“太阳从东方升起”，因为为确定事件，所以不携带任何信息量。从信息论的角度，认为这句话没有消除任何不确定性。
非负性，即信息熵不能为负。这个很好理解，因为负的信息，即你得知了某个信息后，却增加了不确定性是不合逻辑的。
累加性，即多独立随机事件同时发生存在的总不确定性的量度是可以表示为各事件不确定性的量度的和。

香农证明了，满足以上三个性质的公式是唯一的，表达式如下：

其中C为常数。X为随机变量或者随机事件， 为事件x发生的概率。

当C=1时，H（X）被称为香农熵，单位为bit。

由上面香农熵的概念可得到条件熵𝐻(X|Y)的概念，其定义为在给定条件 𝑌 下，X 的条件概率分布的熵对 Y 的数学期望：

其表示随机变量或者信息Y在已知的条件下，随机变量或者信息X的不确定性。

两个随机变量或者信息之间的相互依赖，可以使用互信息来度量。其定义如下：

其中H(X,Y)为联合熵。

互信息的用处非常大，如果我们最大化两个随机事件的互信息，就是最大化两个随机事件的相关性。当两个X=Y时，有：

所以在机器学习中，理想情况下，当数据集中数据拟合出的分布和真实分布的互信息最大，可以认为从数据集中拟合出来的随机变量的概率分布与真实分布相同。

香农熵、互信息、条件熵的关系如下图所示：

上面给出的互信息已经可以衡量两个随机变量的分布的差异，但是在机器学习中，更多的使用KL散度（相对熵）来衡量样本分布和真实分布之间的距离，从而不停优化样本分本。

KL散度定义如下：

其中p(x)时真实分布，q(x)时样本分布，可以通过不停的训练，使得 越来越小，从而使样本分布更接近真实分布。

对上面KL散度进一步化简，可得：

因为H(p(x))仅仅与真实分布有关，所以在机器学习模型的优化时，这个是一个定值。只能优化后面一个部分。

其后面这部分就被称为交叉熵：

最大熵原理是 1957 年由美国统计学家、物理学家E.T.Jaynes 提出的，观点将带来新的信息量，因而后验分布的熵一定小于先验分布，而
满足观点约束的后验分布有无穷多个，“最大熵原理”是指在这些分布中选择熵最大，最具有不确定性的那一个，尽量不加入多余假设和结构。

根据最大熵原理，我们如果对一个先验分布增加信息，得到的后验分布应该时这些后验分布中熵最大的一个，也就是我们加入的信息产生的后验分布应该和原来的先验分布有最小的相对熵。这就是为什么要进行最小化相对熵。

因为熵池模型时BL模型的泛化和推广，所以，我们先回顾以下BL模型的推导。

BL模型里面,先假设市场均衡收益服从如下分布:

构造观点收益分布为：

根据BL模型的推导,使用贝叶斯收缩,得到,最后的收益分布为:

上面正态分布均值为：

上面正态分布方差为：

由 可以反解出配置权重.相信推导过程可参考<<金融模型——资产配置模型>>

我们仿照上面BL模型的过程，推导熵池模型．

这里是分成五步：

所谓的参考模型就是风险因子X的先验联合分布，可以用概率密度函数来表示：

其中 是一种分布的概率密度函数。

可以看到，原始的BL模型中，第一步是确定均衡收益的正态分布，熵池模型不需要限定在均衡收益上，可以是任意的风险因子X，而且这个X不需要服从正态分布，可以是任何分布。

这里一定要注意，我们由风险因子X一定可以通过一种方式求出资产配置的权重W。因为我们最后要求的就是W。理解这个地方也是理解整个模型最困难的地方，熵池模型用到的先验分布和后验分布不是资产配置的权重分布，我们如果要求得所需要的资产配置权重，要根据熵池模型用到的先验分布或者后验分布再另外引入优化算法，求解其最优配置权重。

一般由风险因子X分布确定权重的方法是构造以 为自变量的满意度函数，也就是效用函数S。使的效用函数最大化，反解W。

即：

其中C为资产配置权重解空间。这就是上面所说的另外引入的求解资产配置权重的优化算法。

由上面的参考模型，我们已经可以反解配置权重了，但是观点信息没有考虑进去，这里采用的是熵池理论，最小化相对熵算法，将观点信息加入到分布中。

最小化相对熵算法是贝叶斯收缩的泛化形式，为了更好泛化，这里的风险因子可以看成是原始风险因子X的一个函数g(X)，则g(x)也是一个随机变量，其也服从已知的参考模型的分布 。

即：

我们在V上添加观点信息。让其满足观点，那么我们的分布 就会被更新成 ，记：

我们如果把第一步中满意度函数S中的 替换成 ，那么我们使用最优化算法，也可以反解出配置权重W.

但是，我们不能直接替换 ,因为， 我们不知道，或者说，满足条件的 太多了。

那我们如何挑选一个最合适的 呢，我们挑选的 要满足两点，一是X必须满足观点信息，二是X仅仅
满足观点信息，不能夹杂任何其他多余的信息。

如何选取满足条件的 ， 刚刚好就是最大熵原理，我们只需要最小化 与 的相对熵，就可以找到最有的 。

即：

其中 为分布 与分布 的相对熵。

这里可以证明BL模型所用的贝叶斯收缩是最小化相对熵算法的一种特例。

这样，我们就把观点信息引入到配置模型中，而且从推到的过程我们看到，此观点没有做任何的限制，可以是风险的观点，可以是收益的观点，可以是非线性的观点，比起BL模型的现象观点已经做了很大的泛化。具体观点的引入形式，在第五小结--各类型观点融入讲解。

而且，因为使用了最大熵原理，添加的观点信息如果是有效的，那么模型得到的分布的熵一定是递减的，添加的观点信息如果是无效的，得到的分布的熵一定是不变的。这一点比BL模型好多了，BL模型即使无效的信息，后验分布的熵也会变小。

熵池模型比起BL模型多一步，就是池化的一步，所谓池化，就是根据对观点信息的信心程度，对参考模型和加了观点的优化模型做一个加权处理。

即：

若存在着多个不同信心的观点，也可通过对100%信心的后验分布进行信心加权的方式进行融合，比如假设有S名专家分别对各自的𝒈(𝑿)输入了他们的观点，那么我们可以得到S个 100%信心后验分布 。最终后验分布即为：

至此，熵池模型的推导结束。整个熵池模型的示意图如下：

截止第4步，熵池模型的推导是结束了，但是我们只得到了风险因子在观点下的后验分布，并没有得到我们想要的资产配置权重。我们可以根据风险因子在观点下的后验分布，可以得到资产价格的分布，另外引入优化模型（一般是构造效用函数），确定其资产配置权重。

上面的推导中可以看出，熵池模型比BL模型灵活的一点是，观点的类型很多，这一节，我们分别看看个类型的观点如何融入到模型中。

对于融入的观点类型包括：均值、中位数、分位数、Var值、波动率、协方差、相关系数、尾部相关性、CVaR、边缘分布、联合分布、Copula等。

对于融入的观点形式包括：等式、不等式、排序等。

均值观点可以表达为：

这里的k代表第k个证券。 是观点里面对第k个证券给定的值， 是风险因子X的的函数 .

其展开形式为：

其中J为历史界面样本个数， 为资产k,历史上在第j期因子v的权重, 同上。

对于n-分为数的观点:

其中 为分布的n-分为数。

定义排序函数s(i)为风险因子中低i小的持续统计量。即 的T期值从小到大排序，低i个值对应的下标。

定义序号合集：

则n-分为数的观点可表达为：

对于资产排序的观点：

其中E为取期望，这里不一定是期望，可以是任意的函数，K是资产数量。

可以进行如下表达：

其他的观点形式不一一推到，可以证明，所有的观点都可以表述成一下模式：

其中 就是我们想要得到的后验分布。a,b为观点给的信息。

上面所有的内容都是关于一些熵池模型的理论知识，下面给出熵池模型在实际应用时如何求解，并且给出一个实际的例子。

在求解BL模型时，可以通过数学推导，解出模型的解析解，但是在熵池模型里面，我们很难得到解析解，但是比较好的是，熵池模型的数值解非常简洁。

下面我们就给出熵池模型的数值解。注意再强调一次，这里的解还是得到的后验概率，不是资产配置的权重，资产配置的权重需要用后验概率另外建模求解。

首先我们对K个需要配置的资产，选取J个历史区间，统计每个历史区间上每个资产的风险因子X（或者是风险因子的函数V=g(X)），假设风险因子有M个，则
我们就形成了一个JXM的矩阵。此矩阵的每一行代表一个历史区间，此矩阵的每一列代表一个风险因子的边缘分布。

这里如果我们知道每个风险因子X的联合分布，我们不用去历史上截取J个区间，我们直接可以使用蒙特卡洛模拟法在这个联合分布里面采样。

由定价公式，我们认为风险因子X和t期的观点信息 可以确定t+1期的资产价格 ，即：

其中Price为一个函数。

根据定价公式，我们可以把上面矩阵的每一行加上对应当期的观点信息，映射成一个下一期的资产价格，因为资产有K个，所以可以把上面矩阵映射成一个JXK的矩阵。其矩阵的每一行还是一个历史区间，其矩阵的每一类代表一个资产。矩阵中元素为资产价格。

我们最终的目标其实是利用定价公式，求出资产的价格，这里我们构建参考模型，假设我们预测的下一期资产的价格是历史每期价格的加权平均，即：

其中k是第k个资产，J样本历史总区间数, 是第j个区间上价格的权重（概率）， 为第k个资产在第j个样本区间上的价格。

那么 就是我们的初始参考模型。这一参考模型一般认为是等权，即

等权意义就是，在没有任何观点信息的时候，我们认为当前价格应该等于历史每一期价格的均值。

由上面的论述，所有的观点都可以表述成一下模式：

其中，A为一个矩阵， 为需要求的带有观点的后验分布，

所以，我们只需要求解以下优化问题即可。

承接上面论述，我们需要解决以下优化问题。

这是典型的凸优化问题，使用拉格朗日乘数法，将其转换为拉格朗日对偶问题，可轻松解决，相信推导查看本人SVM的相关文章。

同SVM一样，转化成拉格朗日对偶问题后，问题回变得很简洁，不论J取多大，要求的阐述和J的惯性都不大，计算量也不会增加。

根据观点信息的信心程度，确定c,代入池化公式。

我们知道了最后的概率分布，这一概率分布是历史价格的一个权重，我们根据历史价格和这一概率分布，可以算出资产的价格，同理我们可以算出资产的收益率和风险。其计算方法就是马科维茨均值方差的计算方法。

我们得到每一个资产的价格分布，从而我们可以计算出每一个资产的收益、风险、var之类的指标，从而引入其他优化问题，解出资产配置的权重。

熵池模型作为BL模型的泛化，与其他均值方差模型相比，有以下有点：
1、 可融合几乎任意形式的观点（线性与非线性、等式与非等式）；
2、 可对任意分布进行观点融合；
3、 可以幂集映射的方式融入观点间的相关性；
4、 观点的影响具有整体性，会对相关资产做全局调整；
5、 利用最大熵原理避免不必要的假设和结构；
6、 情景表达法下无需重定价，计算速度更快。

熵池模型作为新兴的一种资产配置模型，正在慢慢的普及，相信在未来会更加大众化。

❸ mov bl 11 mul bl mov bl 0A div bl mov al ah 哪位大侠给我看一下 这什么算法

mov bl,11
mul bl;功能al乘以bl,将乘积结果存放到ax中
mov bl,0a
div bl;ax除以bl
mov al,ah;将ah中存放的余数存放到al中
建言就是al*11/10 最后将余数传送到al中
但愿对你有帮助

❹ 有没有同学用Python实现了BL算法

编写代码过程中，加上了一些功能（例如f5一键编译以及C艹用f8自动调用gdb等等），在这里给分享出来。
Cpp代码
"编码设置
set enc=utf-8
set fencs=utf-8,ucs-bom,shift-jis,gb18030,gbk,gb2312,cp936
"语言设置
set langmenu=zh_CN.UTF-8
set helplang=cn
if has("syntax")
syntax on
endif
""""""""""""""""""""""""""""""""""""""""""""""""""""

❺ 大数据专业学什么 bl

大数据专业将从大数据应用的三个主要层面（即数据管理、系统开发、海量数据分析与挖掘）系统地帮助企业掌握大数据应用中的各种典型问题的解决办法，包括实现和分析协同过滤算法、运行和学习分类算法、分布式Hadoop集群的搭建和基准测试、分布式Hbase集群的搭建和基准测试、实现一个基于、Maprece的并行算法、部署Hive并实现一个的数据操作等等，实际提升企业解决实际问题的能力。

❻ 手机的BL到底是锁了好还是不锁好

BL锁一般是锁两个方向:
1. Bootloader会去检查它加载的镜像boot.img或recovery.img的签名信息，这个签名只有手机原厂能做出来。修改过后的或第三方镜像的签名不存在或无效，Bootloader会拒绝继续启动。boot.img会去检查system镜像签名，如果不是原厂的，拒绝启动。recovery会去检查OTA刷机包的签名，不是原厂的拒绝更新。
2. 一般出厂机器会禁用常规Bootloader的直接刷机功能。

以上这个流程，其实是secure boot规范的一部分，主要有两个目的:
1. 防止用户刷入第三方ROM, 导致系统出现不可逆的损坏，增加售后服务支持和维修成本
2. 防止不明系统窃取手机的底层机密信息，比如，HDCP秘钥，各种钱包数据，这些东西应用甚至android系统层都无法直接接触到(一般从硬件层面加密过)，但刷入不明ROM会大大增加泄露破解的风险。也因此，有些机器发现被root之后，钱包功能会被永久禁用。

secure boot是很多服务供应商(收费视频，手机支付，生物特征识别等)要求手机oem厂商必须做到的。

Bootloader锁的解锁原理:
在某处存放一个标志，标识有没有解锁，如果解锁了，就放开以上限制。存放这个标志的位置在解锁前第三方app是没有权限读写的，所以不可能绕过官方解锁流程。

正常的解锁过程一般跟电脑软件的注册码实现原理相当，解锁软件根据手机硬件特征生成中间码，把中间码发给服务器，服务器进行某种加密传回来写入特定位置，bootloader会在这个位置检查解锁信息是否合法，合法就写入已解锁的标志，就可以刷入并加载第三方镜像了。解锁码的生成过程一般会用到非对称加密外加私有算法，几乎不可破解，即使拿到原代码也做不到。

❼ visualpls1.04bl和amos一样吗

不一样，一个是PLS算法，一个是基于协方差的ML分析。（南心网 PLS与Amos对比分析）

❽ 常用的数据挖掘算法有哪几类

常用的数据挖掘算法分为以下几类：神经网络，遗传算法，回归算法，聚类分析算法，贝耶斯算法。

目前已经进入大数据的时代，所以数据挖掘和大数据分析的就业前景非常好，学好大数据分析和数据挖掘可以在各个领域中发挥自己的价值；同时，大数据分析并不是一蹴而就的事情，而是需要你日积月累的数据处理经验，不是会被轻易替代的。一家公司的各项工作，基本上都都用数据体现出来，一位高级的数据分析师职位通常是数据职能架构中领航者，拥有较高的分析和思辨能力，对于业务的理解到位，并且深度知晓公司的管理和商业行为，他可以负责一个子产品或模块级别的项目，带领团队来全面解决问题，把控手下数据分析师的工作质量。

想要了解更多有关数据挖掘算法的信息，可以了解一下CDA数据分析师的课程。课程教你学企业需要的敏捷算法建模能力，可以学到前沿且实用的技术，挖掘数据的魅力;教你用可落地、易操作的数据科学思维和技术模板构建出优秀模型，只教实用干货，以专精技术能力提升业务效果与效率。点击预约免费试听课。

❾ 求十进制数字转换为16进制的渐变算法 要手算的

你个利用双线性插值的方法,我是学VB的,C的不懂,代码就不能贴了,只能说下如何运算..剩下的就要靠你自己了

1.首先计算缩放比例..bl=2/w...2是原图宽度(因为只有2个颜色)...w是放大后的宽度
2.开始循环,从1循环到目标宽度w,假设循环变量为i...就用n=i*bl
3.取出n的小数部分存到变量p中..然后合成颜色,目标色R=R1*(1-p) R2*p G=G1*(1-P) G2*p B=B1*(1-P) B2*p....R1/G1/B1是起始色的红/绿/蓝色,R2/G2/B2是结束色的红/绿/蓝色.

这个算法是什么原理呢,我说一下,算出的n=i*bl就是一个小数值.假如他是1.3,那么他靠1颜色就近些,所以1颜色对他的影响就大,所以R1*(1-p) R2*p就体现了1颜色影响的范围大,2颜色影响小..假如是1.7,那么2颜色对他的影响大,1就小....所以他呈现渐变分布..

而双线性插值一般用语图像放大缩小..

❿ 数据挖掘十大经典算法及各自优势

数据挖掘十大经典算法及各自优势

不仅仅是选中的十大算法，其实参加评选的18种算法，实际上随便拿出一种来都可以称得上是经典算法，它们在数据挖掘领域都产生了极为深远的影响。
1. C4.5
C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法. C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进：
1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；2) 在树构造过程中进行剪枝；3) 能够完成对连续属性的离散化处理；4) 能够对不完整数据进行处理。
C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。
2. The k-means algorithm 即K-Means算法
k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k < n。它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量，并且目标是使各个群组内部的均 方误差总和最小。
3. Support vector machines
支持向量机，英文为Support Vector Machine，简称SV机（论文中一般简称SVM）。它是一种监督式学习的方法，它广泛的应用于统计分类以及回归分析中。支持向量机将向量映射到一个更 高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。分隔超平面使两个平行超平面的距离最大化。假 定平行超平面间的距离或差距越大，分类器的总误差越小。一个极好的指南是C.J.C Burges的《模式识别支持向量机指南》。van der Walt 和 Barnard 将支持向量机和其他分类器进行了比较。
4. The Apriori algorithm
Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。
5. 最大期望(EM)算法
在统计计算中，最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中寻找参数最大似然 估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variabl）。最大期望经常用在机器学习和计算机视觉的数据集聚（Data Clustering）领域。
6. PageRank
PageRank是Google算法的重要内容。2001年9月被授予美国专利，专利人是Google创始人之一拉里·佩奇（Larry Page）。因此，PageRank里的page不是指网页，而是指佩奇，即这个等级方法是以佩奇来命名的。
PageRank根据网站的外部链接和内部链接的数量和质量俩衡量网站的价值。PageRank背后的概念是，每个到页面的链接都是对该页面的一次投票， 被链接的越多，就意味着被其他网站投票越多。这个就是所谓的“链接流行度”——衡量多少人愿意将他们的网站和你的网站挂钩。PageRank这个概念引自 学术中一篇论文的被引述的频度——即被别人引述的次数越多，一般判断这篇论文的权威性就越高。
7. AdaBoost
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器 (强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权 值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。
8. kNN: k-nearest neighbor classification
K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。
9. Naive Bayes
在众多的分类模型中，应用最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBC）。 朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以 及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。 但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响。在属 性个数比较多或者属性之间相关性较大时，NBC模型的分类效率比不上决策树模型。而在属性相关性较小时，NBC模型的性能最为良好。10. CART: 分类与回归树
CART, Classification and Regression Trees。 在分类树下面有两个关键的思想。第一个是关于递归地划分自变量空间的想法；第二个想法是用验证数据进行剪枝。

以上是小编为大家分享的关于数据挖掘十大经典算法及各自优势的相关内容，更多信息可以关注环球青藤分享更多干货