LaTeX数学指南：快速掌握公式与符号

版权申诉
0 下载量 105 浏览量 更新于2024-06-25 收藏 528KB PDF 举报
《简明数学指南》(ShortMathGuideforLATEX)是由Michael Downes编写的，由Barbara Beeton更新，由美国数学学会(American Mathematical Society)发行。该文档的最新版本于2017年12月22日发布，可以从链接<https://www.ams.org/tex/amslatex>获取。本指南旨在帮助用户在LaTeX排版系统中有效地处理数学公式和表达式，提供了一个全面且实用的参考。 1. **简介**： 本章介绍手册的目的，以及如何在LaTeX环境中创建和管理数学公式，包括基本概念和设置，旨在使初学者快速上手。 2. **内联数学公式与显示公式**： - **内联公式**：这部分讲解如何将数学公式融入文本中的方法，确保公式与文本的自然融合。 - **自动编号与交叉引用**：讨论了如何为公式自动编号，并在文档中方便地引用这些编号，提高可读性和可维护性。 3. **数学符号与字体**： - **类别**：介绍数学符号的不同类别，如运算符、关系符号等，以及它们各自的特点和用法。 - **拉丁字母与阿拉伯数字**：详细说明标准的数学字体使用，包括大小写字符。 - **希腊字母**：作为基础数学符号的重要组成部分，希腊字母的使用方法和LaTeX代码。 - **其他基本字母符号**：如箭头、括号、积分符号等。 - **字体切换**：讨论如何在不同数学模式下切换字体，如黑板体、花体和Fraktur。 - **非CM字体**：介绍特殊的非计算机现代字体，如某些特定的Calligraphic和Script字母。 4. **特定符号**： - **二元运算符**：如加减乘除、比较符号等的使用和表示方法。 - **关系符号**：涵盖了多种关系符号，如等于、不等、蕴含等，及其变体。 - **箭头符号**：用于表示方向或序列关系。 - **其他**：包括一些特殊但常见的数学符号，如组合数学和集合论符号。 5. **累积（变量大小）运算符**：讨论那些大小随上下文变化的运算符，如矩阵、积分等。 6. **标点**：强调在数学公式中的正确标点使用，如分号、逗号等，以保持公式清晰。 7. **配对限定符**：介绍用于围合或分隔数学元素的特定符号，如括号、大括号和尖括号。 通过阅读这份指南，读者可以掌握LaTeX数学环境中的关键要素，提高数学公式的排版质量和效率，尤其对于学术写作、研究报告和教材编纂者来说，这是一份不可或缺的参考资料。

short-math-guide.rar_short

2022-09-23 上传
latex math equations guide

quick_guide.pdf

2020-12-07 上传
1Halcon介绍 1.1 关键特性 1.2谁应该使用Halcon 1.3需要的知识 1.4开始使用Halcon 1.5哪里获得更多信息 2.如何使用Halcon开发应用 2.1Halcon架构和数据结构 2.1.1算子 2.1.2 参数和数据结构 2.1.3 Halcon和并行编程 2.1.4 Halcon 支持的计算设备 2.1.5 Halcon XL 2.1.6 图像采集 2.1.7 I/O设备 2.2 使用HDevelop快速开始 2.3 通过编程语言使用Halcon 2.3.1 C++ 2.3.2 C# 和Visual Basic .NET

s = self.ps*self.skip + self.Ck-1 + self.h-1 X1 = np.zeros((self.n-s, self.w, self.m)) # short term dataset X2 = np.zeros((self.n-s, self.ps*self.Ck, self.m)) # long term dataset Y = np.zeros((self.n-s, self.m)) # output dataset for i in range(s, self.n): t = i-self.h+1 X1[i-s] = self.raw[t-self.w:t].copy() idx = [] for k in range(self.ps): # 执行4次，每次间隔skip长，取Ck=6， total = 4 * 6 = 24 idx = list(range(t-self.Ck-k*self.skip, t-k*self.skip)) + idx idx = np.array(idx, dtype=int) X2[i-s] = self.raw[idx].copy() Y[i-s] = self.raw[i].copy() return X1, X2, Y 把这个单步预测改为多步预测结构

2023-06-12 上传
X1 = np.zeros((self.n-s, self.w, self.m)) # short term dataset X2 = np.zeros((self.n-s, self.ps*self.Ck, self.m)) # long term dataset horizon = 3 # 预测的时间步数 Y = np.zeros((self.n-s-horizon, ...

下面是单步单维预测模型的数据结构，如果改为多步预测，结构如何修改： s = self.ps*self.skip + self.Ck-1 + self.h-1 X1 = np.zeros((self.n-s, self.w, self.m)) # short term dataset X2 = np.zeros((self.n-s, self.ps*self.Ck, self.m)) # long term dataset Y = np.zeros((self.n-s, self.m)) # output dataset for i in range(s, self.n): t = i-self.h+1 X1[i-s] = self.raw[t-self.w:t].copy() idx = [] for k in range(self.ps): # 执行4次，每次间隔skip长，取Ck=6， total = 4 * 6 = 24 idx = list(range(t-self.Ck-k*self.skip, t-k*self.skip)) + idx idx = np.array(idx, dtype=int) X2[i-s] = self.raw[idx].copy() Y[i-s] = self.raw[i].copy() return X1, X2, Y

2023-06-12 上传
X1 = np.zeros((self.n-s, self.w, self.m)) # short term dataset X2 = np.zeros((self.n-s, self.ps, self.Ck, self.m)) # long term dataset Y = np.zeros((self.n-s-self.h+1, self.h, self.m)) # output ...

请从新检查 ： s = self.ps*self.skip + self.Ck-1 + self.h-1 X1 = np.zeros((self.n-s, self.w, self.m)) # short term dataset X2 = np.zeros((self.n-s, self.ps*self.Ck, self.m)) # long term dataset predict_step = 6 Y = np.zeros((self.n-s, predict_step)) for i in range(s, self.n): t = i-self.h+1 X1[i-s] = self.raw[t-self.w:t].copy() idx = [] for k in range(self.ps): # 执行4次，每次间隔skip长，取Ck=6， total = 4 * 6 = 24 idx = list(range(t-self.Ck-k*self.skip, t-k*self.skip)) + idx idx = np.array(idx, dtype=int) X2[i-s] = self.raw[idx].copy() #Y[i-s] = self.raw[i].copy() Y[i-s] = self.raw[i : i+predict_step].copy() return X1, X2, Y

2023-06-12 上传
X1 = np.zeros((self.n-s, self.w, self.m)) # short term dataset X2 = np.zeros((self.n-s, self.ps*self.Ck, self.m)) # long term dataset predict_step = 6 Y = np.zeros((self.n-s, predict_step)) for i in ...

1. ARIMA 2. SARIMA 3. VAR 4. Auto-ARIMA 5. Auto-SARIMA 6. LSTM 7. GRU 8. RNN 9. CNN 10. MLP 11. DNN 12. MLP-LSTM 13. MLP-GRU 14. MLP-RNN 15. MLP-CNN 16. LSTM-ARIMA 17. LSTM-MLP 18. LSTM-CNN 19. GRU-ARIMA 20. GRU-MLP 21. GRU-CNN 22. RNN-ARIMA 23. RNN-MLP 24. RNN-CNN 25. CNN-ARIMA 26. CNN-MLP 27. CNN-LSTM 28. CNN-GRU 29. ARIMA-SVM 30. SARIMA-SVM 31. VAR-SVM 32. Auto-ARIMA-SVM 33. Auto-SARIMA-SVM 34. LSTM-SVM 35. GRU-SVM 36. RNN-SVM 37. CNN-SVM 38. MLP-SVM 39. LSTM-ARIMA-SVM 40. LSTM-MLP-SVM 41. LSTM-CNN-SVM 42. GRU-ARIMA-SVM 43. GRU-MLP-SVM 44. GRU-CNN-SVM 45. RNN-ARIMA-SVM 46. RNN-MLP-SVM 47. RNN-CNN-SVM 48. CNN-ARIMA-SVM 49. CNN-MLP-SVM 50. CNN-LSTM-SVM 51. CNN-GRU-SVM 52. ARIMA-RF 53. SARIMA-RF 54. VAR-RF 55. Auto-ARIMA-RF 56. Auto-SARIMA-RF 57. LSTM-RF 58. GRU-RF 59. RNN-RF 60. CNN-RF 61. MLP-RF 62. LSTM-ARIMA-RF 63. LSTM-MLP-RF 64. LSTM-CNN-RF 65. GRU-ARIMA-RF 66. GRU-MLP-RF 67. GRU-CNN-RF 68. RNN-ARIMA-RF 69. RNN-MLP-RF 70. RNN-CNN-RF 71. CNN-ARIMA-RF 72. CNN-MLP-RF 73. CNN-LSTM-RF 74. CNN-GRU-RF 75. ARIMA-XGBoost 76. SARIMA-XGBoost 77. VAR-XGBoost 78. Auto-ARIMA-XGBoost 79. Auto-SARIMA-XGBoost 80. LSTM-XGBoost 81. GRU-XGBoost 82. RNN-XGBoost 83. CNN-XGBoost 84. MLP-XGBoost 85. LSTM-ARIMA-XGBoost 86. LSTM-MLP-XGBoost 87. LSTM-CNN-XGBoost 88. GRU-ARIMA-XGBoost 89. GRU-MLP-XGBoost 90. GRU-CNN-XGBoost 91. RNN-ARIMA-XGBoost 92. RNN-MLP-XGBoost 93. RNN-CNN-XGBoost 94. CNN-ARIMA-XGBoost 95. CNN-MLP-XGBoost 96. CNN-LSTM-XGBoost 97. CNN-GRU-XGBoost 98. ARIMA-ANN 99. SARIMA-ANN 100. VAR-ANN 上面这些缩写模型的全称及相关用途功能详细解释

2023-07-15 上传
6. LSTM (Long Short-Term Memory): 长短期记忆网络，一种适用于处理长期依赖关系的循环神经网络，用于时间序列数据的建模和预测。 7. GRU (Gated Recurrent Unit): 一种类似于LSTM的循环神经网络，具有更简化的...

应为最后一列是LABEL，我不确定Y[i-s] = self.raw[i:i+predict_step].copy() 还是 Y[i-s] = self.raw[i:i+predict_step，-1].copy()

2023-06-12 上传
X1 = np.zeros((self.n-s, self.w, self.m)) # short term dataset X2 = np.zeros((self.n-s, self.ps*self.Ck, self.m)) # long term dataset predict_step = 6 Y = np.zeros((self.n-s, predict_step)) for i in ...

把byte,short,int,long,float,double,char,转换成字符串 把字符串转换成byte,short,int,long,float,double,char

2023-05-30 上传
把byte,short,int,long,float,double,char转换成字符串的方法： 1. byte -> String: String.valueOf(byteVar) 2. short -> String: String.valueOf(shortVar) 3. int -> String: String.valueOf(intVar) 4. long ->...

2.开发语言为Java，JDK11; 3.开发环境为Ubuntu Eclipse; 编写一个类似ubuntu terminal的程序 详细要求： 1.有配置文件 miniShell.conf promote=long # 显示提示符 loginname@hostname$ or # or promote=short # 显示提示符 $ or # background=black font=宋体 fontsize=30 fontcolor=white 用户可以修改配置文件，设置字体、字号、颜色等。 2.支持常用命令： ls ls -l ls -ld ls path ls -l path ls -ld path cd dir mkdir dir rmdir dir rm -rf filename or dir touch filename chmod filename or dir cat filename tar -czvf aaa.tar.gz /dir/*.txt tar -czvf aaa.tar.gz a.txt b.txt tar -xzvf aaa.tar.gz -C /path history pwd 3.可以向上翻动命令历史

2023-07-08 上传
- `promote`：用于设置提示符的显示方式，可以是`long`（显示完整提示符`loginname@hostname$`）或`short`（显示简化提示符`$`）。 - `background`：设置终端的背景颜色。 - `font`：设置终端的字体。 - `...

在C++中已知 uchar* pPixel = new uchar[m_pdoc->m_OrigImg.cols*m_pdoc->m_OrigImg.rows * 2]; long nW, nH, nB; m_pdoc->GetOrigImg(&nW, &nH, &nB, pPixel); 获得的pPixel为16位，请问该怎么遍历pPixel的所有像素

2023-07-11 上传
如果 `pPixel` 是一个 16 位 (2 字节) 的数组，你可以使用 `reinterpret_cast` 将其强制转换为 `unsigned short*` 类型，然后按照类似的方式进行遍历。以下是示例代码： ```cpp unsigned short* pPixel16 = ...
卷积神经网络
  • 粉丝: 359
  • 资源: 8440
上传资源 快速赚钱

最新资源