每一步是什么意思.画椭圆曲线加密算法的算法我看不太懂

来源：蜘蛛抓取(WebSpider) 时间：2016-12-20 22:45 标签： 椭圆曲线数字签名算法
2x4x6x8x10的算法过程要详细！每一步都要说明！不要2x4=8,8x6=48.......这种方法.最好能有多种方法，越多越好！谢谢了！要详细得让我看明白哦。
哦，越多越好……2×4×6×8×10相当于2×（2×2）×（2×3）×（2×2×2）×（2×5）把上面一步拆开随便算，这是一种：=2×2×2×2×2×2×2×2×3×5=2^8×15=256×15=3840
为您推荐：
没有别的方法，想省事就用计算器吧
这么简单的东西，还要方法。。。。
扫描下载二维码&&国之画&&&& &&&&&&
&& &&&&&&&&&&&&&&&&&&&&
鲁ICP备号-4
打开技术之扣，分享程序人生！9332人阅读
Image/Audio/ML...（43）
做过图像识别、机器学习或者信息检索相关研究的人都知道，论文的实验部分都要和别人的算法比一比。可怎么比，人多嘴杂，我说我的方法好，你说你的方法好，各做各的总是不行——没规矩不成方圆。于是慢慢的大家就形成了一种约定，用ROC曲线和PR曲线来衡量算法的优劣。关于ROC曲线和PR曲线的详细介绍可参考资料：Tom Fawcett,Jesse Davis,Mark Goadrich.&，还有一份与这篇文章对应的有这3份资料足以，应用分析和理论分析都讲得很不错。基本概念True Positives,TP：预测为正样本，实际也为正样本的特征数False Positives,FP：预测为正样本，实际为负样本的特征数（错预测为正样本了，所以叫False）True Negatives,TN：预测为负样本，实际也为负样本的特征数False Negatives,FN：预测为负样本，实际为正样本的特征数（错预测为负样本了，所以叫False）接着往下做做小学的计算题：TP+FP+FN+FN：特征总数(样本总数)TP+FN：实际正样本数FP+TN：实际负样本数TP+FP：预测结果为正样本的总数TN+FN：预测结果为负样本的总数有些绕，为做区分，可以这样记：相同的后缀（P或N）之和表示__预测__正样本/负样本总数，前缀加入T和F；实际样本总数的4个字母完全不同，含TP（正正得正）表示实际正样本，含FP（负正得负）表示实际负样本。ROC曲线和PR曲线True Positive Rate(TPR)和False Positive Rate(FPR)分别构成ROC曲线的y轴和x轴。TPR=TP/(TP+FN)，实际正样本中被预测正确的概率FPR=FP/(FP+TN)，实际负样本中被错误预测为正样本的概率实际学习算法中，预测率100%的话，TPR=100%和FPR=0，所以TPR越大而FPR越小越好。仅用其中一个作为衡量指标可以吗？考虑这么一种情况，一幅图片假如600x480个像素，其中目标（正样本）仅有100个像素，假如有某种算法，预测的目标为包含所有像素600x480，这种情况下TPR的结果是TPR=100%，但FPR却也接近于100%。明显，TPR满足要求但结果却不是我们想要的，因为FPR太高了。Precision和Recall（有人中文翻译成召回率）则分别构成了PR曲线的y轴和x轴。Precision=TP/(TP+FP)，预测结果为有多少正样本是预测正确了的Recall=TP/(TP+FN)，召回率很有意思，这个其实就=TPR，相对于Precision只不过参考样本从预测总正样本数结果变成了实际总正样本数。同理，Precision和Recall同时考虑才能确定算法好坏。好了，原来一切尽在尽在下图中，图：Confusion Matrix既然ROC和PR都是同时要考虑两个指标，一个我好一个你好，到底谁好？画到ROC空间一看便知，如下图，将TPR和FPR分别画在两个坐标轴上，则沿着对角线的方向，离右上角越近，算法效果越好。（由于ROC和PR类似，以下仅讨论ROC空间和ROC曲线。）图：ROC空间一个分类算法，找个最优的分类效果，对应到ROC空间中的一个点。通常分类器的输出都是Score，比如SVM、神经网络，有如下的预测结果：TABLE&一般分类器的结果都是Score表1pY0.999992pY0.999993pY0.999934pY0.999865pY0.999646pY0.999557nY0.681398nY0.509619nN0.4888010nN0.44951True表示实际样本属性，Hyp表示预测结果样本属性，第4列即是Score，Hyp的结果通常是设定一个阈值，比如上表就是0.5，Score&0.5为正样本，小于0.5为负样本，这样只能算出一个ROC值，为更综合的评价算法的效果，通过取不同的阈值，得到多个ROC空间的值，将这些值描绘出ROC空间的曲线，即为ROC曲线。图：ROC曲线绘制我们只要明白这个基本的点，详细的ROC曲线绘制已经有很多代码了，资料1就提供了Prel直接根据Score绘制ROC曲线的代码，Matlab也有，下载链接：有了ROC曲线，更加具有参考意义的评价指标就有了，在ROC空间，算法绘制的ROC曲线越凸向西北方向效果越好，有时不同分类算法的ROC曲线存在交叉，因此很多文章里用AUC（即Area Under Curve曲线下的面积）值作为算法好坏的评判标准。关于这里的凸理论可参考文章开头的[资料2]。与ROC曲线左上凸不同的是，PR曲线是右上凸效果越好，下面是两种曲线凸向的简单比较：图：算法在ROC空间与PR空间的不同比较作为衡量指标，选择ROC或PR都是可以的。但是资料3显示，ROC和PR虽然具有相同的出发点，但并不一定能得到相同的结论，在写论文的时候也只能参考着别人已有的进行选择了。
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：1337723次
积分：12511
积分：12511
排名：第813名
原创：188篇
转载：44篇
评论：551条
博客内文章若存在图片或格式问题，请移步到备份
文章：17篇
阅读：165578
文章：10篇
阅读：184073求1X2X3X4.X100的值的算法里有些东西搞不懂帮忙解释下每一步是个啥意思?//用IF语句解释也行
0一头丶0019
这个只有用计算器算,要巧用是不能联乘这就是100!
为您推荐：
其他类似问题
扫描下载二维码

我要回帖

更多关于 椭圆曲线数字签名算法 的文章

 

随机推荐