解耦原子范数最小化(Decoupled Atomic Norm Minimization)
文章目录
- 解耦原子范数最小化
- 解耦原子范数最小化(DANM)的产生
- 转化为SDP问题
- SDP问题转化的证明
- 参考文献和博客
解耦原子范数最小化
解耦原子范数最小化(DANM)的产生
首先,定义一个矩阵形式(与其对应的是向量形式)的原子集:
A={ax(θ)ayH(θ):θ∈[−π2,π2],ax(θ)∈CN×1,ay(θ)∈CM×1}\mathcal{A}=\{\boldsymbol{a}_x(\theta)\boldsymbol{a}_y^H(\theta):\theta\in[-\frac{\pi}{2},\frac{\pi}{2}],\boldsymbol{a}_x(\theta)\in\mathbb{C}^{N\times1},\boldsymbol{a}_y(\theta)\in\mathbb{C}^{M\times1}\} A={ax(θ)ayH(θ):θ∈[−2π,2π],ax(θ)∈CN×1,ay(θ)∈CM×1}
在DOA估计问题中,ax(θ),ay(θ)\boldsymbol{a}_x(\theta),\boldsymbol{a}_y(\theta)ax(θ),ay(θ)分别表示两条阵列的方向向量,Z∈CN×M\boldsymbol{Z}\in\mathbb{C}^{N\times M}Z∈CN×M往往表示两个阵列的互协方差矩阵。那么,具体的解耦原子范数为:
∥Z∥A=inf{∑k∣sk∣:Z=∑kskax(θk)ayH(θk),ax(θk)ayH(θk)∈A}\|\boldsymbol{Z}\|_\mathcal{A}=\inf\{\sum_{k}|s_k|:\boldsymbol{Z}=\sum_{k}s_k\boldsymbol{a}_x(\theta_k)\boldsymbol{a}_y^H(\theta_k),\boldsymbol{a}_x(\theta_k)\boldsymbol{a}_y^H(\theta_k)\in\mathcal{A}\} ∥Z∥A=inf{k∑∣sk∣:Z=k∑skax(θk)ayH(θk),ax(θk)ayH(θk)∈A}
与l1l_1l1原子范数最小化(ANM)类似,解耦原子范数最小化问题表述为:
minZ∥Z∥As.t∥Z−Z^∥≤η\min_{\boldsymbol{Z}}\|\boldsymbol{Z}\|_{\mathcal{A}} \\ s.t \quad \|\boldsymbol{Z}-\boldsymbol{\hat{Z}}\| \leq \eta Zmin∥Z∥As.t∥Z−Z^∥≤η
该问题可以转换为半正定规划(SDP)问题。
转化为SDP问题
证明内容在下一节,转化后的SDP问题表述为:
转化为该SDP问题的过程中,有以下前提(达到其中一个就可),是不可忽略的。
Δx=mini≠j∣fx,i−fx,j∣≥1⌊(N−1)/4⌋Δy=mini≠j∣fy,i−fy,j∣≥1⌊(M−1)/4⌋\Delta_x = \min_{i\ne j}|f_{x,i}-f_{x,j}| \geq \frac{1}{\lfloor(N-1)/4\rfloor} \\ \Delta_y = \min_{i\ne j}|f_{y,i}-f_{y,j}| \geq \frac{1}{\lfloor(M-1)/4\rfloor} Δx=i=jmin∣fx,i−fx,j∣≥⌊(N−1)/4⌋1Δy=i=jmin∣fy,i−fy,j∣≥⌊(M−1)/4⌋1
在上式中,第k个信号在x阵列和y阵列上相邻的阵元间产生的相位差分别为:2πfx,k2\pi f_{x,k}2πfx,k和2πfx,k2\pi f_{x,k}2πfx,k,其方向向量亦可表述为:ax(fk)\boldsymbol{a}_x(f_k)ax(fk)和ay(fk)\boldsymbol{a}_y(f_k)ay(fk)。T(z)\mathcal{T}(\boldsymbol{z})T(z)表示以向量z\boldsymbol{z}z产生一个同尺寸的Hermitian-Toeplitz矩阵。
SDP问题转化的证明
在忽略变量Z\boldsymbol{Z}Z的情况下,定义目标函数为:
g(z1,z2)=12MN(Tr(T(z1))+Tr(T(z2)))g(\boldsymbol{z}_1,\boldsymbol{z}_2)=\frac{1}{2\sqrt{MN}}\left(Tr(\mathcal{T}(\boldsymbol{z}_1))+Tr(\mathcal{T}(\boldsymbol{z}_2))\right) g(z1,z2)=2MN1(Tr(T(z1))+Tr(T(z2)))
其中,
(z1,z2)∈SZ+={(z1,z2):[T(z2)ZHZT(z1)]⪰0}(\boldsymbol{z}_1,\boldsymbol{z}_2)\in \mathcal{S}_{\boldsymbol{Z}}^{+}=\left\{(\boldsymbol{z}_1,\boldsymbol{z}_2): \begin{bmatrix} \mathcal{T}(\boldsymbol{z}_2) & \boldsymbol{Z}^H \\ \boldsymbol{Z} & \mathcal{T}(\boldsymbol{z}_1) \end{bmatrix} \succeq 0 \right\} (z1,z2)∈SZ+={(z1,z2):[T(z2)ZZHT(z1)]⪰0}
所以,要证明以上优化问题的等效,只需证明以下等式即可。
g∗=min(z1,z2)∈SZ+g(z1,z2)=∥Z∥Ag^{*}=\min_{(\boldsymbol{z}_1,\boldsymbol{z}_2)\in \mathcal{S}_{\boldsymbol{Z}}^{+}}g(\boldsymbol{z}_1,\boldsymbol{z}_2)=\|\boldsymbol{Z}\|_{\mathcal{A}} g∗=(z1,z2)∈SZ+ming(z1,z2)=∥Z∥A
先证明g∗≤∥Z∥Ag^{*}\leq \|\boldsymbol{Z}\|_{\mathcal{A}}g∗≤∥Z∥A成立。
引理1:如果数据矩阵Z∈CN×M\boldsymbol{Z}\in\mathbb{C}^{N\times M}Z∈CN×M在fff上足够可分,即在原子集A\mathcal{A}A中,有足够多的原子ax(f)ayH(f)\boldsymbol{a}_x(f)\boldsymbol{a}^H_y(f)ax(f)ayH(f)。那么,当数据矩阵Z\boldsymbol{Z}Z确定时,它就有唯一的稀疏原子分解。在此情况下,得到了:
∥Z∥A=∑k∣sk∣\|\boldsymbol{Z}\|_{\mathcal{A}} = \sum_{k}|s_k| ∥Z∥A=k∑∣sk∣
在引理1的条件下,直接写出数据矩阵Z\boldsymbol{Z}Z的唯一原子分解为:
Z=∑kskax(fk)ayH(fk)\boldsymbol{Z}=\sum_{k}s_k\boldsymbol{a}_x(f_k)\boldsymbol{a}^H_y(f_k) Z=k∑skax(fk)ayH(fk)
直接构造矩阵T(z~1)\mathcal{T}(\boldsymbol{\tilde{z}}_1)T(z~1)和T(z~2)\mathcal{T}(\boldsymbol{\tilde{z}}_2)T(z~2):
T(z~1)=∑kMN∣sk∣ax(fk)axH(fk)T(z~2)=∑kNM∣sk∣ay(fk)ayH(fk)\mathcal{T}(\boldsymbol{\tilde{z}}_1) = \sum_{k}{\sqrt{\frac{M}{N}}|s_k|\boldsymbol{a}_x(f_k)\boldsymbol{a}^H_x(f_k)} \\ \mathcal{T}(\boldsymbol{\tilde{z}}_2) = \sum_{k}{\sqrt{\frac{N}{M}}|s_k|\boldsymbol{a}_y(f_k)\boldsymbol{a}^H_y(f_k)} T(z~1)=k∑NM∣sk∣ax(fk)axH(fk)T(z~2)=k∑MN∣sk∣ay(fk)ayH(fk)
显然,它们都是Hermitian-Toeplitz矩阵,分别将Z,T(z~1),T(z~2)\boldsymbol{Z},\mathcal{T}(\boldsymbol{\tilde{z}}_1),\mathcal{T}(\boldsymbol{\tilde{z}}_2)Z,T(z~1),T(z~2)代入约束条件中,得到:
[T(z~2)ZHZT(z~1)]=∑k∣sk∣MN[Nay(fk)sign(sk)Max(fk)][Nay(fk)sign(sk)Max(fk)]H⪰0\begin{bmatrix} \mathcal{T}(\boldsymbol{\tilde{z}}_2) & \boldsymbol{Z}^H \\ \boldsymbol{Z} & \mathcal{T}(\boldsymbol{\tilde{z}}_1) \end{bmatrix} = \sum_{k}\frac{|s_k|}{\sqrt{MN}}\begin{bmatrix} \sqrt{N}\boldsymbol{a}_y(f_k) \\ sign(s_k)\sqrt{M}\boldsymbol{a}_x(f_k)\end{bmatrix} {\begin{bmatrix} \sqrt{N}\boldsymbol{a}_y(f_k) \\ sign(s_k)\sqrt{M}\boldsymbol{a}_x(f_k)\end{bmatrix}}^H \succeq 0 [T(z~2)ZZHT(z~1)]=k∑MN∣sk∣[Nay(fk)sign(sk)Max(fk)][Nay(fk)sign(sk)Max(fk)]H⪰0
上式成立,说明向量z~1\boldsymbol{\tilde{z}}_1z~1和z~2\boldsymbol{\tilde{z}}_2z~2是g(z1,z2)g(\boldsymbol{z}_1,\boldsymbol{z}_2)g(z1,z2)的一组可行解,代入目标函数中,得到:
g(z~1,z~2)=12MN(Tr(T(z~1))+Tr(T(z~2)))=∑k∣sk∣g(\boldsymbol{\tilde{z}}_1,\boldsymbol{\tilde{z}}_2)=\frac{1}{2\sqrt{MN}}\left(Tr(\mathcal{T}(\boldsymbol{\tilde{z}}_1))+Tr(\mathcal{T}(\boldsymbol{\tilde{z}}_2))\right)=\sum_{k}|s_k| g(z~1,z~2)=2MN1(Tr(T(z~1))+Tr(T(z~2)))=k∑∣sk∣
巧了,∑k∣sk∣=∥Z∥A\sum_{k}|s_k|=\|\boldsymbol{Z}\|_{\mathcal{A}}∑k∣sk∣=∥Z∥A刚好成立,ggg的可行解对应着∥Z∥A\|\boldsymbol{Z}\|_{\mathcal{A}}∥Z∥A,那么,ggg的最优解g∗g^*g∗必然小于可行解,即:
g∗≤g(z~1,z~2)=∥Z∥Ag^*\leq g(\boldsymbol{\tilde{z}}_1,\boldsymbol{\tilde{z}}_2) = \|\boldsymbol{Z}\|_{\mathcal{A}} g∗≤g(z~1,z~2)=∥Z∥A
得证。
接下来,再证明g∗≥∥Z∥Ag^{*}\geq \|\boldsymbol{Z}\|_{\mathcal{A}}g∗≥∥Z∥A成立。
此时,引入一个新的原子集,叫做“多测量向量(MMV)原子集”,它有如下的定义:
Ax={ax(f)eMH:∀f∈[0,1],∀eM∈CM×1,∥eM∥=1}\mathcal{A_x}=\{\boldsymbol{a}_x(f)\boldsymbol{e}^H_M:\forall f\in [0,1],\forall \boldsymbol{e}_M\in\mathbb{C}^{M\times 1},\|\boldsymbol{e}_M\|=1 \} Ax={ax(f)eMH:∀f∈[0,1],∀eM∈CM×1,∥eM∥=1}
对于MMV问题,它有以下有用的结论:
引理2:对于任意的一个能够在MMV原子集上线性可分的数据矩阵Z∈CN×M\boldsymbol{Z}\in \mathbb{C}^{N\times M}Z∈CN×M,它在Ax\mathcal{A_x}Ax上的原子范数可由以下SDP问题算出:
∥Z∥Ax=minV,z{12N(Tr(V)+Tr(T(z)))}s.t[VZHZT(z)]⪰0\|\boldsymbol{Z}\|_{\mathcal{A_x}}=\min_{\boldsymbol{V},\boldsymbol{z}}\left\{\frac{1}{2\sqrt{N}}(Tr(\boldsymbol{V})+Tr(\mathcal{T}(\boldsymbol{z}))) \right\} \quad s.t \begin{bmatrix} \boldsymbol{V} & \boldsymbol{Z}^H \\ \boldsymbol{Z} & \mathcal{T}(\boldsymbol{z}) \end{bmatrix} \succeq 0 ∥Z∥Ax=V,zmin{2N1(Tr(V)+Tr(T(z)))}s.t[VZZHT(z)]⪰0
其中,V∈CM×M\boldsymbol{V}\in \mathbb{C}^{M\times M}V∈CM×M是一个Hermitian矩阵,T(z)∈CN×N\mathcal{T}(\boldsymbol{z})\in \mathbb{C}^{N\times N}T(z)∈CN×N是一个Toeplitz矩阵。
引理3:如果Z=∑kskax(fk)eMH\boldsymbol{Z}=\sum_{k}s_k\boldsymbol{a}_x(f_k)\boldsymbol{e}^H_MZ=∑kskax(fk)eMH,ax(fk)eMH\boldsymbol{a}_x(f_k)\boldsymbol{e}^H_Max(fk)eMH是MMV集合中的原子,满足以下的频率可分条件:
Δx=mini≠j∣fx,i−fx,j∣≥1⌊(N−1)/4⌋\Delta_x = \min_{i\ne j}|f_{x,i}-f_{x,j}|\geq \frac{1}{\lfloor(N-1)/4\rfloor} Δx=i=jmin∣fx,i−fx,j∣≥⌊(N−1)/4⌋1
那么,就可以保证:
∥Z∥Ax=∑k∣sk∣\|\boldsymbol{Z}\|_{\mathcal{A_x}}=\sum_{k}|s_k| ∥Z∥Ax=k∑∣sk∣
这一点也正好对应了转换成SDP问题的前提条件。
有了这两个引理做铺垫,我们就可以完成证明。
不失一般性的,我们考虑x轴满足前提条件:
Δx=mini≠j∣fx,i−fx,j∣≥1⌊(N−1)/4⌋\Delta_x = \min_{i\ne j}|f_{x,i}-f_{x,j}|\geq \frac{1}{\lfloor(N-1)/4\rfloor} Δx=i=jmin∣fx,i−fx,j∣≥⌊(N−1)/4⌋1
根据引理1,在解耦原子范数集A\mathcal{A}A下,它有唯一的分解为:
Z=∑kskax(fk)ayH(fk)=∑ksk∥ayH(fk)∥2ax(fk)ayH(fk)∥ayH(fk)∥2=∑k(Msk)ax(fk)ayH(fk)∥ayH(fk)∥2\begin{aligned} \boldsymbol{Z}=\sum_{k}s_k\boldsymbol{a}_x(f_k)\boldsymbol{a}^H_y(f_k)&=\sum_{k}s_k\|\boldsymbol{a}^H_y(f_k)\|_2\boldsymbol{a}_x(f_k)\frac{\boldsymbol{a}^H_y(f_k)}{\|\boldsymbol{a}^H_y(f_k)\|_2} \\ &= \sum_{k}(\sqrt{M}s_k)\boldsymbol{a}_x(f_k)\frac{\boldsymbol{a}^H_y(f_k)}{\|\boldsymbol{a}^H_y(f_k)\|_2} \end{aligned} Z=k∑skax(fk)ayH(fk)=k∑sk∥ayH(fk)∥2ax(fk)∥ayH(fk)∥2ayH(fk)=k∑(Msk)ax(fk)∥ayH(fk)∥2ayH(fk)
显然,ax(fk)ayH(fk)∥ayH(fk)∥2∈Ax\frac{\boldsymbol{a}_x(f_k)\boldsymbol{a}^H_y(f_k)}{\|\boldsymbol{a}^H_y(f_k)\|_2} \in \mathcal{A_x}∥ayH(fk)∥2ax(fk)ayH(fk)∈Ax。另外,由于引理3,所以可以将其MMV原子范数表示为:
∥Z∥Ax=M∑k∣sk∣\|\boldsymbol{Z}\|_{\mathcal{A_x}}=\sqrt{M}\sum_{k}|s_k| ∥Z∥Ax=Mk∑∣sk∣
同时,
∥Z∥A=∑k∣sk∣\|\boldsymbol{Z}\|_{\mathcal{A}}=\sum_{k}|s_k| ∥Z∥A=k∑∣sk∣
因此,数据矩阵Z\boldsymbol{Z}Z的两种原子范数的联系就建立起来了:
∥Z∥A=1M∥Z∥Ax\|\boldsymbol{Z}\|_{\mathcal{A}}=\frac{1}{\sqrt{M}}\|\boldsymbol{Z}\|_{\mathcal{A_x}} ∥Z∥A=M1∥Z∥Ax
由于引理2,那么,取V=T(z2)\boldsymbol{V}=\mathcal{T}(\boldsymbol{z_2})V=T(z2),z=z1\boldsymbol{z}=\boldsymbol{z_1}z=z1,
∥Z∥A=minz1,z2{12MN(Tr(T(z1))+Tr(T(z2)))}=minz1,z2g(z1,z2)≤{g(z~1,z~2):(z~1,z~2)∈SZ+}\begin{aligned} \|\boldsymbol{Z}\|_{\mathcal{A}}=&\min_{\boldsymbol{z_1},\boldsymbol{z_2}}\left\{\frac{1}{2\sqrt{MN}}(Tr(\mathcal{T}(\boldsymbol{z_1}))+Tr(\mathcal{T}(\boldsymbol{z_2}))) \right\}=\min_{\boldsymbol{z_1},\boldsymbol{z_2}}{g(\boldsymbol{z_1},\boldsymbol{z_2})} \\ \leq & \{g(\boldsymbol{\tilde{z}}_1,\boldsymbol{\tilde{z}}_2):(\boldsymbol{\tilde{z}}_1,\boldsymbol{\tilde{z}}_2) \in \mathcal{S}_{\boldsymbol{Z}}^{+}\} \end{aligned} ∥Z∥A=≤z1,z2min{2MN1(Tr(T(z1))+Tr(T(z2)))}=z1,z2ming(z1,z2){g(z~1,z~2):(z~1,z~2)∈SZ+}
上式最后一项是可行解对应的目标集,由于g∗g^*g∗也是可行解对应的目标之一,所以,
∥Z∥A≤g∗\|\boldsymbol{Z}\|_{\mathcal{A}} \leq g^* ∥Z∥A≤g∗
证毕。
min(z1,z2)∈SZ+g(z1,z2)=∥Z∥A\min_{(\boldsymbol{z}_1,\boldsymbol{z}_2)\in \mathcal{S}_{\boldsymbol{Z}}^{+}}g(\boldsymbol{z}_1,\boldsymbol{z}_2)=\|\boldsymbol{Z}\|_{\mathcal{A}}(z1,z2)∈SZ+ming(z1,z2)=∥Z∥A
结论得证。因而,当数据矩阵Z\boldsymbol{Z}Z不确定时,关于它的优化问题等价为:
minZmin(z1,z2)∈SZ+g(z1,z2)=minZ∥Z∥A=minz1,z2,Zg(z1,z2)s.t[T(z2)ZHZT(z1)]⪰0\min_{\boldsymbol{Z}}\min_{(\boldsymbol{z}_1,\boldsymbol{z}_2)\in \mathcal{S}_{\boldsymbol{Z}}^{+}}g(\boldsymbol{z}_1,\boldsymbol{z}_2)=\min_{\boldsymbol{Z}}\|\boldsymbol{Z}\|_{\mathcal{A}}=\min_{\boldsymbol{z}_1,\boldsymbol{z}_2,\boldsymbol{Z}}g(\boldsymbol{z}_1,\boldsymbol{z}_2) \quad s.t \begin{bmatrix} \mathcal{T}(\boldsymbol{z}_2) & \boldsymbol{Z}^H \\ \boldsymbol{Z} & \mathcal{T}(\boldsymbol{z}_1) \end{bmatrix} \succeq 0 Zmin(z1,z2)∈SZ+ming(z1,z2)=Zmin∥Z∥A=z1,z2,Zming(z1,z2)s.t[T(z2)ZZHT(z1)]⪰0
等价问题得证。
参考文献和博客
下载参考文献
提取码:6666
博客:原子范数最小化参考博客
解耦原子范数最小化(Decoupled Atomic Norm Minimization)相关推荐
- 压缩感知的尽头: 原子范数最小化
文章目录 前言 问题建模 Toeplitz 矩阵的范德蒙德分解 DOA估计的一般框架 ℓ0\ell_0ℓ0-原子范数 ℓ0\ell_0ℓ0-原子范数 与 范德蒙德分解 原子范数 多维原子范数 证明 ...
- l20范数最小化求解系数方程_贪婪组稀疏方法(Greedy group sparsity)
l20范数最小化求解系数方程_贪婪组稀疏方法(Greedy group sparsity) 本文章部分参考Fast group sparse classification l20范数最小化求解系数方程 ...
- 稀疏优化L1范数最小化问题求解之基追踪准则(Basis Pursuit)——原理及其Python实现
文章目录 一.前言 二.问题重述 三.构造 ℓ1\ell_1ℓ1 范数 四.ℓ1\ell_1ℓ1 范数最小化问题转换为线性规划问题 五.基于linprog的基追踪Python代码 六.运行测试 七 ...
- 三维网格去噪算法(L0范数最小化,包含二维图像去噪)
参考文章(技术来源):Mesh denoising via L0 minimization 上面参考文章提出了一种基于L0范数最小化的三角网格去噪算法.该思想由二维图像平滑引申而来,所以先从基于L0范 ...
- l1范数最小化快速算法【文献阅读】
1:解决的问题模型如下: 或者约束条件可以适当的松弛,即为如下模型: 当然约束条件取范数,数据获取的比较准确,结果逼近的效果更好,防止过拟合.如果取 范数,则是获取的数据,受到污染比较严重. ...
- l1范数最小化快速算法
1:解决的问题模型如下: 或者约束条件可以适当的松弛,即为如下模型: 当然约束条件取
- 图像处理-基于图像梯度L0范数最小化(L0smooth)的保护边缘平滑滤波
算法程序备注: (1)下面是对一幅自然图像进行处理的结果: 可以看到图像有非常明显的变化,图像分成了一块一块,这是图像平滑后的结果,因为保护了边界,因此明显的边界仍然存在,但是不可避免的细节部分被磨平 ...
- 原子范数 Atomic norm最小化: 简单的Matlab例程
前言 基于 压缩感知的尽头: 原子范数最小化 中的原子范数最小化算法, 笔者做了一些matlab的仿真, 作为简单的例程,希望帮助大家进一步理解算法和自定义的拓展. 由于凸问题的求解需要使用 CVX, ...
- 范数规则化(一):L0、L1与L2范数
目录 0 范数 1 L0 范数 2 L1 范数 2.1 L1 2.2 L1正则化和特征选择 2.3 拉普拉斯先验与L1正则化 2.3.1 拉普拉斯分布 2.3.2 拉普拉斯先验 3 L2 范数 3 ...
- CFR虚拟遗憾最小化算法基础
虚拟遗憾最小化算法[Counterfactual Regret Minimization,CFR] 基础理论 博弈问题分类 博弈论基本概念与符号 算法框图 参考文献 基础理论 博弈问题分类 按照效用值 ...
最新文章
- Spring @Resource、@Autowired、@Qualifier区别
- 在servlet中读取初始化参数和上下文参数的方法getServletContext()和getInitParameter()
- OKGAN:线上训练GAN的方法
- 记录一次K8s-Flannel插件的坑
- linux安装sz rz_超级好用的文件传输命令rz与sz
- C++11标准库 - array 1
- 重新启动postgre报错时,解决方案 ( 由备份文件占用空间太大造成 ) (linux 命令 df -h 查看磁盘空间)
- random.uniform()用法
- C#线程 访问资源同步简介
- 2020UNCTF-MISC-网络深处1
- Android模仿新浪微博(启动界面登陆界面)
- 计算机辅助教学应用于哪些方面,计算机辅助教学在英语教学中的运用
- 拍照解数独之识别数独图片
- 生硬的论文,非得写什么架构设计
- 使用重力感应传感器和Arduino的手机控制机器人车
- 面临“反对沉没成本”效应,海尔、格力、海信、美的等家电厂商的智能音箱还有必要做吗?
- 内网渗透-端口转发隧道技术
- 如何使用 Nmcli 通过 Linux 终端连接到 Wi-Fi
- 常用的Linux快捷键 [译]
- 身份证过期了,银行卡上的身份证信息是不是都要去银行更新?
热门文章
- 三合一收款码生成源码(非调用接口)
- vector扩容时以2倍或1.5倍扩容的原因
- html求相关系数,相关系数,确定系数(R^2)计算公式与在线计算器_三贝计算网_23bei.com...
- 技术考官如何面试应聘者的非技术素质
- Android基本UI控件(一)
- 银河麒麟系统10服务器安装教程,麒麟系统下安装win10的详细教程
- 能测试快充真假的软件,ChargerLAB测试工具使用技巧:一键检测苹果数据线真伪...
- Excel如何用IF函数进行数据筛选
- mysql怎么把两个表格的数据合并成一行_mysql中将多行数据合并成一行数据
- PageHelper.startPage的作用