多项式和生成函数
前言
他在讲什么,我多项式学了个寂寞……
右下角有目录请放心使用(并不
右下角的目录只能提取2级标签呢……
有关多项式元
传送门:
【百度百科】元
元(variable (或element)), 是数学的基本概念之一,研究问题中某种独立的对象称为“元”。
多项式或其他代数式中用文字字母所表示的一种抽象的对象常称为元.如称为整系数一元多项式
单位元:
传送门:
【百度百科】单位元
单位元(英文常写作Identity Element,即IE)是集合里的一种特别的元
当单位元和其他元素结合时,并不会改变那些元素。
对应于加法的单位元称之为加法单位元(通常被标为0),而对应于乘法的单位元则称之为乘法单位元(通常被标为1)。这一区分大多被用在有两个二元运算的集合上,比如环。
百度百科有实例(好耶
群
传送门:
【百度百科】群
在数学中,群表示一个拥有满足 封闭性、满足结合律、有单位元、有逆元的 二元运算的代数结构,包括阿贝尔群、同态和共轭类
封闭性:
封闭性,又称闭包。数学里,给定一个非空集合S 和一个函数F : S X S -> S ,则称 F 为在 S 上之二元运算(binary operation),或称 (S,F) 具有封闭性(closure)。在数学中,若对某个集合的成员进行一种运算,生成的仍然是这个集合的元素,则该集合被称为在这个运算下闭合。
二元运算:
二元运算是指由两个元素形成第三个元素的一种规则,例如数的加法及乘法;更一般地,由两个集合形成第三个集合的产生方法或构成规则称为二次运算。
二元运算(Binary operation)作用于两个对象的运算。如任意二数相加或相乘而得另一数;任意二集合相交或相并而得另一集合;任意一个多行矩阵与一个多列矩阵相乘而得另一矩阵;任意二函数合成而为另一函数,以上加、乘、交、并,积及合成均属二元运算
百度百科上有简单例子(好耶
阿贝尔群:
传送门:
【百度百科】阿贝尔群
阿贝尔群(Abelian Group),又称交换群或加群,是这样一类群:
它由自身的集合 G 和二元运算 * 构成。它除了满足一般的群公理,即运算的结合律、G 有单位元、所有 G 的元素都有逆元之外,还满足交换律公理。因为阿贝尔群的群运算满足交换律和结合律,群元素乘积的值与乘法运算时的次序无关。
(简单说,是有交换律的群)
环:
传送门:
【百度百科】环
环(Ring)是一类包含两种运算(加法和乘法)的代数系统,是现代代数学十分重要的一类研究对象。
其发展可追溯到19世纪关于实数域的扩张及其分类的研究。
在非空集合\(R\)中,若定义了两种代数运算\(+\)和\(×\)(不一定为加与乘),且满足:
集合R在+运算下构成阿贝尔群(Abelian group)。
\(×\)运算在集合\(R\)下满足结合律
\(×\)对\(+\)和有分配律成立
就称:
是一个环。简记为\(R\)。\(R\)上加法群的单位元称为零元。
整环
传送门:
【百度百科】整环
一个非零环R叫做一个整环(integral domain),整环是抽象代数中最基本的概念之一。
对任意的\(a,b\)属于环\(R\),
假如
1、乘法适合交换律ab=ba;
2、R有单位元e;
3、R没有零因子ab=0可得a=0或b=0
则R是整环。
素元
传送门
【百度百科】素元
在数学里,尤其是在抽象代数里,交换环的素元(prime element)是指满足类似整数里的素数或不可约多项式之性质的一个数学物件。须注意的是,素元与不可约元素之间并不相同,虽然在唯一分解整环里是一样的,但在一般情况下则不一定相同
唯一分解整环
传送门:
【百度百科】唯一分解整环
唯一分解整环(unique factorization domain)是使得每个其中非零元素都能唯一表成一个单位(环中有乘法逆的元素被称为单位)和素元之积的整环。
本原多项式
传送门:
【百度百科】本原多项式
本原多项式是近世代数中的一个概念,是唯一分解整环上满足所有系数的最大公因数为1的多项式。本原多项式不等于零,与本原多项式相伴的多项式仍为本原多项式
搭建ing
座右铭:我从来没有见过这样阴郁而又光明的日子。
推荐阅读
-
详解:C语言实现猜数字大小的小游戏(随机生成100以内的整数)-srand函数
-
14-傅里叶变换的代码实现-一、numpy实现傅里叶变换和逆傅里叶变换 1.numpy实现傅里叶变换numpy.fft.fft2实现傅里叶变换,返回一个复数数组(complex ndarray),也就是频谱图像numpy.fft.fftshift将零频率分量移到频谱中心(将左上角的低频区域,移到中心位置) 20*np.log(np.abs(fshift))设置频谱的范围。可以理解为,之前通过傅里叶变换得到复数的数组,是不能通过图像的方法展示出来的,需要转换为灰度图像(映射到[0,255]区间)需要注意的是1> 傅里叶得到低频、高频信息,针对低频、高频处理能够实现不同的目的2> 傅里叶过程是可逆的,图像经过傅里叶变换、逆傅里叶变换后,能够恢复到原始图像3> 在频域对图像进行处理,在频域的处理会反映在逆变换图像上 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) # 移动中心位置 fshift = np.fft.fftshift(f) # 调整值范围 result = 20*np.log(np.abs(fshift)) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(result,cmap=plt.cm.gray) plt.title("result") plt.axis("off") plt.show 傅里叶变换的频谱图像: 2.numpy实现逆傅里叶变换numpy.fft.ifft2实现逆傅里叶变换,返回一个复数数组(complex ndarray)numpy.fft.ifftshiftfftshift函数的逆函数,将中心位置的低频,重新移到左上角iimg = np.abs(逆傅里叶变化结果)设置值的范围,映射到[0,255]区间 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\boat.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) fshift = np.fft.fftshift(f) # 逆傅里叶变换 ishift = np.fft.ifftshift(fshift) iimg = np.fft.ifft2(ishift) iimg = np.abs(iimg) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("iimg") plt.axis("off") plt.show 将一副图像,进行傅里叶变换和逆傅里叶变换后,进行对比(一样的) 实例:通过numpy实现高通滤波,保留图像的边缘信息 获取图像的形状rows,cols = img.shape获取图像的中心点crow,ccol = int(rows/2),int(cols/2)将频谱图像的中心区域(低频区域)设置为0(黑色)fshift[crow-30:crow+30,ccol-30:ccol+30] = 0 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\boat.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) fshift = np.fft.fftshift(f) # 高通滤波 rows,cols = img.shape crow,ccol = int(rows/2),int(cols/2) fshift[crow-30:crow+30,ccol-30:ccol+30] = 0 # 逆傅里叶变换 ishift = np.fft.ifftshift(fshift) iimg = np.fft.ifft2(ishift) iimg = np.abs(iimg) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("iimg") plt.axis("off") plt.show 使用numpy实现高通滤波的实验结果: 二、opencv实现傅里叶变换和逆傅里叶变换 1.opencv实现傅里叶变换 返回结果 = cv2.dft(原始图像,转换标识)1> 返回结果:是双通道的,第一个通道是结果的实数部分,第二个通道是结果的虚数部分2> 原始图像:输入图像要首先转换成np.float32(img)格式3> 转换标识:flags = cv2.DFT_COMPLEX_OUTPUT,输出一个复数阵列numpy.fft.fftshift将零频率分量移到频谱中心(将左上角的低频区域,移到中心位置)调整频谱的范围,将上面频谱图像的复数数组,转换为可以显示的灰度图像(映射到[0,255]区间)返回值 = 20*np.log(cv2.magnitude(参数1,参数2))1> 参数1:浮点型X坐标值,也就是实部2> 参数2:浮点型Y坐标值,也就是虚部 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) # 移动中心位置 dftShift = np.fft.fftshift(dft) # 调整频谱的范围 result = 20*np.log(cv2.magnitude(dftShift[:,:,0],dftShift[:,:,1])) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(result,cmap=plt.cm.gray) plt.title("result") plt.axis("off") plt.show 傅里叶变换的频谱图像: 2.opencv实现逆傅里叶变换返回结果 = cv2.idft(原始数据)1> 返回结果:取决于原始数据的类型和大小2> 原始数据:实数或者复数均可numpy.fft.ifftshiftfftshift函数的逆函数,将中心位置的低频,重新移到左上角调整频谱的范围,映射到[0,255]区间返回值 = cv2.magnitude(参数1,参数2)1> 参数1:浮点型X坐标值,也就是实部2> 参数2:浮点型Y坐标值,也就是虚部 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) dftShift = np.fft.fftshift(dft) # 逆傅里叶变换 ishift = np.fft.ifftshift(dftShift) iimg = cv2.idft(ishift) iimg = cv2.magnitude(iimg[:,:,0],iimg[:,:,1]) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("inverse") plt.axis("off") plt.show 将一副图像,进行傅里叶变换和逆傅里叶变换后,进行对比(一样的) 实例:通过opencv实现低通滤波,模糊一副图像
-
比较与使用:fftshift和ifftshift函数在matlab中的不同
-
移位操作函数的应用:circshift、fftshift和ifftshift在matlab中的用法
-
逆滤波与维纳滤波的应用于Python运动模糊和退化模型的点扩散函数
-
MATLAB函数fft2在进行二维傅里叶变换时需要注意的要点(包括二维傅里叶变换的物理意义、使用im2double、fftshift、abs和imshow函数)
-
函数和触发器的安全性在21.6更新
-
生成式AI与LLM对传统AI的影响和未来发展:一审视传统AI,全面解析生成式AI和LLM的影响与前景
-
演示讲解PS 矩形选区工具的基本用法:生成图层和不同选区方式
-
Vue的钩子函数深度解析:路由导航守卫、keep-alive和生命周期钩子