反向推算法

1. 有一个数,如果用这个数加上12,再除以4,然后减去15,再乘以10,再减去12,刚好是88,这个数

方法一，
反向计算。
((x+12)/4-15)*10-12=88
x=((88+12)/10+15)*4-12=88
方法二，

本题用逆向推算法：
88+12=100
100/10=10
10+15=25
25*4=100
100-12=88

2. 直放站反向级联噪声系数与上行增益关系公式是怎么推算的呢

反向噪声一般直接算功率，然后通过适当的调节，使到达BTS端口的噪声功率低于-110dBm。
最简单的算法是：-174 + G远端 + 10LgN远端个数 + G近端 - 近端耦合器的耦合度
这个可以大致的算常规的直放站，如果采用了降噪功能的话，会比这个好的多

3. 反向传播算法 为什么 误差 那么定义

自从40年代赫布(D.O.
Hebb)提出的学习规则以来，人们相继提出了各种各样的学习算法。其中以在1986年Rumelhart等提出的误差反向传播法，即BP(error
BackPropagation)法影响最为广泛。直到今天，BP算法仍然是自动控制上最重要、应用最多的有效算法。是用于多层神经网络训练的着名算法，有理论依据坚实、推导过程严谨、物理概念清楚、通用性强等优点。但是，人们在使用中发现BP算法存在收敛速度缓慢、易陷入局部极小等缺点。
BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。
1）正向传播：输入样本－>输入层－>各隐层（处理）－>输出层
注1：若输出层实际输出与期望输出（教师信号）不符，则转入2）（误差反向传播过程）。
2）误差反向传播：输出误差（某种形式）－>隐层（逐层）－>输入层 其主要目的是通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值（其过程，是一个权值调整的过程）。
注2：权值调整的过程，也就是网络的学习训练过程（学习也就是这么的由来，权值调整）。
1）初始化
2）输入训练样本对，计算各层输出
3）计算网络输出误差
4）计算各层误差信号
5）调整各层权值
6）检查网络总误差是否达到精度要求
满足，则训练结束；不满足，则返回步骤2。
1）易形成局部极小（属贪婪算法，局部最优)而得不到全局最优；
2）训练次数多使得学习效率低下，收敛速度慢（需做大量运算）；
3）隐节点的选取缺乏理论支持；
4）训练时学习新样本有遗忘旧样本趋势。

4. 如何理解CNN神经网络里的反向传播backpropagation，bp算法

类比来说类似于
几个人站成一排
第一个人看一幅画（输入数据），描述给第二个人（隐层）……依此类推，到最后一个人（输出）的时候，画出来的画肯定不能看了（误差较大）。
反向传播就是，把画拿给最后一个人看（求取误差），然后最后一个人就会告诉前面的人下次描述时需要注意哪里（权值修正）。

5. hash算法是什么

哈希算法（Hash 算法，Hash 算式，散列算法，消息摘要算法）将任意长度的二进制值映射为较短的固定长度的二进制值，这个小的二进制值称为哈希值。哈希值是一段数据唯一且极其紧凑的数值表示形式。

构成哈希算法的条件：

从哈希值不能反向推导出原始数据（所以哈希算法也叫单向哈希算法）。

对输入数据非常敏感，哪怕原始数据只修改了一个 Bit，最后得到的哈希值也大不相同。

散列冲突的概率要很小，对于不同的原始数据，哈希值相同的概率非常小。

哈希算法的执行效率要尽量高效，针对较长的文本，也能快速地计算出哈希值。

常见hash算法的原理

散列表，它是基于快速存取的角度设计的，也是一种典型的“空间换时间”的做法。顾名思义，该数据结构可以理解为一个线性表，但是其中的元素不是紧密排列的，而是可能存在空隙。

散列表（Hash table，也叫哈希表），是根据关键码值（Key value）而直接进行访问的数据结构。也就是说，它通过把关键码值映射到表中一个位置来访问记录，以加快查找的速度。这个映射函数叫做散列函数，存放记录的数组叫做散列表。

6. 百分比反推怎么算

：100元的30%为30元,如何反算70%为70元的值,
70 ÷ 70% = 70/ 0.7 = 100 元

7. 因为反向传播算法人工智能进入第二个高潮具体是在哪一年

人工智能的第二次高潮始于上世纪80年代。

人工智能是在1956年达特茅斯会议上首先提出的。该会议确定了人工智能的目标是“实现能够像人类一样利用知识去解决问题的机器”。虽然，这个梦想很快被一系列未果的尝试所击碎，但却开启了人工智能漫长而曲折的研究历程。

人工智能的第一次高潮始于上世纪50年代。在算法方面，感知器数学模型被提出用于模拟人的神经元反应过程，并能够使用梯度下降法从训练样本中自动学习，完成分类任务。另外，由于计算机应用的发展，利用计算机实现逻辑推理的一些尝试取得成功。

理论与实践效果带来第一次神经网络的浪潮。然而，感知器模型的缺陷之后被发现，即它本质上只能处理线性分类问题，就连最简单的异或题都无法正确分类。许多应用难题并没有随着时间推移而被解决，神经网络的研究也陷入停滞。

人工智能的第二次高潮始于上世纪80年代。BP(Back Propagation)算法被提出，用于多层神经网络的参数计算，以解决非线性分类和学习的问题。另外，针对特定领域的专家系统也在商业上获得成功应用，人工智能迎来了又一轮高潮。

然而，人工神经网络的设计一直缺少相应的严格的数学理论支持，之后BP算法更被指出存在梯度消失问题，因此无法对前层进行有效的学习。专家系统也暴露出应用领域狭窄、知识获取困难等问题。人工智能的研究进入第二次低谷。

人工智能的第三次高潮始于2010年代。深度学习的出现引起了广泛的关注，多层神经网络学习过程中的梯度消失问题被有效地抑制，网络的深层结构也能够自动提取并表征复杂的特征。

避免传统方法中通过人工提取特征的问题。深度学习被应用到语音识别以及图像识别中，取得了非常好的效果。人工智能在大数据时代进入了第三次发展高潮。

8. 逆向工程是怎么实现的能举例吗

逆向工程（又名反向工程，Reverse Engineering-RE）是对产品设计过程的一种描述。在2007年初，我国相关的法律为逆向工程正名，承认了逆向技术用于学习研究的合法性。
在工程技术人员的一般概念中，产品设计过程是一个从设计到产品的过程，即设计人员首先在大脑中构思产品的外形、性能和大致的技术参数等，然后在详细设计阶段完成各类数据模型，最终将这个模型转入到研发流程中，完成产品的整个设计研发周期。这样的产品设计过程我们称为“正向设计”过程。逆向工程产品设计可以认为是一个从产品到设计的过程。简单地说，逆向工程产品设计就是根据已经存在的产品，反向推出产品设计数据（包括各类设计图或数据模型）的过程。从这个意义上说，逆向工程在工业设计中的应用已经很久了。比如早期的船舶工业中常用的船体放样设计就是逆向工程的很好实例。
随着计算机技术在各个领域的广泛应用，特别是软件开发技术的迅猛发展，基于某个软件，以反汇编阅读源码的方式去推断其数据结构、体系结构和程序设计信息成为软件逆向工程技术关注的主要对象。软件逆向技术的目的是用来研究和学习先进的技术，特别是当手里没有合适的文档资料，而你又很需要实现某个软件的功能的时候。也正因为这样，很多软件为了垄断技术，在软件安装之前，要求用户同意不去逆向研究。
逆向工程的实施过程是多领域、多学科的协同过程。

9. 反向传播算法的介绍

反向传播算法（英：Backpropagation algorithm，简称：BP算法）是一种监督学习算法，常被用来训练多层感知机。 于1974年，Paul Werbos[1]首次给出了如何训练一般网络的学习算法，而人工神经网络只是其中的特例。不巧的，在当时整个人工神经网络社群中却无人知晓Paul所提出的学习算法。直到80年代中期，BP算法才重新被David Rumelhart、Geoffrey Hinton及Ronald Williams[2][3]、David Parker[4]和Yann LeCun[5]独立发现，并获得了广泛的注意，引起了人工神经网络领域研究的第二次热潮。BP算法是Delta规则的推广，要求每个人工神经元（节点）所使用的激励函数必须是可微的。BP算法特别适合用来训练前向神经网络。

10. 反向传播算法的算法简介

反向传播算法（backpropagation）是目前用来训练人工神经网络（artificial
neural
network，ann）的最常用且最有效的算法。其主要思想是：
（1）将训练集数据输入到ann的输入层，经过隐藏层，最后达到输出层并输出结果，这是ann的前向传播过程；
（2）由于ann的输出结果与实际结果有误差，则计算估计值与实际值之间的误差，并将该误差从输出层向隐藏层反向传播，直至传播到输入层；
（3）在反向传播的过程中，根据误差调整各种参数的值；不断迭代上述过程，直至收敛。
反向传播算法的思想比较容易理解，但具体的公式则要一步步推导，因此本文着重介绍公式的推导过程。
1.
变量定义
上图是一个三层人工神经网络，layer1至layer3分别是输入层、隐藏层和输出层。如图，先定义一些变量：
表示第层的第个神经元连接到第层的第个神经元的权重；
表示第层的第个神经元的偏置；
表示第层的第个神经元的输入，即：
表示第层的第个神经元的输出，即：
其中表示激活函数。
2.
代价函数
代价函数被用来计算ann输出值与实际值之间的误差。常用的代价函数是二次代价函数（quadratic
cost
function）：
其中，表示输入的样本，表示实际的分类，表示预测的输出，表示神经网络的最大层数。
3.
公式及其推导
本节将介绍反向传播算法用到的4个公式，并进行推导。如果不想了解公式推导过程，请直接看第4节的算法步骤。
首先，将第层第个神经元中产生的错误（即实际值与预测值之间的误差）定义为：
本文将以一个输入样本为例进行说明，此时代价函数表示为：
公式1（计算最后一层神经网络产生的错误）：
其中，表示hadamard乘积，用于矩阵或向量之间点对点的乘法运算。公式1的推导过程如下：
公式2（由后往前，计算每一层神经网络产生的错误）：
推导过程：
公式3（计算权重的梯度）：
推导过程：
公式4（计算偏置的梯度）：
推导过程：
4.
反向传播算法伪代码
输入训练集
对于训练集中的每个样本x，设置输入层（input
layer）对应的激活值：
前向传播：
，
计算输出层产生的错误：