首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    Bloom Filters简介

    Bloom Filter(又叫布隆过滤器)是由B.H.Bloom在1970年提出的一种多哈希函数映射的快速查找算法。该算法的原名叫:“Space/time trade-offs in hash coding with allowable errors”,即一种允许一定容错率的哈希算法,因为在实际应用中经常有这样的情况:普通hash算法相对高额的空间消耗承受不住过大的数据,而实际上对询问的正确性要求又不大。在这种情况下Bloom Filter的时空优越性就体现出来了。 为了说明Bloom Filter存在的重要意义,举一个实例: 假设要你写一个网络蜘蛛(web crawler)。由于网络间的链接错综复杂,蜘蛛在网络间爬行很可能会形成“环”。为了避免形成“环”,就需要知道蜘蛛已经访问过那些URL。比较靠谱的方法是建立一个BitSet,将每个URL经过一个哈希函数映射到某一位。这个方法显然很合理,但是当数据量变得非常庞大的时候单一哈希函数发生冲突的概率太高。若要降低冲突发生的概率到1%,就要将BitSet的长度设置为URL个数的100倍!显然不符合实际。而事实上在这种应用中,少抓了几个网页的代价是很小的,所以其实并没有特别的必要来保证询问的完美正确性。 Bloom Filter算法相对朴素算法的区别就是使用了多个哈希函数,而不是一个。

    01

    检信智能非接触式心理参数智能分析与评测系统

    本发明公开了一种非接触式心理参数智能分析与评测系统,包括个人信息及数据采集模块、文本数据采集模块、文本数据处理模块、专家诊断临床文本数据模块、文本诊断识别、声音、面部表情数据采集模块;所述个人信息及数据采集模块,用于个人身份认证与管理;所述文本数据采集模块,用于根据诊断专家询问建立询问数据库,采用自动问询方式与患者进行病情在情绪、认知、兴趣、睡眠、食欲中任一或多个方面的数据采集;本发明采用非接触式采集语音情感、面部表情、文本信息作为分析的手段与方法,情绪数据能真实反映患者情绪变化和认知能力,不受患者主观或者客观的原因变化导致差异分析。

    02
    领券