高斯算法速算方法高斯勒让德公式及原理？

高斯算法速算方法

高斯勒让德公式及原理？

高斯勒让德公式及原理？

勒让德恒等式

为了满足var phi theta { 1/2 } pi！瓦菲。用θ！勒让德证明了以下恒等式:

K(sin var phi)E(sinθ)K(sinθ)E(sin var phi)-K(sin var phi)K(sinθ){ 1除以2}pi！

高斯-勒让德原理

varphitheta{piover 4}！的值可以代入勒让德恒等式，用a_01可以得到k和e的近似值！with b _ 0 sin { pi over 4 } frac { 1 } { sqrt { 2 } }！得到了算术几均的序列项

高斯-勒让德算法是一种用于计算π的算法。其收敛速度可圈可点，仅需要25次迭代就能产生4500万个π的正确数字。但内存密度是它的缺点，所以有时候不如Machin s公式。

这个方法是基于德国数学家约翰·卡尔·C·f·高斯？，1777-1855)和法国数学家阿德里安-玛丽·勒让德(1752-1833)将乘法和平方根运算的现代算法结合起来。该算法反复替换两个值的算术平均值和几均值，以逼近它们的算术-几均值。

为了理解高斯过程，我们首先需要知道以下预备知识，即:高斯分布(函数)，随机过程，贝叶斯概率等等。了解这些预备知识后，我们就可以顺利进入高斯过程，了解高斯过程的本质及其描述方法。

高斯过程模型是非参数模型，与其他算法相比，降低了算法的计算复杂度。

高斯模型可以解决高维空间(实际上是无限维)的数学问题，可以面对负的混合数学问题。

结合贝叶斯概率算法，可以通过先验概率推导出未知后验输入变量的后验概率。因果推理的概率。

高斯过程的观测变量空间是连续域、时间或空间。

当高斯过程的观测变量空间是实数域时，可以进行回归，实现预测。

当高斯过程的观测变量空间是整数域(观测点是离散的)时，我们可以对其进行分类。结合贝叶斯算法，甚至可以实现一类分类学习(训练)，面对小样本实现半监督学习然后完成分类。在异常检测领域非常有用，降低了标注成本(小样本、单类就可以训练模型)。