Axure中文教程
Axure是一个可以快速制作网页原型并转换成HTML代码的软件，本教程详细的介绍了Axure的操作指导，推荐致力于网页制作的同学和工作人员使用！配置HTIL原型常规常规注注交分目的文件夹d:40011桌面M002选择一个生成Hm原型的输出目录匚生成一关闭3.生成完成后,会自动弹出一个浏览器窗口,打开生成的原型。9) Hone- mozilla Firefox食可节=国m1,∥/0/a0A面00无标题t可关闭框架B DHomePage 2D Page 3enter text左侧是所有页面的列表enter tex右侧是页面内容4.如果是正E浏览器为默认浏览器,选择”允许阻止内容”。a Untitled Document- microsoft Internet Explorer文件吧)编辑①查看0收藏④5)工具〔)帮助Q⊙团心户数☆收的,品园q自地址))D1201桌面0无标题 Start. html①为希助保护您的安全, Internet Explorer尸经阳时件能问绍的计算机的活动内容,单击允许阻止的内容()Close Frames有何风险)?信息栏帮助QomeB Page 1L Page 2B Page 3浏览器,选择“允许阻止内容。r0o3关闭用IE打开 Axure原型时的安全警告由于用 Axure生成的Htm原型带有 JavaScript脚本,用正在本地直接打开的话会出现安全警告。Untitled Document- microsoft Internet Explorer文件①)编辑①查看0收藏④)工具①)w助00⊙后⊙国团搜☆收的·品园变日地址):101桌面102无标题 Start. html①为帮助保护您的安全, Internet Explorer尸经阳性黑可的记你的计算机的活动内容,单击许阻止的内容④)Close Frames有何风险)?信息栏帮助Q回HomeBPageL Page 2正浏览器,选择“允许阻止内容。为了方便在高级设置里可以关闭这项安全警告。在IE选项一一高级一一安全区,找到允许活动内容在我的计算机上的文件中运行”,打上对勾点击应用”即可。详细设置位置可以见下图Internet选项常规1安全隐私内容连接程序高级设置()口启用集成 indows身份验证要重启动)使用ss2.0使用ssL3.0回活动内容在的计机的攻件中元一的活动内告在耸口允许运行或安装软件,即使签名无效口在安全和非安全模式之间转换时发出警告区重定向提交的表单时发出警告从地址栏中搜索搜时o不从地址栏中搜索显示结果,然后转到最柚近的站点只在主窗口中显示结果击还原默认设置0gL确定取消」应用如果使用的是谷歌浏览器,有一些交互效果可能体现不出来。需要安装一个 Axure RP For chrome演示扩展http://www.webppd.com/thread-2294-1-1.htmlr004把网格调整成5pX更有利于自动对齐axure的主编辑区有网格显示,可以辅助一些自动对齐的作用。把网络的间隔调整成5pX,更有利于内容的自动对齐。注意5px要手写输入,下拉选择里最小是10px。ce RP Pro5.6:授权予 IloveyouAxure查看①涯图①对象)来格()生成⑨共享(帮助(B自定义注解字段和视图(A)…管理页面注释①D管理变量(D活除所有注解重分配脚注号码(B重排所有连接线D网格对话框管理模块中增加的事件(5)式单位:像索网格问际标记模峡思显示屏幕网格标记图片映射区域(B用手写输入0x标记动态面板①D对齐到网格t1+t松G)关闭框图Ctrl+y祥式○直⊙交叉点入框DI设置⊙目○其它列表确定[取消:计::意框把编辑区的冈络调整成5px间隔,更有利于内容的自动对齐。L区r005认识一下 Axure的软件界面打开 Axure软件,照图先简单认识下 Axure的软件界面,无标是ApF56数权子1ym交件①①图对家粉①生惠(3共15帮动D工具栏L口e添加交互动作区正在编稱的页面,点这儿可关闭。自定义Descrption页面导航区添加页面上注度图·A如设置注样选项页面内容编阵区Target Rolea元件面板区和认带模块存放区事件事件晝整頁的文字注榉区真面入加、1自动保完虑r006页面导航区操作1.基本操作一试便知。站点地图中中段日HmePage 1Page 2Page 3基本操作一试便知2.重命名,直接按F2也可以重命名。合4中中应添加(A移动(M应删除①重命名(B动设计页面(E创建副本(cC图表类型(T生成流程图将路径放到脚贴板线框图给页面重命名技巧:选中页面直接按F2也可以重命名,F2是 Windows默认的重命名键。3.创建当前页或分支的副本。回deo- Axure RP Pro5.6:授权予 Iloveyou文件(P)编辑(E查看(y鱿框图()对象(表格〔T)生成站点地图Home区曾分9中中添加(A移动(M删除(D可以复制一份当前页内容重命名(B设计页面(E)创建副本〔c页面(P图表类型(T分支(E生成流程图将UR路径放到剪贴板可以复制一份当前整个分支页内容4.修改图表类型。de0- Axure RP Pro5.6:授权予 Iloveyou.xu文件①)编辑()查看(y)线框图()对象()表格(T生成(站点地图Home中中添加(A:移动(删除①D重命名(B设计页面(E∷:∷创建副本(c图表类型(T线框图生成流程图流程图(P将U路径放刭剪贴板修改类型之后,页面前的图标会有变化。一般在用于画流程图的页面中才修改页面的类型。5.把页面结构生成流程图。园Ao- Axure RPPr56:教权子Il9ym文件①E)线①D查看①)线相图①Y对象()表格生成G)共享①)帮助(D國气圆结点地图4中中之1g,poo ks加(6段班除①重命名(BHome设计贝面(g创本)agePage 2Page 1生成流程Page 2线相目Page 3可以把页面的结构生成流程图图片文本超接6.生成某个页面的URI地址。包de- Axure Pro5.6:授权千1 loveyouAxu文件(D)编辑①E)查看0D就框图(Y对象(Q)表格(T)生成()共享)帮期B四气呐世分移动nH: axure D idemo rp?pid=9336b0ae-1db6-481a-9a42-cf539949a37d像删除⑨重命名(B过设计页面(生成的以上地址可以在本机地址栏里打开,执行后是用 Axure打开对应页面进入编辑代态创津本g图表类型(T注意:整个地址中,任何位置出现中文,打开时将不能找到对应的页面。将师路径放到剪贴板就图此功能基本上没什么用,实际使用中极少用到。r0o7控件面板区一一组件库1. axure提供的默认组件,线框图和流程图。组件线框图所有库线框图流程图超链接Axure默认提供了最常的Web载入库控件,有线框图、流程图包建库(c)编辑库将按钮刷新库(R卸载库(DA表格输入框输入域还可以自己创建或载入库一些人制作和分享的组件库。2.组件库的扩展名为rpb,可以从网上下载获http://www.axure.com/widgetlibraries.aspx可以为你提供更多样式效果的组件。
- 2021-05-06下载
- 积分：1
EM算法详细例子及推导
EM算法详细例子及推导数θ),那么对于上面的实验,我们可以计算出他们出现我们观察到的结果即0=(5,9,.8,4,7,20=(B,A,A,B,4)的概率函数P(X=x10),2z)⑨)就叫做θ的似然函数。我们将它对θ求偏导并令偏导数为0,就可以得到如的结果P(X=x0,=20))=(;P(z=A)3(1-P(z=A)2C10(1-64)10A(1-6C104(1-0(1-6B)C106n(1-6我们将这个问题稍微改变一下,我们将我们所观察到的结果修改一…下我们现在只知道每次试验有几次投掷出正面,但是不知道每次试验投掷的是哪个硬币,也就是说我们只知道表中第一列和第三列。这个时候我们就称Z为隐藏变量( Hidden variable),X称为观察变量( Observed variable)。这个时候再来估计参数θ4和θB,就没有那么多数据可供使用了,这个时侯的估计叫做不完整数据的参数估计。如果我们这个时候冇某种方法(比如,正确的猜到每次投掷硬币是A还是B),这样的话我们就可以将这个不完整的数据估计变为完整数据估计当然我们如果没有方法来获得更多的数据的话,那么下面提供了一种在这种不完整数据的情况下来估计参数θ的方法。我们用迭代的方式来进行:(1)我们先赋给θ一个初始值,这个值不管是经验也好猜的也好,反正我们给它一个初始值。在实际使用中往往这个初始值是有其他算法的结果给岀的,当然随机给他分配一个符合定义域的值也可以。这里我们就给定64=0.7,6B=0.4(2)然后我们根据这个来判断或者猜测每次投掷更像是哪枚硬币投掷的结果。比如对于试验1,如果投掷的是Δ,那么出现5个止面的概率为C10×0.75×(1-07)5≈0.1029:;如果投掷的是B,出现5个正面的概率为C105×0.43×(1-0.4)5≈0.2007;基于试验1的试验结果,可以判断这个试验投掷的是使币A的概率为0.10290.10290.2007)-0.389是B的概率为02007(0.1029+0.2007)06611。因此这个结果更可能是投掷B出现的结果(3)假设上一步猜测的结果为B,A,A,B,A,那么恨据这个猜测,可以像完整数据的参数仙计一样(公式2重新计算的值这样一次一次的迭代2-3步骤直到收敛,我们就得到了θ的估计。现在你可能有疑问,这个方法靠谱么?事实证明,它确实是靠谱的。期望最大化算法就是在这个想法上改进的。它在估计每次投掷的硬币的吋候,并不要确定住这次就是硬币A或者B,它计算岀来这次投掷的硬币是A的概率和是B的概率;然后在用这个概率(或者叫做Z的分布)来计算似然函数。期望最大化算法步骤总结如下:F步骤先利用旧的参数值〃计算隐藏变量Z的(条件)分布P(万=2|Xn2),然后计算logP(,X=m)的期望B(o(2,X=x)=∑∑P(Z=别X=)P(Z=X=x)其中θ是当前的值,而θ是上一次迭代得到的值。公式中已经只剩下θ一个变量了,θ是一个确定的值,这个公式或者函数常常叫做Q函数,用Q(6,6)来表示。M步骤极大化Q,往往这一步是求导,得到由旧的θ值′米计算新的θ值的公式aQ总结一下,期望最大化算法就是先根据参数初值估计隐藏变量的分布,然后根据隐藏变量的分布来计算观察变量的似然函数,估计参数的值。前者通常称为E步骤,后者称为M步骤3数学基础首先来明确一下我们的目标:我们的目标是在观察变量X和给定观察样本:1,x2,…,rn的情況下,极大化对数似然函数(=>nP(X2=x;)(5)其中只包含观察变量的概率密度函数P(X2=2)=∑P(X=n,=)这里因为参数θ的写法与条件概率的写法相同,因此将参数θ写到下标以更明确的表述其中Z为隐藏随机变量,{}是Z的所有可能的取值。那么6)=∑h∑P(X=x,z=2)∑h∑。Px=x这里我们引入了一组参数(不要怕多,我们后面会处理掉它的)a,它满足可能的;,0;∈(0,1和∑;a=1到这里,先介绍一个凸函数的性质,或者叫做凸函数的定义。∫(x)为凸函数,=1,2,…,m,A∈[0,1∑1A对∫(x)定义域中的任意n个m1,x2,…,xn有f(∑Aa)≤∑mf(xr)i=1对于严格凸函数,上面的等号只有在x1=2xn的时候成立。关于凸函数的其他性质不再赘述。对数函数是一个严格凸数。因而我们可以有下面这个结果0)=∑hn∑≥∑∑ah(X=2n,2=C现在我们根据等号成立的条件来确定a;即P(X=x,Z=2)C(10)其中c是一个与j无关的常数。因为∑,=1,稍作变换就可以得到P(X;=x;)现在来解释下我们得到了什么。c;就是Z=2;在X=x;下的条件概率戌者后验概率。求α就是求隐藏随机变量Z的条件分布。总结一下目前得到的公式就是)-∑∑P(Xi=i,Z(12)直接就极大值比较难求,EM算法就是按照下面这个过程来的。它就是大名鼎鼎的琴生( Jensen)不等式(1)根据上一步的θ来计算α,即隐藏变量的条件分布(2)极大化似然函数来得到当前的的估计3.1极大似然估计好吧,我觉得还是再说说极大似然估计吧。给定一个概率分布D,假设其概率密度函数为f,其中f带有一组参数6。为了估计这组参数6,我们可以从这个分布中抽出一个具有n个采样值的X1,X2,…,Yn,那么这个就是n个(假设独立)同分布随机变量,他们分别有取值x1,x2…,xn,那么我们就可以计算出出现这样一组观察值的概率密度为lI f(ai)(13)对于f是离散的情况,就计算出现这组观察值的概率10)注意,这个函数中是含有参数0的。0的极大似然估计就是求让上面似然函数取极大值的时候的参数O值。般来说,会将上面那个似然函数取自然对数,这样往往可以简化计算。记住,这样仅仅是为了简化计算。取了自然对数之后的函数叫做对数似然函数。ln()=∑lnf(n)因为对数是一个严格单调递增的凹函数,所以对似然函数取极人值与对对数似然函数取极大值是等价的。3取了对数之后还可以跟信息熵等概念联系起来4关于凸函数有很多种说法,上凸函数和下凸函数,凸函数和凹函数等等,这里指的是二阶导数大」(等」)0的一类函数,而凹函数是其相反数为凸数的一类函数32期望最大化算法收敛性如何保证算法收敛呢?我们只用证明l(04+1)≥1(00)就可以了l(0(t11)∑∑(+1)1PX=x;2=2)(+(t+1∑∑nf(X=x;,z=z;)(+1)(t)o(tn /(r=i,Z=2(t)≥∑∑ahn(t)7(0其中第一个人于等于号是因为只有当a取值合适(琴生不等式等号成立条件)的时候才有等号成立,第二个人于等于号正是M步骤的操作所致。这样我们就知道l(θ)是随着迭代次数的增加越来越人的,收敛条件是值不再变化或者变化幅度很小。4应用举例4.1参数估计很直接的应用就是参数估计,上面举的例子就是参数估计42聚类但是如果估计的参数可以表明类别的话,比如某个参数表示某个样本是否属于某个集合。这样的话其实聚类问题也就可以归结为参数估计问题。References[]最大似然估计[oNline].Availablehttp://zh.wikipediaorg/wiki.%E6%9c%80%E5%A4%A7%E4%BC%BC%E7%84%B6%E4%BC%B0%E8%AE%A1[2] Ceppellini, r, Siniscalco, M.& Smith, C.A. Ann. Hum. Genet. 20, 97-115(1955)3 Hartley, H. Biometrics 14, 174-194(1958)4 Baum, L.E., Petric, T, Soulcs, G.& Weiss, N. Ann. Math. Stat 41, 164-171(1970)[ 5] Dempster, A P, Laird, N.M., Rubin, D B.(1977). "Maximum Likelihoodfrom Incomplete Data via the em algorithm. Journal of the royal statis-tical Society Series B(Methodological)39(1): 1-38. JSTOR 2984875 MR0501537[6]Whatistheexpectationmaximizationalgorithm[oNline].Avaiable:http//ai. stanford. edu/-chuongdo/papers/em tutorial pdf[7TheEmAlgorithmOnline.Availablehttp://www.cnblogs.com,jerrylead/ archive/2011/04/06/2006936html
- 2020-12-07下载
- 积分：1
