<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[机器学习与遥感图像智能信息处理]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/BingeCuiLab</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; BingeCuiLab]]></copyright><item><title><![CDATA[Softmax的理解与应用]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/65948828</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/65948828</guid><author>BingeCuiLab</author><pubDate>Sat, 25 Mar 2017 21:06:03 +0800</pubDate><description><![CDATA[【转】Softmax在机器学习中有非常广泛的应用，但是刚刚接触机器学习的人可能对Softmax的特点以及好处并不理解，其实你了解了以后就会发现，Softmax计算简单，效果显著，非常好用。

我们先来直观看一下，Softmax究竟是什么意思

我们知道max，假如说我有两个数，a和b，并且a>b，如果取max，那么就直接取a，没有第二种可能

但有的时候我不想这样，因为这样会造成分值小]]></description><category></category></item><item><title><![CDATA[大数据背后的神秘公式：贝叶斯公式]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/52061164</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/52061164</guid><author>BingeCuiLab</author><pubDate>Fri, 29 Jul 2016 08:56:08 +0800</pubDate><description><![CDATA[大数据、人工智能、海难搜救、生物医学、邮件过滤，这些看起来彼此不相关的领域之间有什么联系?答案是，它们都会用到同一个数学公式——贝叶斯公式。它虽然看起来很简单、很不起眼，但却有着深刻的内涵。那么贝叶斯公式是如何从默默无闻到现在广泛应用、无所不能的呢?一 什么是贝叶斯公式18世纪英国业余数学家托马斯·贝叶斯(Thomas Bayes，1702～1761)提出过一种看上去似乎显而易见的观点：“用客观的新]]></description><category></category></item><item><title><![CDATA[Maximum Noise Fraction (MNF) 中文翻译]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/51704467</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/51704467</guid><author>BingeCuiLab</author><pubDate>Sat, 18 Jun 2016 05:59:29 +0800</pubDate><description><![CDATA[英文中有很多单词，翻译成中文怎么看怎么别扭，词不达意，Maximum Noise Fraction就是其中的一例。


前面两个单词的翻译都没有什么异议，最大噪声，但第三个单词很难意译，翻译结果也五花八门：分数、分离、比率、比例等。


合起来就是：最大噪声分数、最大噪声分离、最大噪声比率、最大噪声比值。哪一个还是最恰当的呢？


根据MNF方法的原理，它是要将噪声的方差与图像总]]></description><category></category></item><item><title><![CDATA[矩阵的向量化及内积]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/50676758</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/50676758</guid><author>BingeCuiLab</author><pubDate>Tue, 16 Feb 2016 20:39:30 +0800</pubDate><description><![CDATA[定义1. 设矩阵A=(aij)∈Rm×nA=(a_{ij})\in R ^{m\times n}，把矩阵AA的元素按行的顺序排列成一个列向量： 
vecA=(a11,a12,⋯,a1n,a21,a22,⋯,a2n,⋯,am1,am2,⋯,amn)TvecA = (a_{11},a_{12},\cdots, a_{1n}, a_{21},a_{22},\cdots, a_{2n}, \cdots, a]]></description><category></category></item><item><title><![CDATA[Proximal Gradient Descent for L1 Regularization]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/50628634</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/50628634</guid><author>BingeCuiLab</author><pubDate>Wed, 03 Feb 2016 12:11:34 +0800</pubDate><description><![CDATA[[本文链接：http://www.cnblogs.com/breezedeus/p/3426757.html，转载请注明出处]假设我们要求解以下的最小化问题： 
minxf(x)\min\limits_x f(x)  
如果f(x)f(x)可导，那么一个简单的方法是使用Gradient Descent (GD)方法，也即使用以下的式子进行迭代求解： 
xk+1:=xk−α∇f(xk)。x_{k+1}]]></description><category></category></item><item><title><![CDATA[燃起对研究的激情]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/49915621</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/49915621</guid><author>BingeCuiLab</author><pubDate>Wed, 18 Nov 2015 23:59:16 +0800</pubDate><description><![CDATA[整理：戚冬杰  互联网数据管理组实习生 
   “研究规范” 是微软亚洲研究院面向实习生推出的一个分享研究经纬的讲座系列。视觉计算组高级研究员马毅的开讲，揭开了这一系列的序幕。
   马毅，成长于四川，就学于北京清华，深造于美国加利佛尼亚大学伯克利分校，后在美国伊利诺伊大学香槟分校任教时，成为了电气与计算机工程系历史上最年轻的副教授。在来到微软亚洲研究院工作的时候，他最想把自己体验到的东西方治]]></description><category></category></item><item><title><![CDATA[马毅与来自高维度的恩赐]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/49915077</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/49915077</guid><author>BingeCuiLab</author><pubDate>Wed, 18 Nov 2015 23:34:32 +0800</pubDate><description><![CDATA[﻿﻿

原文地址：马毅与来自高维度的恩赐作者：微软亚洲研究院
文：Rob Knies

翻译：曹璐倩
校对：孙凌

马毅研究员

 
我们生活在一个数据膨胀的世界。对于今天的科学家来说，数据泛滥不能不失为一个难题。一方面，有丰富的信息可供分析利用。而另一方面，如此丰富的数据带来了学习与研究庞大数据量的成本。
 
有时，这的确可能成为非常沉重的负担。但在马毅的研究中，这巨量]]></description><category></category></item><item><title><![CDATA[矩阵的tr]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/49836643</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/49836643</guid><author>BingeCuiLab</author><pubDate>Sat, 14 Nov 2015 16:24:32 +0800</pubDate><description><![CDATA[转载请声明出处：http://www.cnblogs.com/gaoshangbing/articles/1700717.html在线性代数中，n乘n方阵“A”的迹，是指“A”的主对角线各元素的总和（从左上方至右下方的对角线），例如： 
tr(A)=A 1,1 +A 2,2 +...+A n,n  tr(A) = A_{1,1} + A_{2,2} + ... + A_{n,n} 
其中 A ij]]></description><category></category></item><item><title><![CDATA[ADMM优化算法]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/47209649</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/47209649</guid><author>BingeCuiLab</author><pubDate>Mon, 03 Aug 2015 18:42:09 +0800</pubDate><description><![CDATA[ADMM优化算法原文链接： http://www.cnblogs.com/breezedeus/p/3496819.html从等式约束的最小化问题说起：minf(x)s.t.Ax=b  \min f(x) \quad s.t. Ax=b上面问题的拉格朗日表达式为：L(x,λ)=f(x)+λ T (Ax−b) L(x,λ)=f(x)+λ^T(Ax-b)也就是前面的最小化问题可以写为：min x max]]></description><category></category></item><item><title><![CDATA[Matlab字典学习工具]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/47253771</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/47253771</guid><author>BingeCuiLab</author><pubDate>Mon, 03 Aug 2015 11:31:21 +0800</pubDate><description><![CDATA[Dictionary Learning Tools for MatlabKarl Skretting, University of Stavanger.]]></description><category></category></item><item><title><![CDATA[Matlab中配置LibSVM的操作步骤]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/47209245</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/47209245</guid><author>BingeCuiLab</author><pubDate>Sun, 02 Aug 2015 17:45:28 +0800</pubDate><description><![CDATA[安装Matlab 2014a和Visual Studio 2010。
将libsvm-3.17.zip和drtoolbox.tar文件解压，并放到 
C:\Program Files\MATLAB\R2014a\toolbox目录下。
在桌面上右键单击Matlab的图标，选择“以管理员身份运行”。
单击File菜单下的Set Path…菜单项，打开Set Path对话框。
单击Add with Su]]></description><category></category></item><item><title><![CDATA[对称矩阵的特征向量两两正交的证明]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/47209037</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/47209037</guid><author>BingeCuiLab</author><pubDate>Sun, 02 Aug 2015 17:23:36 +0800</pubDate><description><![CDATA[对称阵有一个很优美的性质：它总能相似对角化，对称阵不同特征值对应的特征向量两两正交。 
假设矩阵AA是一个对称矩阵， xix_i和xjx_j 是矩阵AA 的任意两个特征向量，λi\lambda_i和λj\lambda_j 是与xix_i和xjx_j 相对应的特征值，则有：
  Axi=λixi(1)Ax_i = \lambda_ix_i \qqu]]></description><category></category></item><item><title><![CDATA[变量分裂法（Variable Splitting）]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/47208895</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/47208895</guid><author>BingeCuiLab</author><pubDate>Sun, 02 Aug 2015 17:10:28 +0800</pubDate><description><![CDATA[变量分裂法变量分裂方法可以解决目标函数是两个函数之和的优化问题： 
min u∈K n  f 1 (u)+f 2 (g(u))(1)  \min\limits_{u\in K^n}f_1(u)+f_2(g(u))\qquad (1)  
其中g是n维向量到d维向量的一个映射。所谓的变量分裂就是将上式变为： 
min u∈K n ,v∈R d  s.t. f 1 (u)+f 2 (v)g(u)=v (]]></description><category></category></item><item><title><![CDATA[SCI收录期刊——遥感学科]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/47009153</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/47009153</guid><author>BingeCuiLab</author><pubDate>Wed, 22 Jul 2015 20:33:13 +0800</pubDate><description><![CDATA[转自科学网：http://blog.sciencenet.cn/home.php?do=blog&id=251454&mod=space&uid=57081
万跃华 2009年8月26日


截至到2009年8月SCI扩展版收录遥感学科期刊23种（SCI核心版6种），其中2009年开始被SCI收录的遥感学科期刊1种，2008年开始被SCI收录的遥感学科期刊4种，出版地为的美国遥感期刊10种]]></description><category></category></item><item><title><![CDATA[矩阵求逆引理]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/46883893</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/46883893</guid><author>BingeCuiLab</author><pubDate>Tue, 14 Jul 2015 21:36:28 +0800</pubDate><description><![CDATA[昨天晚上我看天线阵列的论文，其中有一处表达式没有看明白怎么回事。后来查阅附录，找到了一个“矩阵求逆引理”，其内容为：

      若矩阵A∈CN×N，C∈CN×N，均为非奇异矩阵，矩阵B∈CN×M，D∈CM×N，则矩阵A+BCD具有逆矩阵：

(A+BCD)-1=A-1-A-1B(DA-1B+C-1)-1DA-1

      我试图推导，花了好多时间，却没有什么收获。这个式子仿佛四]]></description><category></category></item><item><title><![CDATA[CVX: Matlab Software for Disciplined Convex Programming]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/46637981</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/46637981</guid><author>BingeCuiLab</author><pubDate>Thu, 25 Jun 2015 16:23:48 +0800</pubDate><description><![CDATA[http://cvxr.com/cvx/

CVX is a Matlab-based modeling system for convex optimization. CVX turns Matlab into a modeling language, allowing constraints and objectives to be specified using standard Mat]]></description><category></category></item><item><title><![CDATA[Matlab Toolbox for Dimensionality Reduction]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/46047753</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/46047753</guid><author>BingeCuiLab</author><pubDate>Wed, 27 May 2015 15:44:11 +0800</pubDate><description><![CDATA[The Matlab Toolbox for Dimensionality Reduction contains Matlab implementations of 34 techniques for dimensionality reduction and metric learning. A large number of implementations was developed f]]></description><category></category></item><item><title><![CDATA[GDAL专栏]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/46004799</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/46004799</guid><author>BingeCuiLab</author><pubDate>Tue, 26 May 2015 10:34:16 +0800</pubDate><description><![CDATA[﻿﻿
李民录的专栏


http://blog.youkuaiyun.com/liminlu0314/article/category/777646]]></description><category></category></item><item><title><![CDATA[各种距离度量]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/45874637</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/45874637</guid><author>BingeCuiLab</author><pubDate>Wed, 20 May 2015 19:47:14 +0800</pubDate><description><![CDATA[在做分类时常常需要估算不同样本之间的相似性度量(SimilarityMeasurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。

　　本文的目的就是对常用的相似性度量作一个总结。




本文目录：

1.欧氏距离

2.曼哈顿距离

3. 切比雪夫距离

4. 闵可夫斯基距离]]></description><category></category></item><item><title><![CDATA[Low-Rank Matrix Recovery and Completion via Convex Optimization]]></title><link>https://blog.youkuaiyun.com/BingeCuiLab/article/details/45790385</link><guid>https://blog.youkuaiyun.com/BingeCuiLab/article/details/45790385</guid><author>BingeCuiLab</author><pubDate>Sun, 17 May 2015 17:16:51 +0800</pubDate><description><![CDATA[Low-Rank Matrix Recovery and Completion
 via Convex Optimization

This website introduces new tools for recovering low-rank matrices from incomplete or corrupted observations.]]></description><category></category></item></channel></rss>