- 博客(74)
- 资源 (1)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 高级软件工程-复习
SOA(Service Oriented Architecture)面向服务架构：所有组件都设计为服务、且服务可以组合的软件架构。**特点：**一个服务直接访问另外一个服务的数据时可能出现不稳定。
2025-01-10 22:32:51
893
原创 模式识别-Ch5-线性判别函数
Ch5 线性判别函数文章目录Ch5 线性判别函数引言：生成模型 vs判别模型生成模型 vs 判别模型判别模型分类线性判别函数与决策面线性判别函数两类情况下的决策多类问题下决策多类情形-线性机器线性决策面优缺点广义线性判别函数例：二次判别函数例1: 1-D判别函数感知准则函数概念齐次增广->规范化增广解向量与解区感知准则函数算法收敛性松驰方法学习准则最小平方误差（MSE）准则函数线性判别函数的参数估计可得一个线性方程组：Ya=bYa = bYa=b$$\begin{bmatrix}y_{10}
2025-01-07 14:06:00
991
原创 模式识别-Ch4-非参数估计
Ch4 非参数估计文章目录Ch4 非参数估计非参数密度估计基本原理收敛性Parzen窗估计方法介绍窗函数的选择窗宽的影响例子：用高斯窗估计高斯分布1-D2-DK近邻估计基本方法收敛性分析: knk_nkn的选择对收敛的影响pn(x)p_n(x)pn(x)一维下解析表达式K近邻分类器最近邻分类器例子最近邻规则的错误率分析推导过程K近邻分类器K近邻分类器与K近邻估计的关系K近邻的快速计算部分距离搜索树压缩近邻法距离度量欧氏距离Mahalanobis（马氏）距离性质Tangent Distance（切向距
2025-01-07 14:05:33
572
原创 模式识别-Ch3-HMM
隐马尔可夫模型(HMM)时间序列模型:X={x1,x2.…,xn}X=\{\mathbf{x}_1,\mathbf{x}_2.\dots,\mathbf{x}_n\}X={x1,x2.…,xn}nnn是序列长度xt∈Rd\mathbf{x}_t\in\mathbb{R}^dxt∈Rd是XXX在t时刻的观察数据不满足独立假设、观测数据间具有很强的相关性。**Q: 如何对序列数据表示、学习和推理? **首先需要引入关于数据分布和时间轴依赖关系的概率模型，即如何表示p(x1,x2,…,x
2025-01-07 14:03:41
593
原创 模式识别-Ch3-特征维数问题
特征维数问题:分类错误率与特征的关系模式分类与特征的关系贝叶斯决策(0-1损失)：w∗=argmaxjp(wj∣x)w^{*}=\arg\max_{j}p(w_{j}\vert \mathbf{x})w∗=argmaxjp(wj∣x)特征空间给定时，贝叶斯分类错误率就确定了，即分类性能的理论上限就确定了（与分类器、学习算法无关）增加特征有什么好处：判别性：类别间有差异的特征有助于分类带来什么问题：泛化性能、Overfitting（过拟合）、计算、存储高斯分布（两类问题）p(x∣wj
2025-01-07 14:02:43
823
原创 模式识别-Ch3-贝叶斯学习
基本假设密度px∣θpx∣θ的形式已知，但参数向量的值未知。关于θ\thetaθ的初始知识包含在已知的先验密度pθp(\theta)pθ中。关于θ\thetaθ的其余知识包含在根据未知概率密度pxpx独立抽取的nnn个样本x1x2⋯xnx1x2⋯xn的集合DDD中。基本问题：计算关于参数θ\thetaθ的后验密度pθ∣Dpθ∣D和关于数据的后验密度px∣Dpx∣D。pθ∣。
2025-01-07 14:00:52
807
原创 模式识别-Ch3-贝叶斯估计
贝叶斯估计是概率密度估计中另一类主要的参数估计方法。其结果在很多情况下与最大似然法十分相似，但是，两种方法对问题的处理视角是不一样的。这些方程展示了先验信息如何与样本中的经验信息相结合以获得后验密度。PR/ML方法中普遍使用的L2正则，等价于假设参数服从。，数据独立采样，且服从数据分布：(数据是互相独立的)的后验分布，并没有像最大似然估计那样获得参数。积分通常很难计算，使用蒙特卡洛近似方法： 是。，在上述条件下，估计关于参数的后验分布。利用贝叶斯公式计算参数的后验分布。上面公式给出的是一维下估计。
2025-01-07 14:00:24
1196
原创 模式识别-Ch2-分类错误率
分类错误率最小错误率贝叶斯决策样本xxx的错误率： 任一决策都可能会有错误。P(error∣x)={P(w2∣x),if we decide x as w1P(w1∣x),if we decide x as w2P(\text{error}|\mathbf{x})=\begin{cases} P(w_2|\mathbf{x}), & \text{if we decide } \mathbf{
2025-01-07 13:55:38
1071
原创 模式识别-Ch2-高斯下判别函数
高斯密度下的判别函数高斯分布在给定均值和方差的所有分布中，正态分布的熵最大根据Central Limit Theorem(中心极限定理)，大量独立随机变量之和趋近正态分布实际环境中，很多类别的特征分布趋近正态分布多元正态分布：x=[x1,x2,…,xd]T∈Rd, μ=[μ1,μ2,…,μd]T∈Rd\mathbf{x} = [x_1, x_2, \ldots, x_d]^T \in \mathbb{R}^d,\ \boldsymbol{\mu} = [\mu_1, \mu_2,
2025-01-07 13:55:07
834
原创 模式识别-Ch2-贝叶斯决策
Ch2 贝叶斯决策(Bayesian Decision Theory)文章目录Ch2 贝叶斯决策(Bayesian Decision Theory)最小错误率bayes决策最小风险bayes决策c=2且无拒识例: 最小风险bayes决策条件风险是0-1损失c=c+1且带拒识开放集分类bayes决策分类器设计判别函数c=2情形下的判别函数决策面c=2情形下的决策面方程分类器设计P(⋅)P( \cdot )P(⋅): 表示概率分布函数，p(⋅)p(\cdot)p(⋅): 表示概率密度函数PDF.p(x∣
2025-01-07 13:53:54
775
原创 Ch8 图像压缩
信息信道时连接信源和用户的物理媒介。信道容量定义了信息能够可靠地通过信道传输的最大速率。CmaxzIzvCzmaxIzv)]e_n^2}$最小的系数可以通过一系列基本矩阵运算确定。σe2σ2−αTrσ2−∑i1mEfnfn−iαiσe2σ2−αTrσ2−i1∑mEfnfn−iαi通常要求预测系数α\alphaα∑i1mαi≤。
2024-12-26 23:00:01
644
原创 图像处理-Ch7-快速小波变换和小波包
也就是说，函数的低频内容被分组到窄频带(尺度和小波函数)中，而高频内容被分组到较宽的频带(尺度和小波函数)中。分析树也是表示小波包的一种有效机制，小波包不过是对细节进行迭代滤波的常规小波变换。因此，上图(b)中的三尺度FWT分析树变成了下图中的三尺度小波包树。分析树也是表示小波包的一种有效机制，小波包不过是对细节进行迭代滤波的常规小波变换。因此，上图(b)中的三尺度FWT分析树变成了下图中的三尺度小波包树。根节点被赋予最高尺度的近似系数，这些系数是函数本身的样本，而叶子节点继承变换的近似和细节系数输出。
2024-12-25 19:59:18
813
原创 图像处理-Ch7-小波函数
多分辨率展开(Multi-resolution Expansions)前面介绍了三种图像处理技术：图像金字塔、子带编码、哈尔变换。这在多分辨率分析(Multi-resolution Analysis, MRA)中会用到。在多分辨率分析中，尺度函数被用于建立某一函数或是图像的一系列近似值，小波函数对相邻近似值之间的差异进行编码。Q: 尺度函数、小波函数？A: 尺度函数类似于低通滤波器的作用、小波函数描述高通滤波器的作用。序列展开(Series Expansions)一个信号或函数f(x)f(x
2024-12-25 19:58:47
963
原创 图像处理-Ch7-图像金字塔和其他变换
绿色：考、红色：不考、黄色：可看。A: 那当然是因为傅里叶变换有缺陷。时域(空域)上的函数经过傅里叶变换之后，得到频域上对应的函数。当然二者是等价的，但是频域上的函数只含有频域信息、时域上的函数也只含有时域信息。这就导致了一个问题：我们没法根据Fuv还原出原始的具有时间信息的时域函数(就是在一段时间内：存在固定频率的波形、经过不同顺序的排列：显然它们的时域函数不同、但是得到的频域函数确实完全一致的)。这说明傅里叶变换的时候丢失了时间的信息。
2024-12-25 19:57:31
1273
2
原创 图像处理-Ch6-彩色图像处理
而 “U” 和 “V” 表示色度（Chrominance 或 Chroma），用于描述颜色信息。NTSC（National Television Standards Committee，美国国家电视标准委员会）颜色空间是一种用于模拟电视广播的颜色编码系统。YCbCr 是一种颜色空间，其中 “Y” 代表亮度（Luminance），“Cb” 和 “Cr” 分别代表蓝色色度（Chrominance of Blue）和红色色度（Chrominance of Red）。如果不一致，那么看下面的形式，类似于马氏距离。
2024-12-24 14:45:25
1082
原创 图像处理-Ch5-图像复原与重建
Ch5 图像复原文章目录Ch5 图像复原图像退化与复原(Image Degradation and Restoration)噪声模型(Noise Models)i.i.d.空间随机噪声(Generating Spatial Random Noise with a Specified Distribution)周期噪声(Periodic Noise)估计噪声参数(Estimating Noise Parameters)在仅有噪声情况下图像复原-空域滤波均值滤波器(Mean Filters)统计排序滤波器(O
2024-12-24 14:43:56
807
原创 图像处理-Ch4-频率域处理
Ch4 频率域处理(Image Enhancement in Frequency Domain)FT ：将信号表示成各种频率的正弦信号的线性组合。频谱：∣F(u,v)∣=[R2(u,v)+I2(u,v)]12|F(u, v)| = \left[ R^2(u, v) + I^2(u, v) \right]^{\frac{1}{2}}∣F(u,v)∣=[R2(u,v)+I2(u,v)]21相位角：$\phi(u, v) = \tan^{-1}\left[\frac{I(u, v)}{R(u, v)}\
2024-12-24 14:42:55
892
原创 图像处理-Ch1-数字图像基础
动态范围：系统中最大可度量灰度与最小可检测灰度之比。上限取决于饱和度，下限取决于噪声。可度量灰度与最小可检测灰度之比。上限取决于饱和度，下限取决于噪声。图像对比度：一幅图像中最高和最低灰度级间的灰度差。
2024-12-24 14:41:42
855
原创 C++-Z字扫描实现(Zigzag Scan)
由于 Z 字形扫描的路径是从左上角到右下角，数组结尾处可能存在着连续的 0，为了节省空间，可以不存储这些连续的 0。得到的数据被称为扫描数据。上面又有可以进行优化的地方。在初始化的时候我们把每个矩阵元素都置为0.所以可以在满足条件之后跳出。根据CCF例题中读入扫描数据，将扫描数据按照这样的顺序写入矩阵 M：从左上角。，依次类推，循环往复，直至填充满整个矩阵或用尽所有扫描数据。开始，接下来填充它的右侧相邻的元素。开始，依次向右上方填充直至。，然后依次向左下方填充直至。，接下来从它下侧相邻的元素。
2023-03-13 17:08:55
1181
原创 C-union关键字
union相当于是里面包含了很多的字段，这些字段的类型可能不太一样，选择size最大的字段作为其大小，对union中某字段进行赋值后，使用另一个字段来显示（会把这块的内容按照自己的字段类型进行输出）。这个实现的二叉树的数据结构，二叉树的节点分为叶子节点(那种没有孩子节点的)和内部节点(那种有孩子节点的)。类型的数据值，而每个内部节点都有指向两个孩子节点的指针。如果某节点为内部节点，它是没有叶子节点的数据。如果某节点是叶子节点，它显然没有孩子节点，那么。对应的内存地址，再把这块地址内部的数据按字节。
2022-10-09 20:58:18
430
原创 计组-总复习
里面记录的知识点基本在考试范围，考柿不考的知识点有很多没有写。面向考试。建议大家配合习题食用。标⭐的确实是考过的，但是标得不是很全。然后⭐越多，表示我认为它还是比较重要的。现代计算机的理论基础：布尔代数、物质基础：双稳态触发器。1946年，美国，ENIAC，电子数字积分和计算机1946年6月，冯·诺伊曼提出以二进制，程序存储和程序控制为核心的思想，奠定了当代电子数字计算机体系结构的基础。这是去年的考题！！！冯·诺伊曼机的硬件固定，不同的运算功能依靠预先放在存储器中的程序实现，这是存储程序控制的基本原理，也是
2022-06-21 10:18:30
1452
原创 Python基础
文章目录Python基础标识符标准数据类型语句运算符函数range函数模块(Module)dir()函数重新执行模块`reload`包类类变量和实例变量类方法类属性(property)类继承类实例的创建与调用命名空间和作用域主要与C/C++ 语法进行一个区分。Python基础标识符_func()# 表示不能直接访问的类属性，需要通过类提供的接口访问，不可以使用from xxx import *导入。__func()# 表示类的私有成员__func__()# 表示python内专用的特殊方法表示，
2022-05-30 16:55:09
183
原创 机器学习-监督学习及典型算法
文章目录监督学习(Supervised)原理输入空间、特征空间、输出空间KNN算法(K-Nearest Neighbor Classification)支持向量机(SVM)朴素贝叶斯分类(Nave Bayes)决策树算法监督学习(Supervised) 监督学习是目前运用最广泛的一种ML方法。如BP、决策树。监督学习通过训练既有特征又有鉴定标签的训练数据，让机器学习特征与标签之间产生联系。在训练好之后，可以预测只有特征数据的标签。监督学习可分为回归(Regression)分析和分类(Classific
2022-05-11 21:42:53
9740
1
原创 OpenCV-如何刷新动态图像
文章目录【问题描述】【解决方案】【问题描述】 我都不知道该如何准确去描述这个问题。就是我从摄像头获取实时数据绘图，但是显示图像的窗口毕竟有固定的大小。哉未操作之前，再一定的时间后，从摄像头中获取数据画的线段就会超出窗口界面，因此其实后面画的实时图像我是没法获取到的。 能够显示的永远只有窗口开始的这一段。void Draw_now(double EAR) { Count(EAR);//顺便计算一下cnt eye_now_x = eye_now_x + 1; //横坐标（每10个像素描一个点
2022-04-21 19:52:42
5566
2
原创 计组-对于 / 以及＞＞的区分
有关于探讨在计算机内除法和右移运算究竟有何不同。以下图片截图自CSAPP。咱就是说，一开始并不理解为什么+7做偏移量啊？后来明白是因为：//【主要就是负数的时候】//【若在没+bias(7)偏移量的情况下】假设y = -9 [111··1 1111 0111]//不要忘记int是4字节，32bit，高位全是1就不写了，此处是补码表示由于运算右移：y>>=3 [111·1 1111 1110]此时：y=-2(十进制)//【若在+bias(7)偏移量的情况下】y+=7 [
2022-04-21 17:37:41
333
原创 GitHub初识
GitHub初识文章目录GitHub初识**什么是GitHub?**GitHub提供的主要功能Git的基本知识SSH密钥什么是GitHub? 它为开发者提供Git仓库的托管服务，为开发者或团队提供了一系列功能帮助代码编写。GitHub与Git的差别：在Git中，开发者将源代码存入叫“Git仓库”的资料库中并加以使用。而GitHub则是在网络上提供Git仓库的一项服务。GitHub上公开的软件源代码全部由Git进行管理。GitHub提供的主要功能Git仓库Organizatio
2022-04-18 11:38:21
453
1
OpenCV在release模式下WaitKey函数失效如何解决？
2022-04-23
TA创建的收藏夹 TA关注的收藏夹
TA关注的人