Stydwn的博客

Ubiquitous Acoustic Sensing on Commodity IoT device a survey 笔记

Stydwn — Thu, 16 Dec 2021 15:49:29 +0800

AMT: Acoustic Multi-target Tracking with Smartphone MIMO System 论文笔记 II. ACOUSTIC DEVICES AND CHANNELS A.声音的录制和播放系统：（AGC/PGA作用是放大电压信号以适用于ADC） B.Acoustic Channel Properties 1.无线信道的特征 Path loss Doppler effects Temperature effects Reflection Refraction Diff

奥本海姆信号与系统（第二版）笔记

Stydwn — Sun, 14 Nov 2021 15:32:40 +0800

第一章：信号与系统第二章：线性时不变系统微分方程求解过程见P74 第三章：周期信号的傅里叶级数表示实周期信号的推导过程见P117-P118

解决安装pytorch出现的问题

Stydwn — Wed, 27 Oct 2021 19:24:12 +0800

1.使用指令conda info --envs查询安装环境时未出现pytorch 解决方案：在环境配置文件.condarc（一般在user/用户名目录下）重新设置镜像源： channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/ - defaults show_channel_urls: true channel_alias: https://mirrors.tuna.tsinghua.edu.c

支持向量机SVM入门(线性+非线性)

Stydwn — Tue, 08 Jun 2021 01:05:28 +0800

SVM 概述支持向量机：是一种监督学习的算法。前置芝士：支持向量：就是距离超平面最近的那些点机：表示一种算法超平面：就是分割数据的一个（n-1）维的面，就是分类的决策边界线性可分：数据可以通过画一条直线就可以将它们完全分开线性不可分：上一条相反的意思场景给左右两边的点进行分类直觉就会发现D这种分类方法最好算法流程：我们找到函数间隔最小值的向量（也就是找到支持向量），然后让几何间隔最大化。函数间隔、几何间隔、为什么这样选择是最优得我下面会说。本质：求一个函数最

K-Means例子

Stydwn — Sun, 06 Jun 2021 15:44:13 +0800

数据集:（数据集很小所以直接CV即可） 1.658985 4.285136 -3.453687 3.424321 4.838138 -1.151539 -5.379713 -3.362104 0.972564 2.924086 -3.567919 1.531611 0.450614 -3.302219 -3.487105 -1.724432 2.668759 1.594842 -3.156485 3.191137 3.165506 -3.999838 -2.786837 -3.099354 4.20818.

K-Means聚类算法

Stydwn — Sun, 06 Jun 2021 15:21:49 +0800

K-Means简介 K-Means属于无监督的学习。我们通过对象和对象之间的距离远近，将数据集拆分成K个簇，每个簇有一个中心，这个中心是由簇中所含值得均值计算而成的，所以叫做K均值算法。优点无监督数据集，不需要准备数据集原理简单，容易实现结果可解释性好缺点需要手动设置K值（聚类的簇数），不合理K值导致缺乏解释性可能陷入local-minima,大规模数据收敛太慢对于异常点很敏感 K-Means伪代码 K-Means评价标准判断聚类的性能，我们用Sum of Squared Err

PCA(Principal Component Analysis)降维算法讲解

Stydwn — Thu, 20 May 2021 23:15:23 +0800

算法概述：主成分分析或者主元分析是一种掌握毐主要矛盾的统计分析方法，它可以从多元事务中解析出主要影响因素。简单来说，就是将高维的数据集映射到低维的空间之中，同时尽可能的保留更多的变量。前置芝士： 1.向量内积 2.投影 3.基 4.方差 5.协方差 6.矩阵特征值，特征向量 7.矩阵对角化墙裂推荐知乎大佬托比欧对于线性代数知识的讲解：https://zhuanlan.zhihu.com/p/113501803 算法过程：首先我们想要实现降维操作，如二维变成一维度，我们必须找到一组基，将向量

KNN-手写数字辨识

Stydwn — Thu, 20 May 2021 15:20:43 +0800

题目要求：给定一部分测试集和训练集。数据集中的每一个文件均是勇32*32的矩阵表示的数字，文件名的第一个字符代表该数据集的分类结果。根据训练集来观察测试集的error。数据集地址： https://github.com/apachecn/data/blob/master/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/2.KNN.zip 代码如下： import numpy as np import pandas as pd import operator from

KNN-手写数字辨识

Stydwn — Wed, 19 May 2021 00:42:32 +0800

代码如下 import numpy as np import pandas as pd import operator from os import listdir from collections import Counter from numpy import * def classify0(inX,dataSet,labels,k): #lineLen 是数据的个数 lineLen = dataSet.shape[0] #inX代表还未知分类的一个数据。将它减去dataSet对

KNN入门实例

Stydwn — Tue, 18 May 2021 23:34:49 +0800

原理请移步上一篇博客数据集：链接：https://pan.baidu.com/s/18UZD2p3PwTwjVy-_S53flw 提取码：KNN1 代码如下： import numpy as np import pandas as pd import operator from os import listdir from collections import Counter from numpy import * def classify0(inX,dataSet,labels,k): #.

逻辑回归样例：Logistic回归预测收入

Stydwn — Sat, 15 May 2021 17:26:19 +0800

作业说明给定训练集spam_train.csv，要求根据每个ID各种属性值来判断该ID对应角色是Winner还是Losser(收入是否大于50K)，这是一个典型的二分类问题。训练集介绍： (1)、CSV文件，大小为4000行X59列; (2)、4000行数据对应着4000个角色，ID编号从1到4001; (3)、59列数据中，第一列为角色ID，最后一列为分类结果，即label(0、1两种)，中间的57列为角色对应的57种属性值； (4)、数据集地址：https://pan.baidu.com/

Logistic回归算法

Stydwn — Sat, 15 May 2021 15:32:48 +0800

引入逻辑回归 Logistic回归常用于分类问题，其实质就是在线性回归函数的基础上加上了sigmoid函数，将线性回归预测到的值压缩成为了一个概率，根据这个概率我们就可以得到分类结果。在损失函数方面，Logistic回归没有使用欧式距离来衡量误差，而使用了交叉熵函数(crossentropy)。算法流程 1.线性回归先对数据进行线性回归，输入值为xnx_{n}xn，输出值为yny_{n}yn yn=∑i=1propertyxiwi+by_{n}=\sum ^{property}_{i=

线性回归样例代码+波士顿房价预测讲解

Stydwn — Fri, 14 May 2021 16:15:51 +0800

不想吐槽这本书了，很奇葩的处理逻辑，很多细节都没照顾到。代码如下： import numpy as np import matplotlib.pyplot as plt #数据一行50个的等差序列 x = np.arange(0.,10.,0.2) #m为数据规模 50个 m = len(x) #这个处理很sb 就是相当于在原数据加一列，这一列的值恒为1。这样用权重w乘的时候这一列就是偏执值了 x0 = np.ones(m) #将元数据和x0组合在一起并且求其转置矩阵 input_data = np.

线性回归案例分析-预测PM2.5

Stydwn — Thu, 13 May 2021 20:22:29 +0800

作业说明给定训练集train.csv，要求根据前9个小时的空气监测情况预测第10个小时的PM2.5含量。训练集介绍： (1)、CSV文件，包含台湾丰原地区240天的气象观测资料(取每个月前20天的数据做训练集，12月X20天=240天，每月后10天数据用于测试，对学生不可见); (2)、每天的监测时间点为0时，1时…到23时，共24个时间节点; (3)、每天的检测指标包括CO、NO、PM2.5、PM10等气体浓度，是否降雨、刮风等气象信息，共计18项； (4)、数据集地址：https://pan.ba

线性回归算法

Stydwn — Tue, 11 May 2021 11:10:15 +0800

大致思想机器学习中的线性回归算法最基本的思想：根据数据集（feature+label）模拟出一条近似的曲线，使得每个点的落点都在曲线上或者是曲线的周围不远的地方。实现方法 1.回归模型首先设该线性回归函数为y=∑iNwix+by=\sum ^{N}_{i}w_{i}x+by=∑iNwix+b (w是权重，b是偏置值，x是输入的数据，y表示预测值)。 2.损失函数损失函数表示预测的值和lable值的差距，这里取平方和的意义在于“放大”预测值和真实值的差距（这里的放大有两种含义：差距大于1平方

深度学习概述

Stydwn — Thu, 26 Nov 2020 20:50:42 +0800

先挖个坑

KMP&&TRIE解答

Stydwn — Mon, 20 Jul 2020 00:41:17 +0800

POJ 1961 求最下循环节问题，上节课讲过了，没有理解的话，记住公式. #include #include using namespace std; string s; int nxt[1000006]; int len; int sim=1; void get_next() { nxt[0]=-1; int i=0,k=-1; while(i

专题四最短路练习

Stydwn — Mon, 13 Jul 2020 10:20:22 +0800

A - Til the Cows Come Home 一个简单的迪杰斯特拉问题，求出1-n的最短路输出即可。注意可能有多条重复的路 #include #include #include #include #include #include #include #define N 2000 #def

简单搜索篇 E - Find The Multiple POJ - 1426 (DFS)

Stydwn — Thu, 09 Apr 2020 18:12:38 +0800

#include using namespace std; long long n;int f=1; void dfs(long long num,int len) { if(f==0)return ; if(len==19){return ;} if(num%n==0) { cout<

简单搜索篇 Catch That Cow POJ - 3278（BFS）

Stydwn — Wed, 08 Apr 2020 18:40:51 +0800

#include #include #include #include #include #include #include #include #include

Stydwn的博客

Ubiquitous Acoustic Sensing on Commodity IoT device a survey 笔记

奥本海姆信号与系统（第二版）笔记

解决安装pytorch出现的问题

支持向量机SVM入门(线性+非线性)

K-Means例子

K-Means聚类算法

PCA(Principal Component Analysis)降维算法讲解

KNN-手写数字辨识

KNN-手写数字辨识

KNN入门实例

逻辑回归样例：Logistic回归预测收入

Logistic回归算法

线性回归样例代码+波士顿房价预测讲解

线性回归案例分析-预测PM2.5

线性回归算法

深度学习概述

KMP&&TRIE解答

专题四 最短路练习

简单搜索篇 E - Find The Multiple POJ - 1426 (DFS)

简单搜索篇 Catch That Cow POJ - 3278（BFS）

专题四最短路练习