沃·夏澈德的博客

原创 全球主要国家脑科学与脑机接口研究计划概述

近年来，脑科学成为各国竞争的新高地，多项国家级脑研究计划相继启动。这些计划普遍涵盖对大脑认知功能的基础研究、脑疾病机理与诊疗，以及脑机接口（Brain-Computer Interface, BCI）等前沿技术研发等领域，展现出对脑机交互技术的高度重视。下面重点介绍中国、美国、欧盟、日本、韩国等国的脑科学战略及脑机接口研究布局，并简述以色列、加拿大、澳大利亚等具有代表性的相关政策。

原创 逆向优化与最优传输

逆向优化问题的核心思想是通过给定的实际数据来反推优化模型中的参数。这个例子展示了如何使用最小二乘法来根据实际的运输量数据推测最优的运输成本矩阵。这种方法可以广泛应用于许多领域，如定价、供应链优化、交通流量分析等。在这个例子中，我们通过求解最优传输问题，得到了一种从源分布到目标分布的最优运输计划。最优传输计划中的每个元素表示从源位置到目标位置的最优运输量，最小化了传输成本。通过该方法，我们能够有效地解决一些实际问题，如资源分配、货物运输、图像对齐等。

原创 seaborn散点图

【代码】seaborn散点图。

原创 黎曼几何与切空间之间的投影

从黎曼空间投影到切空间，其中P为黎曼均值，也是切空间的参考中心点，Pi是要投影到切空间的点。从切空间投影回来，其中Si为切空间中的向量。

原创 MNE绘制自定义通道位置及名字的脑地形图

【代码】MNE绘制自定义通道位置及名字的脑地形图。

原创 mathlab 数据维度调换函数permute（）

A是矩阵,维度[100,50,2]B的维度[2,50,100]

原创 动画（effects）素材dlc导入问题

RPGmaker effects素材导入问题

原创 共空间模式 （CSP）python 实现

共空间模式 （CSP）python 实现

原创 vscode 调试第三方库代码

vscode默认设置是仅调试自己的代码，在遇到第三方的包时，即使选择跳入，也会自动跳到下行 代码，而不会跳入到第三方包的方法中。解决方法是把仅调试自己代码关掉即可。然后会进入一个设置文档，加上箭头那句就行了。随便打个断点，进入调试后，点击这里。...

原创 numpy矩阵补全函数 np.pad()

numpy 数组补全

原创 我的创作纪念日

继续记录分享。

原创 python 二维相关系数计算

在matlab中要计算两个矩阵的相关系数只需调用corr2（）即可，但 python中好像没有对等的函数（主要是我没找到），因此根据公式实现，并与matlab的结果对比，发现结果一致。公式matlab文档那截的：matlab代码： python代码：...

原创 numpy 特征值分解

通过代码验证特征值分解的有效性与意义

原创 tex 表格宽度自动调整，解决表格过宽、过窄问题

有时表格太宽了，都突到页面外面的时候可以使用\begin{table}[]\centering\caption{\label{tab:1}table name.}\resizebox{\linewidth}{!}{\begin{tabular}{clllll}...\end{tabular}}\end{table}关键就是用\resizebox{\linewidth}{!}{}把tabular包起来就好，此处是自动调整长宽。也可以手动的，对应代码为\resizebox{\te

原创 tex 多行等式

\begin{eqnarray} A &=& f^2(c,d) \\ &=& (c+d)^2 \nonumber \end{eqnarray}大概就是这种效果

原创 tex 伪代码常用模板

\usepackage[ruled,linesnumbered]{algorithm2e}\begin{algorithm}\caption{pseudocode}\label{pseudocode}\SetKwInOut{Input}{input}\SetKwInOut{Output}{output}\Input{input data}\Output{output, if return none, this line can be ignored}a=1\;\Repeat{Stop con.

原创 tex 表格中内容左对齐/居中/右对齐

左对齐是l右对齐是r居中是c\begin{table}\centering\caption{\label{tab:widgets}Notation summary.}\begin{tabular}{l|l} ⬅就是这里控制每一列的对齐方式Notation & Meaning \\\hlineWidgets & 42 \\Gadgets & 13\end{tabular}\end{table}...

原创 到处抄来的写作用语（全）

一些用于写作的单词和短语

原创 到处抄来的写作用语8

volatile adj.易变的；无定性的；无常性的；可能急剧波动的However, affective neural patterns are volatile over time even for the same subject.Of late　最近，近来Of late，a number of initiatives have been taken to make robust MI-based BCIs.essential n.要点；要素；实质；必需品 adj.完全必要的...

原创 容积传导问题

原创 到处抄来的写作用语7

plenty 很多的；plenty of redundant or repeating information always exists in the data

原创 torch 查看网络参数量

from torchsummary import summarya = summary(eegnet,input_size=(a,b,c),batch_size=-1)

原创 python matplotlib 画图时标注图例

plt.scatter(x1,y1, label='1')plt.scatter(x2,y2, label='2')plt.legend(loc='best')plt.show()

原创 到处抄来的写作用语6

superior adj.（在品质上）更好的；占优势的；更胜一筹的superior performance

原创 《机器学习线性代数基础：Python语言描述》读书笔记----对角矩阵

对角矩阵使用对角矩阵来描述某一个向量的空间变换有如下优点：一个n维列向量在n阶对角矩阵矩阵的作用下，其线性变换的方式仅仅反映在个个维度轴向上的长度拉伸，而不对应着平移或旋转变换，即Ax=[a1a2a3⋱an][x1x2x3⋮xn]=[a1x1a2x2a3x3⋮anxn]Ax = \begin{bmatrix}a_1&&&& \\ &a_2&&& \\ &&a_3&& \\ &&&\

原创 markdown文件中加入参考文献

在.md文件的源代码模式中如下，注意：参考文献那里的div不要写成代码块。## 正文巴拉巴拉巴拉巴拉，欸，这里要引篇文章[¹](#refer-id)。。。。## 参考文献<div id="refer-id"></div>[1]hahahha...

原创 《机器学习线性代数基础：Python语言描述》读书笔记----相似矩阵与相似变换

坐标取决于基底结合前面知识，可知，坐标的表示使是基于 基底的。书中给出一个例子：对于一个物体，它是客观存在的（类比：某个指定向量在空间中的绝对位置）。但是，如果换一个角度 看这个物体（类比：在空间中选取不同的基底），那么从不同角度看，则会看到不同的效果（类比：不同基底下对应的不同坐标值）。描述线性变换的矩阵也取决与基底对于一个向量而言，其空间位置改变，选取的基底不同，表征其线性变换的矩阵就不同。这里可以结合文章《计算基底变换后坐标》看。相似矩阵与相似变换针对指定向量的同一个空间变换，用来在不同

原创 Fail to allocate bitmap解决办法

import matplotlibmatplotlib.use('AGG')

原创 在pip安装包时报Microsoft visual c++ 14.0 is required的解决 方法

1.安装Microsoft visual c++ 14.0。2.直接下载.whl，然后本地安装即可。下whl包的网

原创 到处抄来的写作用语5

foster 促进The method could foster future BCI applications relying on few-channel portable recording devices .

原创 《机器学习线性代数基础：Python语言描述》读书笔记----变换基底时的坐标换算

同一个向量在不同基底下的坐标计算。坐标的表示是基于基底的先来个简单的例子：在默认基底(a=[1,0]T,b=[0,1]T(a=[1,0]^T,b=[0,1]^T(a=[1,0]T,b=[0,1]T下，有向量u=[3,3]Tu=[3,3]^Tu=[3,3]T，u的完整表达其实为u=3a+3b=3[10]+3[01]=[3∗1+3∗03∗0+3∗1]=[33]u = 3a+3b=3\begin{bmatrix}1\\0\end{bmatrix}+3\begin{bmatrix}0\\1\end{bmat

原创 《机器学习线性代数基础：Python语言描述》读书笔记----线性方程组的解

有线性方程化为矩阵乘法的表现形式Ax=[a11a12⋯a1na21a22⋯a2n⋮⋮⋱⋮am1am2⋯amn][x1x2⋮xn]=[b1b2⋮bm]=bAx = \begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\a_{21} & a_{22} & \cdots & a_{2n} \\\vdots & \vdots & \ddots & \vdots \\a_{m1}

原创 《机器学习线性代数基础：Python语言描述》读书笔记----逆矩阵

逆矩阵设A是一个n阶矩阵，若存在另一个n阶矩阵B，使得： AB=BA=E ，则称方阵A可逆，并称方阵B是A的逆矩阵。逆矩阵的存在性不是每一个矩阵都存在逆矩阵的。因为矩阵的本质是映射，如果在映射过程中矩阵A压缩了矩阵，那么原空间中会有无数个点对应目标空间的一个点，显然不可逆。在矩阵A对矩阵进行”升维“时，因为A不可能覆盖目标空间，因此目标空间中会有无数个点与原空间的一个点对应，也不可逆。逆矩阵的存在条件方阵A的各个列向量线性无关，则映射时空间不会被压缩，即A的逆矩阵存在。不可逆矩阵也被称为奇异矩阵

原创 《机器学习线性代数基础：Python语言描述》读书笔记----矩阵与空间映射

矩阵与空间映射矩阵其实描述了空间中的映射矩阵与空间映射由于矩阵乘法的作用，原始向量的空间位置甚至其所在空间的维度和形状都发生了改变，这便是矩阵乘法的空间映射作用。Ax=[a11a12⋯a1na21a22⋯a2n⋮⋮⋱⋮am1am2⋯amn][x1x2⋮xn]=[a11x1+a12x2+⋯+a1nxna21x1+a22x2+⋯+a2nxn⋮am1x1+am2x2+⋯+amnxn]=x1[a11a21⋮am1]+⋯+xn[a1na2n⋮amn]Ax = \begin{bmatrix} a_{11}

原创 到处抄来的写作用语4

Consequently 所以；因此

原创 《机器学习线性代数基础：Python语言描述》读书笔记----矩阵与向量

矩阵与向量矩阵由 m × n 个数aija_{ij}aij​排成的m行n列的数表称为m行n列的矩阵，简称m × n矩阵。可以看作是n个m维列向量从左到右并排摆放；行向量视角同理。矩阵与向量向量可以看作是一维矩阵：n维的列向量可以看作是一个n×1的矩阵。矩阵乘以向量首先，根据上面所述可知，这其实是满足矩阵间运算法则的，因此具体法则为：[a11a12⋯a1na21a22⋯a2n⋮⋮⋱⋮am1am2⋯amn][x1x2⋮xn]=[a11x1+a12x2+⋯+a1nxna21x1+a22x2+⋯+a

原创 《机器学习线性代数基础：Python语言描述》读书笔记----基底

向量与基底对于二维向量u=[45]u=\begin{bmatrix} 4 \\ 5 \end{bmatrix}u=[45​]来说，一般默认其表示原点到坐标（4，5）的一条有向线段。这其实基于一个默认的前提：以ex=[10]e_x=\begin{bmatrix} 1 \\ 0 \end{bmatrix}ex​=[10​],ey=[01]e_y=\begin{bmatrix} 0 \\ 1 \end{bmatrix}ey​=[01​]作为基准。因此，u的完整的表达为：u=4ex+5ey=4[10]+5[01

原创 tex中各种矩阵的写法

\begin{gather*}\begin{matrix} 0 & 1 \\ 1 & 0 \end{matrix}\quad\begin{pmatrix} 0 & -i \\ i & 0 \end{pmatrix}\\\begin{bmatrix} 0 & -1 \\ 1 & 0 \end{bmatrix}\quad\begin{Bmatrix} 1 & 0 \\ 0 & -1 \end{Bmatrix}\\\begin{v

原创 《机器学习线性代数基础：Python语言描述》读书笔记----向量

什么是向量在数学中，向量（也称为欧几里得向量、几何向量、矢量），指具有大小（magnitude）和方向的量。直观地说，把一组数字排列成一行或一列，就成为向量。如[4,5]，可以理解成一个二维空间的坐标点，也可以理解为从原点到这一点的有向线段。向量的加法[abc]+[def]=[a+db+ec+f]\begin{bmatrix} a \\ b \\ c \end{bmatrix} + \begin{bmatrix} d \\ e \\ f \end{bmatrix} =\begin{bmatri

原创 vscode 配置调试控制台DeBug

先按F5调试点设置把integratedTerminal改成internalConsole就可以了 。之后调试都会在调试控制台。