<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[望向星空]]></title><description><![CDATA[走在路上]]></description><link>https://blog.youkuaiyun.com/flushest</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; flushest]]></copyright><item><title><![CDATA[卡尔曼滤波公式推导]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/131997481</link><guid>https://blog.youkuaiyun.com/flushest/article/details/131997481</guid><author>flushest</author><pubDate>Sat, 29 Jul 2023 17:14:23 +0800</pubDate><description><![CDATA[已知时刻k−1位置状态向量为Xk−1​，下一时刻k位置状态向量为Xk​Xk​Fk​Xk−1​nm​其中，Fk​表示从k−1时刻到k时刻之间位置状态向量的转移关系，nm​表示运动模型噪声，假设服从于正态分布N0Q此外，在不同的位置观测到不同的路标点Zk​Zk​Hk​Xk​nw​其中，Hx​表示根据位置向量生成观测Zk​的观测矩阵，nw​表示观测噪声，假设服从于正态分布N0R。]]></description><category></category></item><item><title><![CDATA[Lie-Algebraic Averaging For Globally Consistent Motion Estimation]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/107591824</link><guid>https://blog.youkuaiyun.com/flushest/article/details/107591824</guid><author>flushest</author><pubDate>Sun, 26 Jul 2020 12:18:57 +0800</pubDate><description><![CDATA[Lie-Algebraic Averaging For Globally Consistent Motion Estimation
问题描述
n张图像的配准需要n-1个刚体变换来描述，而n张图像最多可以求解出n(n-1)/2个刚体变换。如果直接从中按照某种策略选取n-1个刚体变换的话，误差会逐渐累积，因此论文中提出基于李代数的全局运动估计平均方法。
基本思路
假设全局n张图像对应相机坐标系到全局坐标系的变换矩阵分别是Ti,i=1,...,nT_i, i=1,...,nTi​,i=1,...,n，任意两张图像]]></description><category></category></item><item><title><![CDATA[隐含马尔科夫(HMM)模型算法推导]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/90292921</link><guid>https://blog.youkuaiyun.com/flushest/article/details/90292921</guid><author>flushest</author><pubDate>Fri, 17 May 2019 14:43:50 +0800</pubDate><description><![CDATA[隐含马尔科夫(HMM)模型
1.简介
​	隐含马尔科夫模型是一种关于时序的有向图概率模型，可用于最高气温预测、分词等时序数据建模问题。首先介绍下这一类问题的特点，用oto_tot​表示t时刻观测值，记观测值序列为O={o1,o2,…,on}O=\{o_1,o_2,\dots,o_n\}O={o1​,o2​,…,on​}，某一个时刻t的观测值与前n个时刻观测值有一定关系；根据常识来看，某天的最高气温...]]></description><category></category></item><item><title><![CDATA[EM算法及高斯混合模型算法推导]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/90177802</link><guid>https://blog.youkuaiyun.com/flushest/article/details/90177802</guid><author>flushest</author><pubDate>Mon, 13 May 2019 17:47:09 +0800</pubDate><description><![CDATA[期望最大化(EM)算法
1.前言
​	概率模型有时候既含有观测变量，又含有隐变量。只含有观测变量的情况下，直接对观测值进行极大似然估计便能够求出参数；比如抛一枚不均匀硬币n次，极大似然估计能够求解出正反面分别出现的概率。在含有隐变量的情况下，无法通过极大似然估计求得；比如手中有三枚不均匀硬币，先从中选取一枚硬币，然后再抛，得到的正反面为观测值；如果直接用极大似然估计，无法体现选择硬币的过程，错误地...]]></description><category></category></item><item><title><![CDATA[集成学习（AdaBoost、随机森林）算法推导]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/90052762</link><guid>https://blog.youkuaiyun.com/flushest/article/details/90052762</guid><author>flushest</author><pubDate>Fri, 10 May 2019 10:08:30 +0800</pubDate><description><![CDATA[集成学习
1.个体与集成
​	有一句文化术语，“三个臭皮匠顶个诸葛亮”。本篇文章的主题集成学习就是这句话的践行者，什么是集成学习呢？集成学习就是将多个个体学习器组合成一个组合学习器的方法，这样的组合通常能够取得优于个体学习器的泛化性能，特别是个体学习器是弱学习器时效果显著，因此，集成学习理论研究通常针对于弱学习器。多个学习器既可以采用同一种模型算法，又可以采用不同的模型算法；前者的集成是"同质的"...]]></description><category></category></item><item><title><![CDATA[WIN10下OpenCV4.1.0与VS2017安装]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/89746971</link><guid>https://blog.youkuaiyun.com/flushest/article/details/89746971</guid><author>flushest</author><pubDate>Thu, 02 May 2019 12:11:10 +0800</pubDate><description><![CDATA[OpenCV安装
1.从官网下载OpenCV安装包
官网：https://opencv.org/releases/


下载windows版本，下载有时候会比较慢，可以从github上下载

github页面点击releases标签

选择windows版本下载

2.安装OpenCV
将下载好的opencv-4.1.0-vc14_vc15.exe找到，并且选中右击鼠标，以管理员方式运行。
在以下...]]></description><category></category></item><item><title><![CDATA[支持向量机SVM算法推导及实现]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/89546162</link><guid>https://blog.youkuaiyun.com/flushest/article/details/89546162</guid><author>flushest</author><pubDate>Fri, 26 Apr 2019 12:52:26 +0800</pubDate><description><![CDATA[支持向量机
1.前言
支持向量机(Support Vector Machine)是常用的分类模型，其核心思想是求解超平面使得数据集分成两堆，其中一堆是正例，另一堆是反例。但能够将数据集D分开的超平面存在很多个，如下图所示，我们应该如何选择最优超平面呢？

从直觉上看，粗线应该是最优超平面，因为正反例样本距离超平面最远、间隔最大。间隔越大，说明分类越准确，置信度越高。
在样本空间中，划分超平面可以通...]]></description><category></category></item><item><title><![CDATA[模型评估与选择]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/89353320</link><guid>https://blog.youkuaiyun.com/flushest/article/details/89353320</guid><author>flushest</author><pubDate>Wed, 17 Apr 2019 12:01:58 +0800</pubDate><description><![CDATA[模型评估与选择
注：由于本人水平有限，难免出现纰漏，敬请诸君不吝赐教。
1.前言
​	机器学习具体说来，就是从假设空间中找出最优的模型。对于现实问题，应该先对问题进行分析，选择某一个模型算法，比如支持向量机、随机森林等，训练得出模型。但不同模型算法或者同一模型算法不同超参数都可能产生比较大的性能差异，这时，我们需要评估模型好坏，从而确定模型算法以及超参数。
2.评估方法
（1）留出法
​	留出法直...]]></description><category></category></item><item><title><![CDATA[tensorflow环境搭建]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/89287647</link><guid>https://blog.youkuaiyun.com/flushest/article/details/89287647</guid><author>flushest</author><pubDate>Sat, 13 Apr 2019 19:49:39 +0800</pubDate><description><![CDATA[tensorflow环境搭建
1.Anaconda安装
​	anaconda是python集成开发环境，主要提供包管理、多环境管理等功能。
​	清华镜像链接
​	
​	 选择最新是适合版本下载安装即可
2.Anaconda使用介绍
​	Anaconda安装成功后，开始菜单栏会新增以下快捷方式:

（1）Anaconda Prompt、Anaconda Powershell Prompt
​	Ana...]]></description><category></category></item><item><title><![CDATA[机器学习概述]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/89281835</link><guid>https://blog.youkuaiyun.com/flushest/article/details/89281835</guid><author>flushest</author><pubDate>Sat, 13 Apr 2019 14:08:39 +0800</pubDate><description><![CDATA[机器学习概述
注:本文中机器学习大部分指统计学习，本人水平有限，如有纰漏，敬请不吝赐教。
1.前言
​	机器学习专门研究计算机怎样实现人类的学习行为。人类学习行为可以看做一种算法，当我们牙牙学语时，大人们会指着布谷鸟说这是鸟，这就可以看做是输入数据，这时候我们对鸟有了一定的认识，看到布谷鸟我们知道是鸟。当然当我们看到白鹭时，还是没办法认识到这是鸟，不断地重复，我们能够自动抽象出一种模型：”有翅膀、...]]></description><category></category></item><item><title><![CDATA[Hadoop学习笔记之flume Nginx日志收集到HBase]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/64922906</link><guid>https://blog.youkuaiyun.com/flushest/article/details/64922906</guid><author>flushest</author><pubDate>Thu, 23 Mar 2017 09:03:38 +0800</pubDate><description><![CDATA[简介

Nginx访问日志形式: $remote_addr – $remote_user [$time_local] “$request”$status $body_bytes_sent“$http_referer” ”$http_user_agent”

例如:192.168.241.1 - - [02/Mar/2017:15:22:57 +0800] “GET /favicon.ico HTT]]></description><category></category></item><item><title><![CDATA[hadoop学习笔记之hive 安装与配置]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/62040825</link><guid>https://blog.youkuaiyun.com/flushest/article/details/62040825</guid><author>flushest</author><pubDate>Tue, 14 Mar 2017 12:15:10 +0800</pubDate><description><![CDATA[环境ubuntu 16.04
hadoop 2.7.3
hbase 1.2.4
hive 2.1.1安装配置1.下载安装包解压并配置环境变量 
2.安装mysqlsudo apt-get install mysql-server
sudo apt-get install mysql-client创建数据库’hive_meta’mysql -u root -p
mysql> create databa]]></description><category></category></item><item><title><![CDATA[hadoop学习笔记之flume]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/61923745</link><guid>https://blog.youkuaiyun.com/flushest/article/details/61923745</guid><author>flushest</author><pubDate>Mon, 13 Mar 2017 18:18:32 +0800</pubDate><description><![CDATA[浅谈flume工作原理flume以agent为运行单位，agent实质上是一个java进程，不断将数据从一个地方(如日志文件)传递到另一个地方(比如hdfs)。 
agent中传递数据的基本单位是事件(Event)，Event结构很简单，就包含header和body，header是一个map，body是字节数组。主要组件有三个：1.Source-用于从数据源获取数据，组装成为Event，传递给后序操]]></description><category></category></item><item><title><![CDATA[hadoop学习笔记之HDFS]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/61915406</link><guid>https://blog.youkuaiyun.com/flushest/article/details/61915406</guid><author>flushest</author><pubDate>Mon, 13 Mar 2017 11:47:55 +0800</pubDate><description><![CDATA[1.HDFS存储机制HDFS包含三个守护进程：NameNode、Secondary NameNode和DataNode。HDFS中使用“块”这样一个概念，将数据分成块，每一块默认大小64M，比磁盘块大得多，这是为了减少寻址时间占传输时间的比重。数据块存放在DataNode节点中，DataNode负责维护本地数据块列表。为了避免丢失，通常数据库会有多个副本，默认值是3，可配置。NameNode中存放元]]></description><category></category></item><item><title><![CDATA[hadoop学习笔记之zookeeper服务]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/61198593</link><guid>https://blog.youkuaiyun.com/flushest/article/details/61198593</guid><author>flushest</author><pubDate>Fri, 10 Mar 2017 15:56:37 +0800</pubDate><description><![CDATA[1.zookeeper基础

zookeeper是Hadoop生态圈中一份子，其作用是解决分布式系统之间协调通信问题。zookeeper维护着一个树形层次结构，树上的节点称为znode，这样的树形结构类似于文件系统下文件目录结构，znode中存储数据和相应的ACL(访问控制列表)，znode也可以含有多个子结点，与文件系统不同的是，znode存放数据量小，所以存放在内存中。zookeeper通]]></description><category></category></item><item><title><![CDATA[hadoop学习笔记之hbase原理]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/61195188</link><guid>https://blog.youkuaiyun.com/flushest/article/details/61195188</guid><author>flushest</author><pubDate>Fri, 10 Mar 2017 11:39:05 +0800</pubDate><description><![CDATA[基础hbase是面向列存储的NoSQL数据库。行的每一列被划分到某一列族，调优和存储都是基于列族完成的。在数据库中，行的每一列作为存储的基本单位，其结构关系为，每一行包含一个或多个列族，一个列族包含多个列，这样可通过行键确定行，列族名确定列族，列名确定列，从而定位到某一行的某一列。例如，行键为1，列族为a，列为a1，那么在hbase中存放形式为rowkey=1,col=a:a1,value=…，ti]]></description><category></category></item><item><title><![CDATA[hadoop学习笔记之Hbase安装]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/60965644</link><guid>https://blog.youkuaiyun.com/flushest/article/details/60965644</guid><author>flushest</author><pubDate>Thu, 09 Mar 2017 19:17:48 +0800</pubDate><description><![CDATA[环境hadoop2.7.3+zookeeper3.4.9+jdk1.8hbase可以独立部署，不过在此之前如果要部署分布式，需要先设置免密登录SSH安装1.从官网上下载HBase1.2.4并解压到用户目录/home/user/hadoop 
2.配置环境变量 
3.配置hbase-env.sh#jdk安装位置
export JAVA_HOME=/home/user/hadoop/jdk1.8.0_1]]></description><category></category></item><item><title><![CDATA[hadoop学习笔记之MapReduce特性]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/60963159</link><guid>https://blog.youkuaiyun.com/flushest/article/details/60963159</guid><author>flushest</author><pubDate>Thu, 09 Mar 2017 16:53:47 +0800</pubDate><description><![CDATA[1.计数器在MR作业中内置计数器，统计任务状态，用户可以自定义计数器以实现统计目的，这块比较简单，不是什么原理性的东西，直接略过2.排序排序是MR中比较核心的问题，MR中数据是通过排序来进行组织的。排序的效率直接影响着整个作业的运行效率i)部分排序 
在Map任务执行完毕之后，写入到磁盘文件之前，对输出数据进行预排序。这样的排序是按照键进行字典排序而成，将键相同的数据组织到一起。预排序完成之后，将数]]></description><category></category></item><item><title><![CDATA[hadoop学习笔记之深入了解YARN]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/60957195</link><guid>https://blog.youkuaiyun.com/flushest/article/details/60957195</guid><author>flushest</author><pubDate>Thu, 09 Mar 2017 11:39:09 +0800</pubDate><description><![CDATA[前言在经典MR架构中，JobTracker担负资源分配、任务管理等工作，当集群规模越来越大时，JobTracker将不堪重负。例如在Yahoo的集群规模达到4000个节点时，就无法再增长，严重影响了hadoop分布式处理的可伸缩性。因此在hadoop2.x版本，推出了YARN架构来解决这个问题。YARN将JobTracker中的资源分配和任务管理工作分离开来，分为ResourceManger(资源管]]></description><category></category></item><item><title><![CDATA[hadoop学习笔记之深入了解map-reduce]]></title><link>https://blog.youkuaiyun.com/flushest/article/details/60877981</link><guid>https://blog.youkuaiyun.com/flushest/article/details/60877981</guid><author>flushest</author><pubDate>Wed, 08 Mar 2017 18:15:39 +0800</pubDate><description><![CDATA[map-reduce作业map-reduce是hadoop分布式应用操作的核心，其中心思想是，基于分布式hdfs存储系统，map任务在hdfs各个节点中独立并行，对数据进行分布式处理，处理结果交由reduce任务进行整合处理。这样看来，MapReduce分布式处理的高效主要体现在map任务中。mapreduce工作时以job为单位进行，在客户端配置job相关信息类JobConf，配置完成后，JobC]]></description><category></category></item></channel></rss>