gactyxc的博客

傅里叶级数、一维傅里叶变换到二维傅里叶变换数理推导参考资料：如何理解傅里叶级数公式从傅里叶级数到傅里叶变换高维傅里叶变换的推导IDL实现傅里叶变换傅里叶级数一维傅里叶变换二维傅里叶变换...

在我们利用envi进行数据读取或写出时，经常可以看到要求我们设置数据的存储格式，大致分为三种，即BSQ、BIL、BIP。这个是按照数据的文件内部读写格式来划分的。 其中，BSQ是按波段保存，也就是一个波段保存后接着保存第二个波段；BIL是按行保存，就是保存第一个波段的第一行后接着保存第二个波段的第一行，依次类推；BIP是按像元保存，即先保存第一个波段的第一个像元，之后保存第二波段的第一个像元，依次

我们知道遥感分类具有不确定性，而其不确定性与其所选择的的评价方法密切相关。本文主要通过四个方面来进行介绍，首先对遥感影响分类精度评价的发展进行介绍；其次对遥感分类精度的评价方法与多分类性能评价的指标分别进行介绍，最后对两者直接的相同点进行总结。

关于矩阵的理解，一直都是离散的，不能形成一个系统的概念，下边链接是原来看到过的一个关于矩阵理解的文章，看到有人转载，就也把内容复制了过来，以便后续自己进行知识的系统化。 原文网址戳这里 线性代数课程，无论你从行列式入手还是直接从矩阵入手，从一开始就充斥着莫名其妙。比如说，在全国一般工科院系教学中应用最广泛的同济线性代数教材（现在到了第四版），一上来就介绍逆序数这个“前无古人，后无来者”的古怪概念

首先，讨论一个简单的例子，如果想要寻找函数f（x）=0的点，可以进行如下操作。 假如我们的初始值为X0,则作 f(x)在该点的切线，寻找切线与X轴的交点，以该点为已知点，寻找切线，重复上述操作，则可快速的逼近f(x)=0的点。 将该思想用于求解最大似然函数,一般最大的值均满足=0，则对进行操作即可。若为高维分布时，有，其中。 值得说明的是，该算法如果样本数不是很多时，迭代效率较随机梯

作为一名机器学习的爱好者，最近在跟着Andrew Ng 的 Machine Learning 学习。在讲义的第一部分中，Ng首先讲解了什么叫做监督学习，其次讲了用最小二乘法求解的线性模型，用sigmod函数表示响应函数的logistics回归，接着，利用这两种模型，推出了一种应用十分广泛的指数分布族，在指数分布族的基础上，进行模型的假设，创建了GLM模型，利用这种模型，创建了多项式分布的模型求解。

在Andrew Ng 的机器学习中，首先接触的便是梯度下降法。梯度下降法是一种最优化算法，其目的是为了求解无约束优化问题，沿着梯度的方向递归性的逼近最小偏差模型。 梯度下降算法形象来说就是将目标函数比作一座山，我们站在山顶上，通过梯度的方向来寻求一条下山最快的路。但在刚开始接触的时候，对梯度的理解不深，不明白为什么要进行的操作，因此从梯度到方向导数逐步进行了学习。 参考PPT链接：