海海人生

基本思想是对于一个分类有一个超球，m个分类就有m个超球，求出最优的m个超球就可以了，待分类的样本与m个超球的中心比较，如果在其中一个超球里面，则属于这个超球队分类，当然还有重叠的部分，具体下面再讨论。    先看一个表达式：            第一个表达式就是球的方程。 其中表示样本点，上标m表示第m个种类，可以暂且不管m，表示第m个种类的超球中心，表示第m个种类的超球半径，表示松

PAC人脸识别的基本思想就是从人脸图像中找出最能代表人脸的特征空间，去除一些不能代表人脸特征的属性。一个单个的人脸图片映射到这个特征空间得到这个特征空间的一组系数，这组系数就表示这张人脸图片的特征脸特征。如果两张人脸图片映射到这个特征空间的系数差不多，就表示这两张人脸是同一个人。训练阶段：    1:一张人脸图片在计算机表示为一个像素矩阵，即是一个二维数组，现在把这个二维数组变成一维数组，

花了几天，终于把matlab版的人脸检测运行成功了，虽然正确率不是很高，看着各种论文上的人脸检测正确率都出奇的高，我是不怎么相信的，有的论文连基于平均脸的人脸检测正确率都能达到98%，汗啊～～  也许真有吧，我这里对于人脸图像没做什么其他的处理，目的只是学习一下matlab程序，拿基于PCA的人脸检测试试手。准确率有点低～～。    简单说一下程序运行的逻辑，PCA就不说了，自己去了解吧，说一

论文的观点是从一个小规模的样本训练集训练得到一个初始的分类器，然后用这个分类器对大规模训练集进行修剪，修剪后得到一个很小的约减集，再用这个约减集进行训练得到最终的分类器。         文中有一个图很好的解释了他的算法： 其中H表示分类超平面，H+表示正样本的支持向量所处的超平面，H-表示负样本的支持向量所处的超平面。设样本中任意样本到H的距离为d，则，如图所示。算法分三步：

总所周知，SVM是通过解决一个二次规划问题得到一个全局最优解，这就导致了在实际应用中常常需要耗费大量的内存和时间。现有的大多数方法是通过减少训练样本来减少支持向量，从而加快训练速度。这篇文章来自李青等的论文《基于向量投影的支持向量机预选取》。      基本思想是，m1和m2分别是1类样本，2类样本的中心点，xf(0)为样本1的一个样本，xf为xf(0)投影到m1m2的点。分类样本的中心点很好

在“遗传算法初步解析”中，相信看过的人已经初步了解这个算法的过程。但在最后有一个问题，遗传算法的选择，交叉，变异的操作是怎么影响到最后的结果的？在讲解这个问题前，先了解一个概念：模式。下图是一个官方的定义：                     其实模式就是一个概括的东西，我的理解是把大家都有的东西抽象出来就是一个模式，定义比较难懂，举个例子就明白了，先看下面一组染色体：

貌似遗传算法看起来挺神秘的，但要真正初步的了解一下它的大概思想还是挺简单的。我只想用最通俗的话和最简单的编程来讲讲遗传算法。     先来求解一个最简单的问题，求解f(x)=x*2的最大值 , x属于[0,31]；即求解x的平方在[0,31]的最大值.现在我们用遗传算法来求解这个题目。　 先解释一下生物界的一些基础知识：1：染色体和基因，染色体可以理解为一段字符串编码，唯一的表示个体的