<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/linuxcumt</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; linuxcumt]]></copyright><item><title><![CDATA[空间不够了，最后一篇---新博客：http://blog.youkuaiyun.com/linuxcumt1]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8589615</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8589615</guid><author>linuxcumt</author><pubDate>Tue, 19 Feb 2013 08:49:26 +0800</pubDate><description><![CDATA[如题~~]]></description><category></category></item><item><title><![CDATA[Stanford机器学习---第十一讲. 聚类]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8581489</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8581489</guid><author>linuxcumt</author><pubDate>Sat, 16 Feb 2013 10:28:50 +0800</pubDate><description><![CDATA[============K-Means聚类算法=============
1.KMeans的算法流程：随机选点，分类；再移动点，再分类。。。。




2.算法解释


3.聚类，再改变中心点


4.非可分类的处理




==============Optimization
 Objective========================
1.目标函数]]></description><category></category></item><item><title><![CDATA[MATLAB神经网络常用函数]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8581632</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8581632</guid><author>linuxcumt</author><pubDate>Fri, 15 Feb 2013 16:41:25 +0800</pubDate><description><![CDATA[注意：2010b之后的版本，函数做了更新

在mathworks公司的网站上可以查到如下信息：
The new functions (and the old functions they replace) are:

feedforwardnet (newff) 
cascadeforwardnet (newcf) 
competlayer (newc) 
distdelaynet]]></description><category></category></item><item><title><![CDATA[神经网络4--竞争型神经网络]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8581596</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8581596</guid><author>linuxcumt</author><pubDate>Fri, 15 Feb 2013 16:20:57 +0800</pubDate><description><![CDATA[1.无监督分类


2.概述


.
3.小例子

4.每个样本有114个特征


5.注意归一化，此题无离奇值。不归一也行。


7.代码
未归一化

load "abs.txt"
load abs.txt
data=abs,
size(data)
data=data(:,2:115);
P=data(1:40,:)
T=data(41:60,:)
P=P']]></description><category></category></item><item><title><![CDATA[神经网络3--BP神经网络-人脸方向检测]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8581528</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8581528</guid><author>linuxcumt</author><pubDate>Fri, 15 Feb 2013 15:18:07 +0800</pubDate><description><![CDATA[1.BP---回退着减少误差


2.人脸方向的数据


3.每张脸8个数字，共训练15张脸。输出为二进制方向


4.BP网络结构。tansig函数+purslin函数


5.BP训练过程，误差0.001




6.代码

%function mytest()

clc;
images=[ ];  
M_train=3;%表示人脸
N_train=5;%]]></description><category></category></item><item><title><![CDATA[Stanford机器学习---第十讲. 支持向量机SVM--Support Vector Machine]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8580487</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8580487</guid><author>linuxcumt</author><pubDate>Fri, 15 Feb 2013 12:06:57 +0800</pubDate><description><![CDATA[============Optimization Objective===============
1.从logistic regression推演而来


2.粉红色的线为SVM的话费函数（COST）曲线
.
3.对SVM的COST FUNCTION的形式化定义


4.进一步解释该函数

5.进一步再解释





=================Large]]></description><category></category></item><item><title><![CDATA[Stanford机器学习---第九讲. 机器学习系统设计--Machine learning System Design]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8580445</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8580445</guid><author>linuxcumt</author><pubDate>Thu, 14 Feb 2013 10:05:16 +0800</pubDate><description><![CDATA[1.决定基本策略


在本章中，我们用一个实际例子怎样进行垃圾邮件Spam的分类>来描述机器学习系统设计方法。

首先我们来看两封邮件，左边是一封垃圾邮件Spam，右边是一封非垃圾邮件Non-Spam：









观察其样式可以发现，垃圾邮件有很多features，那么我们想要建立一个Spam分类器，就要进行有监督学习，

将Spam的features提取]]></description><category></category></item><item><title><![CDATA[如何同陌生的牛人合作？]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8580130</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8580130</guid><author>linuxcumt</author><pubDate>Wed, 13 Feb 2013 19:03:42 +0800</pubDate><description><![CDATA[1.选一篇高水平期刊的文章，认真细致地读他/她的文章。
2.if  这篇文章对我有启发

以文章的思想为支点，思考数日，想出新的算法

   else

转1

3. 将自己的新算法整理成文；
4.编制代码，在原文数据库上做实验，数据库要与论文的设置一样，以便于比较
5.if 自己的实验结果比原作者的好

与原文作者取得联系，将新算法的描述，以及实验结果，发给原作者。]]></description><category></category></item><item><title><![CDATA[计算机视觉--四部奇书]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8580123</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8580123</guid><author>linuxcumt</author><pubDate>Wed, 13 Feb 2013 18:53:45 +0800</pubDate><description><![CDATA[这本书的第一版在2002年出来时轰动一时，是一本不可多得计算机视觉的教材。计算机视觉领域发展非常快，10年前的书在现在看来多少有些过时。当然偏理论的除外，比如《Multiple View Geometry in Computer Vision》。前一段时间我还在憧憬这本书什么时候可以出第二版。后来在浏览David Forsyth的个人主页时，兴奋得发现我的愿望实现了。更兴奋的是在iask上可以下到]]></description><category></category></item><item><title><![CDATA[图像处理和计算机视觉中的经典论文（部分）]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8580121</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8580121</guid><author>linuxcumt</author><pubDate>Wed, 13 Feb 2013 18:47:32 +0800</pubDate><description><![CDATA[自己视野狭小，不敢说全部，只是把自己熟悉的方向中的部分经典文章列出来了。经典的论文，读得怎么透都不过分。有人说关于配准的文章太多了，其实我也不太关注这方面，不过由于它们引用率都比较高，就都列出来了，不过在zip包里一篇都没有。不关注这方面的可以无视之。
文档和论文下载地址：
http://iask.sina.com.cn/u/2252291285/ish?folderid=775855]]></description><category></category></item><item><title><![CDATA[Computer Vision 代码]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8580120</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8580120</guid><author>linuxcumt</author><pubDate>Wed, 13 Feb 2013 18:44:42 +0800</pubDate><description><![CDATA[Jia-Bin的Computer Vision Resource的内容（纯copy 备份用）







323个Item





Type

Topic

Name

Reference

Link


Code
Structure from motion
libmv
 
http://code.google.com/p/libmv/]]></description><category></category></item><item><title><![CDATA[图像处理与计算机视觉：基础，经典以及最近发展（5）计算机视觉]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8580112</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8580112</guid><author>linuxcumt</author><pubDate>Wed, 13 Feb 2013 18:39:15 +0800</pubDate><description><![CDATA[这一章是计算机视觉部分，主要侧重在底层特征提取，视频分析，跟踪，目标检测和识别方面等方面。对于自己不太熟悉的领域比如摄像机标定和立体视觉，仅仅列出上google上引用次数比较多的文献。有一些刚刚出版的文章，个人非常喜欢，也列出来了。


本章的下载地址：
http://iask.sina.com.cn/u/2252291285/ish?folderid=868772



1. A]]></description><category></category></item><item><title><![CDATA[图像处理与计算机视觉：基础，经典以及最近发展（4）图像处理与分析]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8580108</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8580108</guid><author>linuxcumt</author><pubDate>Wed, 13 Feb 2013 18:36:15 +0800</pubDate><description><![CDATA[本章主要讨论图像处理与分析。虽然后面计算机视觉部分的有些内容比如特征提取等也可以归结到图像分析中来，但鉴于它们与计算机视觉的紧密联系，以及它们的出处，没有把它们纳入到图像处理与分析中来。同样，这里面也有一些也可以划归到计算机视觉中去。这都不重要，只要知道有这么个方法，能为自己所用，或者从中得到灵感，这就够了。
本章的下载地址在：
http://iask.sina.com.cn/u/225229]]></description><category></category></item><item><title><![CDATA[图像处理与计算机视觉：基础，经典以及最近发展（3）计算机视觉中的信号处理与模式识别]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8580106</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8580106</guid><author>linuxcumt</author><pubDate>Wed, 13 Feb 2013 18:29:56 +0800</pubDate><description><![CDATA[从本章开始，进入本文的核心章节。一共分三章，分别讲述信号处理与模式识别，图像处理与分析以及计算机视觉。与其说是讲述，不如说是一些经典文章的罗列以及自己的简单点评。与前一个版本不同的是，这次把所有的文章按类别归了类，并且增加了很多文献。分类的时候并没有按照传统的分类方法，而是划分成了一个个小的门类，比如SIFT，Harris都作为了单独的一类，虽然它们都可以划分到特征提取里面去。这样做的目的是希望能]]></description><category></category></item><item><title><![CDATA[图像处理与计算机视觉：基础，经典以及最近发展（2）图像处理与计算机视觉相关的书籍]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8580101</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8580101</guid><author>linuxcumt</author><pubDate>Wed, 13 Feb 2013 18:22:40 +0800</pubDate><description><![CDATA[1. 数学
我们所说的图像处理实际上就是数字图像处理，是把真实世界中的连续三维随机信号投影到传感器的二维平面上，采样并量化后得到二维矩阵。数字图像处理就是二维矩阵的处理，而从二维图像中恢复出三维场景就是计算机视觉的主要任务之一。这里面就涉及到了图像处理所涉及到的三个重要属性：连续性，二维矩阵，随机性。所对应的数学知识是高等数学（微积分），线性代数（矩阵论），概率论和随机过程。这三门课也是考研的三]]></description><category></category></item><item><title><![CDATA[图像处理与计算机视觉：基础，经典以及最近发展（1）序]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8580095</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8580095</guid><author>linuxcumt</author><pubDate>Wed, 13 Feb 2013 18:16:49 +0800</pubDate><description><![CDATA[1. 为什么要写这篇文章
从2002年到现在，接触图像快十年了。虽然没有做出什么很出色的工作，不过在这个领域摸爬滚打了十年之后，发现自己对图像处理和计算机视觉的感情越来越深厚。下班之后看看相关的书籍和文献是一件很惬意的事情。平常的一大业余爱好就是收集一些相关的文章，尤其是经典的文章，到现在我的电脑里面已经有了几十G的文章。写这个文档的想法源于我前一段时间整理文献时的一个突发奇想，既然有这个多文献]]></description><category></category></item><item><title><![CDATA[Matlab各种机器学习模式分类方法的比较]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8579497</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8579497</guid><author>linuxcumt</author><pubDate>Tue, 12 Feb 2013 19:42:17 +0800</pubDate><description><![CDATA[看了BP、RBF、广义回归神经网络GRNN及SVM等模式识别的介绍，现在将了解到的各种方法的优缺点列在这里，希望热心的朋友能够提供更详细的比较信息，让我知道针对各种问题该用哪种方法。
1.单隐层的BP神经网络：使用最广的网络，一般使用单隐层网络，隐含层（中间层）神经元个数＝2*输入层神经元个数+1。（这个好像也有意外情况，比如输入神经元个数少时，是否可以适当增加中间层神经元个数？）中间层个数越多]]></description><category></category></item><item><title><![CDATA[神经网络 VS  SVM]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8579491</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8579491</guid><author>linuxcumt</author><pubDate>Tue, 12 Feb 2013 19:37:10 +0800</pubDate><description><![CDATA[1.二者在形式上有几分相似,但实际上有很大不同。
简而言之，神经网络是个“黑匣子”，优化目标是基于经验风险最小化，易陷入局部最优，训练结果不太稳定，一般需要大样本；
而支持向量机有严格的理论和数学基础，基于结构风险最小化原则, 泛化能力优于前者，算法具有全局最优性, 是针对小样本统计的理论。
目前来看，虽然二者均为机器学习领域非常流行的方法，但后者在很多方面的应用一般都优于前者。]]></description><category></category></item><item><title><![CDATA[RBF神经网络   vs   BF神经网络]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8579353</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8579353</guid><author>linuxcumt</author><pubDate>Tue, 12 Feb 2013 16:51:06 +0800</pubDate><description><![CDATA[1.RBF 的泛化能力在多个方面都优于BP 网络, 但是在解决具有相同精度要求的问题时, BP 网络的结构要比RBF 网络简单。？？


2.RBF 网络的逼近精度要明显高于BP 网络,它几乎能实现完全逼近, 而且设计起来极其方便, 网络可以自动增加神经元直到满足精度要求为止。但是在训练样本增多时, RBF 网络的隐层神经元数远远高于前者, 使得RBF 网络的复杂度大增加, 结构过于庞大,]]></description><category></category></item><item><title><![CDATA[神经网络2--RBF神经网络]]></title><link>https://blog.youkuaiyun.com/linuxcumt/article/details/8579115</link><guid>https://blog.youkuaiyun.com/linuxcumt/article/details/8579115</guid><author>linuxcumt</author><pubDate>Tue, 12 Feb 2013 16:03:20 +0800</pubDate><description><![CDATA[1.注意：若矩阵不为方阵，则采用伪逆！


2.简单神经网络，用于线性可分。


3.依然仅一个神经元，但做了空间转换，解决非线性分类问题


4.简单小例子




5.RBF定义






.










6.小例子








7.代码
=====rbf_approx======

clc;]]></description><category></category></item></channel></rss>