- 博客(18)
- 资源 (11)
- 收藏
- 关注
原创 模式识别与机器学习课程笔记(1):数学基础
本文介绍了模式识别与机器学习的数学基础,主要内容包括:1)特征矢量的三种类型(物理量、次序量、名义量)及其处理方法;2)随机矢量的概率分布描述,包括联合分布、条件分布和数字特征(均值、协方差等);3)随机变量间的统计关系(相关性、独立性);4)随机矢量的变换方法;5)正态分布的性质;6)离散随机变量的分布;7)信息论中的自信息概念。这些数学工具为后续的模式识别与机器学习算法提供了理论基础。
2025-07-21 11:15:37
529
原创 模式识别与机器学习课程笔记(1):绪论
《模式识别与机器学习》课程笔记(1):绪论 本课程面向EECS背景的研究生,需具备线性代数、概率统计、数据结构和编程基础。课程内容涵盖贝叶斯决策论、神经网络、深度学习等13个章节。模式识别旨在将对象分类到预定义类别,涉及特征提取、学习训练和分类识别三大核心问题。课程梳理了模式识别的发展历程,从1929年数字阅读机到当前深度学习主流技术。介绍了模式识别基本方法,包括统计模式识别、结构模式识别等主流技术,并区分了监督学习、无监督学习和强化学习等机器学习类型。课程强调特征选择与提取的重要性,以及分类器设计中决策边
2025-07-21 09:51:21
899
原创 图像分析学习笔记(2):图像处理基础
本文系统介绍了图像处理的基础知识,主要包括四大核心内容:图像增强、图像复原、图像分割和形态学处理。图像增强通过直方图均衡化、频域滤波等方法改善视觉效果;图像复原基于退化模型和先验知识恢复原始图像;图像分割采用阈值法、区域生长等方法分离目标与背景;形态学处理通过膨胀、腐蚀等集合运算提取图像特征。全文涵盖了从基础概念到具体算法的完整知识体系,并重点分析了各类方法的数学原理、实现步骤和应用特点,为图像分析领域提供了系统的理论框架和实践指导。
2025-07-20 16:48:54
1074
原创 图像分析学习笔记(3):人工设计图像特征
本文系统介绍了人工设计图像特征的分类与实现方法。主要内容包括:图像特征的概念与目的,对比了人工设计特征和机器学习特征的优缺点。重点阐述了四种人工设计特征:线特征(边缘检测与编组)、点特征(SUSAN、Harris、SIFT等)、形状特征和纹理特征(灰度共现矩阵、LBP、HOG)。详细分析了各种特征提取算法的原理、流程及特性,如Canny边缘检测、Hough变换、相位编组等方法在线特征提取中的应用,以及SIFT特征在尺度不变性方面的优势。文章还探讨了纹理特征的定义、特点和描述方法,展示了人工设计特征在图像分析
2025-07-20 12:05:26
863
原创 图像分析学习笔记(4):机器学习图像特征与描述
当堆叠更深层次后的CNN性能反而更差-非常深的模型更加爱难以优化-解决思路:利用网络层次拟合残差映射,替代直接拟合一个潜在目标映射-方法:利用skip connections,可以允许利用一个层次的输出,输入给其他人一层次,利用这些层次你和残差,而不是直接你和H(x)残差模块:输入x通过一系列的卷积、relu模块,输出F(X),将输出结果加到原始的输入x。卷积神经网络(CNN)
2025-07-19 21:43:32
576
原创 图像分析学习笔记(8):智能序列图像分析
SiamFC:监督数据的稀缺性,算法的实时性,约束深度学习在目标跟踪中的应用。该方法将跟踪任意目标的学习看成是相似性问题的学习。加入空间正则来解决边界效应,SRDCF将图像信号尽量取大一些的尺寸,保留目标更多的真实信息,然后再通过一个空间权值系数w来惩罚距离目标中心比较远的样本;视频目标分割:在视频的每一连续帧中寻找给定感兴趣目标的对应像素,即给定第一帧的mask,将某一特定目标从后续视频帧当中分离出来,实际就是像素级的目标追踪问题。视频目标跟踪:在一个视频的后续帧中找到在当前帧中定义的感兴趣物体的过程。
2025-07-19 17:44:43
1167
原创 图像分析学习笔记(7):图像生成
本文探讨了图像生成的关键技术,主要包括:1)自然图像流形分析,通过线性降维、PCA和自编码器实现非线性降维;2)图生图方法,利用损失函数筛选流形上的图像;3)图像合成技术,重点介绍GAN及其变体Conditional GANs的工作原理和训练目标函数,并列举多种图像转换应用;4)扩散模型,作为解决多类别生成问题的解决方案。文章还分析了高维输出和映射不确定性等挑战,提出使用深度网络和合理性判断的解决方法。这些技术共同构成了现代图像生成的核心方法体系。
2025-07-19 11:17:12
901
原创 图像分析学习笔记(6):智能图像语义分割
本文介绍了图像语义分割的基本概念、应用领域及面临的挑战。语义分割需对每个像素进行分类,与实例分割、全景分割有所区别,主要应用于自动驾驶等领域。评价指标采用平均交并比(mIOU)。当前面临目标大小差异、类别不均衡等挑战。典型方法包括FCN(全卷积网络)、U-Net(医学图像分割)、DeconvNet(反池化与反卷积结合)以及DeepLab系列(采用空洞卷积缓解信息丢失)。这些方法通过多尺度信息融合、上采样等技术提升分割效果,但仍存在小目标漏检等问题。
2025-07-19 10:44:39
817
原创 文献阅读笔记:Radar Signal Deinterleaving Based on Hidden Markov Chains and Residual Fence Networks
在先验已知情况下,首先考虑了固定PRI的处理(SPL),然后处理了多种调制类型(GSL),然后进一步考虑了PRI jitter条件下多种调制类型的处理(TAES),最后考虑了先验未知条件下的处理(DS处理,子序列提取以及图论合并,TAES).就是说研究之前还是要把逻辑定下来,以免之后的工作存在返工,或者在研究过程中过于犹豫,迟迟不知道研究什么。)的乘积,量化了雷达脉冲流分选算法在复杂环境中(存在干扰、噪声脉冲)的综合性能,值越高表明算法分选结果越接近真实脉冲流,漏检和虚警的综合影响越小。
2025-07-17 16:16:27
676
原创 文献阅读笔记:Deinterleaving method for radar signals with dwell and switch pulse repetition intervals~
袁硕提出了语义编码方法;信工大的谢敏这几年井喷式的发表论文,而且论文中解决问题的思路和方法颇为巧妙,说明作者具有很强的联结能力和方法运用能力,而且经过这几年的学术练习,创新思路和写作方法越来越炉火纯青,值得学习和模仿。后面的论文是先验已知的情况:本篇论文是针对DS的先验未知处理,2025年的那篇TAES还没看,到时候就能理解他的论文体系了,看看别人是怎么组织自己博士论文框架体系的。基于了哪些:可能之前的研究也有先提取子序列,然后进行合并的思想,作者主要是修改了序列提取、以及序列判断和序列合并的策略。
2025-07-16 17:45:05
775
原创 文献阅读笔记:Radar Signal Deinterleaving Based on Markov Chains in Scenarios Known a Priori
有没有问题或者可以借鉴的地方:创新的扩展思路很巧妙,就是说找到一一篇论文,比如FSC,这种方法能解决的范围有限,那么我就扩展它的应用范围,就是说用提出了一个新的问题,并针对性的设计新的方法;另一篇分选的论文(基于图论的方法),主要是考虑到之前的方法并不是一次性提取所有的,不是全局最优解,所以就采用这种图论方法一次性考虑整体,从而实现综合评估性能最优,针对的是老问题,同时发现老问题中存在的缺陷(漏脉冲和PRI抖动对分选的影响),采用更优的方法。针对多种调制的序列,设计了一种基于马尔科夫链方法。
2025-07-11 10:35:53
371
原创 文献阅读笔记:Separation of Interleaved Pulse Stream Based on Directed Acyclic Graphs
基于有向无环图的交叠脉冲流分选方法研究 摘要:针对现有脉冲分选方法在漏脉冲和PRI抖动情况下的不足,本文提出一种基于有向无环图(DAG)的新型分选算法。该方法首先通过PRI估计构建脉冲关系图,将分选问题转化为最长路径搜索问题。相比传统容差法和动态序列搜索法,本方法能一次性提取完整脉冲序列,显著提升了对漏脉冲(最高达20%)和PRI抖动(±5%)的适应能力。实验表明,在干扰脉冲率50%、PRI 300-400us条件下,该方法的精准率和召回率综合性能优于对比方法。虽然计算复杂度增至O(L^3),但分选效果显著
2025-06-27 11:09:03
238
原创 全网首创 国防科技大学学位论文参考文献csl文件模板
完全按照国防科大学位论文参考文献格式进行调整,根据不同的语言设置不同的符号格式,与GB7714及其他学校的csl模板不同的地方主要在以下几个方面:1. 中文“等”前面没有逗号和空格,采用的分隔号均为英文2. 中文分隔符后面无空格3.参考文献表编号后面无Tab键,而是空格 4. 英文文献标识符前的空格
2024-10-16 12:21:59
656
2
原创 脉冲神经网络学习笔记(Tempotron)
对于基于脉冲神经网络的时序模式分类器,我们采用漏积分发射脉冲神经元模型(LIF)。与RNN中的神经元非常类似,LIF神经元也是有状态的,或者说是有记忆,它的状态变量,一般是它的膜电位。在该神经网络模型中,每个神经元的动力学函数可以通过如下公式来进行概括:其中,表示膜时间常数,C是膜电容,𝑅是膜电阻。𝑉代表膜电压, 是静息电位。当膜电压𝑉超过设定的常量阈值Vthr时,神经元激发一个脉冲,然后𝑉在不应期内会被重置到Vreset, 𝐼是突触前输入电流。
2023-05-19 08:21:32
736
1
latex转word(pandoc)专用模板
2025-07-20
latex转word快速执行batch文件
2025-07-20
latex论文处理python代码集成:包括latex转word、pdf图片矢量化、latex差异化文件等功能
2025-07-20
国防科技大学硕士、博士学位论文中文CSL样式-Zotero7
2024-10-16
北京理工大学CSL文件
2024-10-16
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人