<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_73044708的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_73044708</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_73044708]]></copyright><item><title><![CDATA[机器学习————PCA]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/139606956</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/139606956</guid><author>m0_73044708</author><pubDate>Wed, 19 Jun 2024 01:12:38 +0800</pubDate><description><![CDATA[ORL人脸库：由英国剑桥大学AT&T实验室创建，包含40个不同个体，每个个体包含10张不同姿态的人脸图像，共400张面部图像，部分人脸图像包括了姿态,表情和面部饰物的变化，其深度旋转和平面旋转可达20度；ORL人脸数据库中每个采集对象的10幅样本图片都经过归一化处理的灰度图像，图像尺寸均为92×112，图像背景为黑色。降低维度：PCA可以减少数据的维度，减少数据量，简化模型或可视化。去除噪声：PCA可以去除数据中的噪声和冗余信息，提高数据质量。]]></description><category></category></item><item><title><![CDATA[机器学习————SVM]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/139304547</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/139304547</guid><author>m0_73044708</author><pubDate>Mon, 10 Jun 2024 00:56:12 +0800</pubDate><description><![CDATA[支持向量机（Support Vector Machine，简称SVM）是一种经典的机器学习算法，它在解决小样本、非线性及高维模式识别等问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。是一种二分类模型，监督性学习。目的是找到集合边缘上的若干数据（支持向量）用这些点找出一个平面（决策面）使支持向量到该平面的距离最大。数据集格式为（x,y,label）优点计算复杂性取决于向量数目而不是样本空间维数可以处理线性不可分可实现特征空间划分的最优超平面简化了回归和分类等问题。]]></description><category></category></item><item><title><![CDATA[机器学习————逻辑（logistic）回归]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/139216235</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/139216235</guid><author>m0_73044708</author><pubDate>Sun, 26 May 2024 16:35:53 +0800</pubDate><description><![CDATA[logistic回归是一种二分类或多分类的概率型非线性回归模型，用于研究因变量与影响因素之间的关系。其主要思想是根据现有数据对分类边界线建立回归公式，从而进行分类。与线性回归不同的是，logistics回归的目标是找到最佳拟合参数，以便对不同特征赋予不同的权重。源自《机器学习实战》数据集，形式为(x,y,label)模型简单：Logistic回归的模型结构简单，易于理解和实现。速度快：Logistic回归的计算速度相对较快，适合处理大量数据。]]></description><category></category></item><item><title><![CDATA[Jeston nano 部署yolov5并使用tensorrt加速-极速版-（先进视觉赛）v2]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/138823840</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/138823840</guid><author>m0_73044708</author><pubDate>Tue, 14 May 2024 00:26:42 +0800</pubDate><description><![CDATA[本博客为博主参加2024 中国机器人大赛暨 RoboCup 机器人世界杯中国赛机器人先进视觉3D识别赛道时配置环境所记录的流程的整理，也作为给学弟学妹留下的传承，中间有包括几篇有参考的博客，都有附上链接。部署流程亲测有效！！！到这里关于比赛环境配置就写完了，关于配置，只要网络快，就是我说的极速配置，挺快的。祝大家比赛顺利！！！这边。]]></description><category></category></item><item><title><![CDATA[机器学习————朴素贝叶斯]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/138810981</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/138810981</guid><author>m0_73044708</author><pubDate>Mon, 13 May 2024 19:14:23 +0800</pubDate><description><![CDATA[朴素贝叶斯算法是一种基于贝叶斯定理和条件独立性假设的分类方法。其中，朴素贝叶斯的朴素代表属性之间独立。该算法的核心思想分为两个部分：首先，基于特征条件独立性假设，算法学习输入和输出的联合概率分布。然后，利用贝叶斯定理，对于给定的输入特征 x，计算各个输出类别 y 的后验概率。垃圾邮件分类数据集是一组用于训练和测试垃圾分类模型的数据，主要包括不同类型垃圾的分类信息和相关特征。垃圾分类数据集可以，实现对垃圾的自动分类。：根据输入的数据集创建词汇表，返回一个不重复的词条列表。]]></description><category></category></item><item><title><![CDATA[机器学习————决策树]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/138282493</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/138282493</guid><author>m0_73044708</author><pubDate>Sun, 28 Apr 2024 17:05:01 +0800</pubDate><description><![CDATA[数据集采用周志华《机器学习》课后习题4.3的西瓜数据集色泽：表示西瓜的外皮颜色，包括青绿、乌黑、浅白。根蒂：表示西瓜的根部状况，有蜷缩、稍蜷、硬挺三种。敲声：敲击西瓜时发出的声音，有浊响和沉闷两种。纹理：西瓜表面的纹理，分为清晰和模糊两种。脐部：西瓜脐部的形状，有凹陷和稍凹两种。触感：摸到西瓜表面的感觉，有软粘和硬滑两种。密度：通常是指西瓜的果实密度，即其重量与体积的比值。本次实验不考虑第8个特征，所以数据集如下：色泽：0表示青绿，1表示乌黑，2表示浅白。]]></description><category></category></item><item><title><![CDATA[机器学习————模型评估]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/137740492</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/137740492</guid><author>m0_73044708</author><pubDate>Sun, 14 Apr 2024 15:45:23 +0800</pubDate><description><![CDATA[机器学习模型的评估方法主要目的是了解模型在训练数据上的表现，以确定模型是否有过拟合或欠拟合的问题，以及模型在新数据上的泛化能力。机器学习模型的评估方法涉及到多个方面，包括损失函数、训练误差、验证误差、测试误差、交叉验证、模型选择等。通过综合考虑这些因素，可以优化模型的性能，并选择具有较好泛化能力的模型。评估指标是针对模型性能优劣的一个定量指标。一种评价指标只能反映模型一部分性能，如果选择的评价指标不合理，那么可能会得出错误的结论，故而应该针对具体的数据、模型选取不同的的评价指标。]]></description><category></category></item><item><title><![CDATA[机器学习————KNN算法]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/136820083</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/136820083</guid><author>m0_73044708</author><pubDate>Sat, 23 Mar 2024 16:40:14 +0800</pubDate><description><![CDATA[鸢尾花数据集共收集了三类鸢尾花，即Setosa鸢尾花、Versicolour鸢尾花和Virginica鸢尾花，包括4个属性，分别为花萼的长、花萼的宽、花瓣的长和花瓣的宽。每个类别50个样本。读取数据集文件中的数据到列表中，因为数据集中单个数据特征是以,分隔开，所以按,分隔为一个样本数据再存到数组data_temp中# 初始化数据集f = open(adder) # 打开数据文件文件lines = f.readlines() # 把全部数据文件读到一个列表lines中。]]></description><category></category></item><item><title><![CDATA[机器学习环境配置]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/136609512</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/136609512</guid><author>m0_73044708</author><pubDate>Sun, 10 Mar 2024 21:28:06 +0800</pubDate><description><![CDATA[配置成功截图。]]></description><category></category></item><item><title><![CDATA[Opencv（c++基础）]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/128997047</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/128997047</guid><author>m0_73044708</author><pubDate>Sun, 12 Feb 2023 17:13:24 +0800</pubDate><description><![CDATA[其中的cards.jpg图片是放在资源文件Resources内的，如果放在与cpp相同的文件夹内的话，就可以直接读取，或者可以使用图片所在位置的绝对路径。读取灰度照片有两种方法：一种是在读取照片的时候就按照灰度格式读取，第二种是先读取之后再转换。Opencv其实就一个有关视觉处理的库，就和学C语言的时候用的math那一堆库一样。工作空间：是为了避免 如果两个库中有相同的函数名，在调用函数时会发生冲突。]]></description><category></category></item><item><title><![CDATA[ROS话题、服务、动作（自定义）]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/128955332</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/128955332</guid><author>m0_73044708</author><pubDate>Fri, 10 Feb 2023 21:03:13 +0800</pubDate><description><![CDATA[以一个例题为例演示使用 ROS 话题(Topic) 机制实现消息发布与订阅要求:编写代码实现 ROS 中消息的发布与订阅: 创建一个发布者，每隔 100ms 依次发送斐波拉契数列的数字到话题/fibonacci 中;创建一个订阅者，订阅该话题，输出订阅结果。如，订阅者依次输出: 1 1 2 3 5 8 ··1.如何自定义话题消息·定义msg文件#发送到话题内的数字在工作空间homeworkws/src内的homework。]]></description><category></category></item><item><title><![CDATA[寒假学习记录四（ROS基础）]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/128881154</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/128881154</guid><author>m0_73044708</author><pubDate>Fri, 10 Feb 2023 20:58:42 +0800</pubDate><description><![CDATA[从图示看，动作的三个通信模块，两个是服务模块，一个是话题模块，客户端的命令发送以及服务器端的反馈接受到命令和最后的动作结束的反馈都是通过服务来实现。roscpp  rospy 这两个是c++和py的依赖包， std_msgs是标准的消息，geometry_msgs这是和海龟的运动的速度的消息有关的依赖包。动作通信能够实现的是可以获取到实时的反馈（在机器人接受请求后，反馈机器人此时的位置或其他信息），可以在请求行为完成前随时可以发送取消的命令。]]></description><category></category></item><item><title><![CDATA[寒假学习记录三（c++学习笔记）]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/128823098</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/128823098</guid><author>m0_73044708</author><pubDate>Fri, 03 Feb 2023 12:00:00 +0800</pubDate><description><![CDATA[对于这个函数模板，如果传入的是一个自定义的类person，就会报错，编译器在调用过程无法识别person类=person类的操作，当然可以使用运算符重载解决，但是太过麻烦，可以使用另外一种办法解决，就是具体化参数类型以及函数定义里的内容。普通函数是有自动类型转换，在函数模板中，如果使用的是直接使用，自动识别类型，是不存在自动类型转换，但是指定出类型时是存在自动类型转换的。//查找key是否存在，若存在返回该数据元素的迭代器，若不存在，返回set.end().]]></description><category></category></item><item><title><![CDATA[寒假学习记录二（c++学习笔记）]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/128761951</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/128761951</guid><author>m0_73044708</author><pubDate>Sun, 29 Jan 2023 15:00:33 +0800</pubDate><description><![CDATA[父类创建虚函数后，在父类的虚函数表内存入该虚函数地址，在子类继承父类时，会复制虚函数指针和虚函数表内的地址，在子类重写父类虚函数时，产生的新地址会覆盖子类虚函数表中复制来的父类虚函数地址，所以在父类指针或引用调用子类虚函数时，会到子类虚函数表找函数地址，所以调用的会是子类的虚函数，这就实现了多态。在函数名前加上关键字virtual，创建虚函数，会产生一个虚函数（表）指针（vfptr），该指针指向虚函数表内的地址，每一个类有自己的虚函数表，创建虚函数时，该函数的地址就存在虚函数表内。]]></description><category></category></item><item><title><![CDATA[寒假学习记录一（linux学习笔记）]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/128748932</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/128748932</guid><author>m0_73044708</author><pubDate>Sun, 22 Jan 2023 14:30:35 +0800</pubDate><description><![CDATA[程序运行为管理运行的程序，每一个程序在运行的时候，便被操作系统注册为系统中的一个进程，并且为每一个进程都分配一个独有的：进程id（进程号）普通用户的权限，，一般在其HOME目录内是不受限的，但是出了HOME目录，大多数地方，普通用户仅仅只有读和执行权限，没有修改权限。·.tar,叫tartball,归档文件，即将简单的将文件组装到一个.tar的文件内，并没有太多文件体积的减少，仅仅是简单的封装。-i   显示出文件的inode信息（相当于文件的身份证号，储存了文件的元信息，文件的大小、位置、权限等等。]]></description><category></category></item><item><title><![CDATA[大一c语言课设--五子棋（基于easyx库）]]></title><link>https://blog.youkuaiyun.com/m0_73044708/article/details/128459652</link><guid>https://blog.youkuaiyun.com/m0_73044708/article/details/128459652</guid><author>m0_73044708</author><pubDate>Tue, 27 Dec 2022 20:25:29 +0800</pubDate><description><![CDATA[首先是各类函数的声明//初始化（正在播放音乐菜单显示）//初始化（音乐暂停菜单显示）//绘制人机对战棋盘//绘制人人对战棋盘//绘制复盘时的棋盘//绘制棋子//悔棋时绘制棋子（去除了落子声音防止出现延迟）/*easyx库内xy轴是原点在左上角，x轴横向且向右为正，y轴竖向且向下为正。与二维数组行和列的对应关系是：x对应列，y对应行所以在下面落子以及之后的AI判断等等函数需要考虑这个关系*///判断是否有棋子，给数组赋值然后落子//复盘时给数组赋值。]]></description><category></category></item></channel></rss>