moge19的专栏

1、建立仿真模型 （1）假设有一辆小车在一平面运动，起始坐标为[0，0]，运动速度为1m/s，加速度为0.1m/s2m/s^2m/s2，则可以建立如下的状态方程： Y=A∗X+B∗UY=A*X+B*UY=A∗X+B∗U U为速度和加速度的的矩阵 U=[10.1]U= \begin{bmatrix} 1 \\ 0.1\\ \end{bmatrix} U=[10.1​] X为当前时刻的坐标，速度，加速度 X=[xyyawV]X= \begin{bmatrix} x \\ y \\ yaw \\ V \e

4.1引言 4.2预处理 4.2.1.剔除离群点 4.2.2数据归一化 4.2.3丢失数据 4.3峰值现象 4.4基于统计假设检验的特征选择 4.5接收机操作特性曲线 4.6类可分性测量 4.7特征子集的选择 4.8最优特征生成 4.9神经网络和特征生成/选择 4.10推广理论的提示 4.11贝叶斯信息准则 ...

模式识别（三）非线性分类器3.1引言3.2 异或问题3.3 两层感知器3.4 三层感知器3.5基于训练集准确分类的算法3.6反向传播算法3.7反向传播算法改进3.8代价函数选择3.9神经网络大小的选择3.10 仿真3.11 具有权值共享的网络3.12 线性分类器的推广3.13 线性分类法中l维的空间3.14多项式分类器3.15径向基函数网络3.16通用逼近3.17概率神经网络3.18支持向量机：非线性情况3.19超越SVM的范例3.20 决策树3.21 合并分类器3.22 合并分类器的增强法3.23类的不平

模式识别（二）线性分类器2.1 引言2.2 线性判别函数和决策超平面2.3感知器算法2.4最小二乘法2.5 均方估计2.6逻辑识别2.7支持向量机 2.1 引言 2.2 线性判别函数和决策超平面 2.3感知器算法 2.4最小二乘法 2.5 均方估计 2.6逻辑识别 2.7支持向量机 ...

1.1 引言 1.2贝叶斯决策理论 1.3判别函数和决策面 1.4正态分布的贝叶斯分类 1.5未知概率密度函数的估计 1.6最近邻规则 1.7贝叶斯网络