孟凡驰的博客

什么是特征向量，特征值，矩阵分解[1.特征的数学意义]       我们先考察一种线性变化，例如x,y坐标系的椭圆方程可以写为x^2/a^2+y^2/b^2=1，那么坐标系关于原点做旋转以后，椭圆方程就要发生变换。我们可以把原坐标系的(x,y)乘以一个矩阵，得到一个新的(x',y')的表示形式，写为算子的形式就是(x,y)*M=(x',y')。这里的矩阵M代表一种线性变换：拉伸，平

function [coeff, score, latent, tsquare] = princomp(x,econFlag)%PRINCOMP Principal Components Analysis (PCA) from raw data.% COEFF = PRINCOMP(X) performs principal components analysis on the N-by-

摘自：http://blog.youkuaiyun.com/ding89629/article/details/7410191归一化：１）把数据变成(０，１)之间的小数２）把有量纲表达式变成无量纲表达式 归一化算法有：1.线性转换　　    y=(x-MinValue)/(MaxValue-MinValue２.对数函数转换：     y=log10(x) ３.反余切

压缩感知是近年来极为热门的研究前沿，在若干应用领域中都引起瞩目。关于这个题目，松鼠会已经翻译了两篇文章，一篇来自于压缩感知技术最初的研究者陶哲轩（链接），一篇来自威斯康辛大学的数学家艾伦伯格（本文正文）。这两篇文章都是普及性的，但是由于作者是专业的研究人员，所以事实上行文仍然偏于晦涩。因此我不揣冒昧，在这里附上一个画蛇添足的导读，以帮助更多的读者更好了解这个新颖的研究领域在理论和实践上的意义。

%训练%Lx=X'*Xclear;clc;train_path='..\Data\TrainingSet\';phi=zeros(64*64,20);for i=1:20path=strcat(train_path,num2str(i),'.bmp');Image=imread(path);Image=imresize(Image,[64,64]);phi(:,i)=doubl

最近进展很不顺利。sparserepresentation在图像上已经被证明在多个应用上具有惊人的效果。而最近尝试在基因数据集上进行的实验效果却非常差。以至于我认为这个东西可能就不适合基因数据集。已经有些放弃的念头了，但想了想不搞这个还能搞啥。况且即便不适合基因数据集，也找不到不适合的理由，只能一直假设实验做得还不够充分。   同实验室的其他人在图像或视频上的实验，一试一个准，文章都一个接

奇异值分解定理：设A为m*n阶复矩阵，则存在m阶酉阵U和n阶酉阵V，使得：A = U*S*V’其中S=diag(σi,σ2,……,σr)，σi>0(i=1,…,r)，r=rank(A)。推论：设A为m*n阶实矩阵，则存在m阶正交阵U和n阶正交阵V，使得A = U*S*V’其中S=diag(σi,σ2,……,σr)，σi>0(i=1,…,r)，r=rank(A)。说明：

这是数学家陶哲轩在他自己的blog上写的一篇科普文章，讨论的是近年来在应用数学领域里最热门的话题之一：压缩感知（compressedsensing）。所谓压缩感知，最核心的概念在于试图从原理上降低对一个信号进行测量的成本。比如说，一个信号包含一千个数据，那么按照传统的信号处理理论，至少需要做一千次测量才能完整的复原这个信号。这就相当于是说，需要有一千个方程才能精确地解出一千个未知数来。但是压缩感知

原文来自刘未鹏的独立博客：数学之美番外篇：平凡而又神奇的贝叶斯方法概率论只不过是把常识用数学公式表达了出来。——拉普拉斯记得读本科的时候，最喜欢到城里的计算机书店里面去闲逛，一逛就是好几个小时；有一次，在书店看到一本书，名叫贝叶斯方法。当时数学系的课程还没有学到概率统计。我心想，一个方法能够专门写出一本书来，肯定很牛逼。后来，我发现当初的那个朴素归纳推理成立了——这果然是个

百度2013校招，西安站，面试时间：2012年9月24日下午3点，地点：西安颐和宫大酒店。面试官是一个很年轻很帅的GG，看起来比我大不了几岁，甚至和我一样大的样子，标准的学术牛、技术帅。之前在网上搜过一些面经，一般会出一到三道算法（包括基本的排序、二叉树非递归遍历之类的，还有其他算法等），让写在纸上的。但是这次面试官根本没让写任何算法，很出乎我的意料。面试直接从我的简历说起。