qrlhl的博客

在本文中讨论的矩阵都是实数矩阵。基础知识1. 矩阵的秩：矩阵的秩是矩阵中线性无关的行或列的个数2. 对角矩阵：对角矩阵是除主对角线外所有元素都为零的方阵3. 单位矩阵：如果对角矩阵中主对角线上的元素都为一，该矩阵称为单位矩阵4. 特征值：对一个M x M矩阵C和向量X，如果存在λ使得下式成立 则称λ为矩阵C的特征值，X称为矩阵的特征向量。非零

最近看了篇Paper（Hyperspectral Image Classification Through Bilayer Graph-Based Learning），里面出现了一个超图（Hypergraph）的概念，在这里对它的概念进行说明。      超图（Hypergraph）是什么      简单的来说，对于我们熟悉的图而言，它的一个边（edge）只能和两个顶点连接；而对于

流形，也就是 Manifold 。不知道你有没有为我在本文开头放上的那个地球的图片感到困惑？这是因为球面是一个很典型的流形的例子，而地球就是一个很典型的“球面”啦（姑且当作球面好啦）。有时候经常会在 paper 里看到“嵌入在高维空间中的低维流形”，不过高维的数据对于我们这些可怜的低维生物来说总是很难以想像，所以最直观的例子通常都会是嵌入在三维空间中的二维或者一维流行。比如说一块布，可以把

本文是根据一位前辈上传到百度文库的《小波变换-完美通俗解读》总结而成，考虑到在百度上下载需要下载券，现在我将我下载好的原始文档放在了http://download.youkuaiyun.com/detail/qrlhl/9231319这里，有需要的朋友可以自行下载，不要积分的哦~~下面开始正文~~由于最近本人所在的实验室要在转型做医疗，需要看一些和医学有关的paper。读到这一篇《Seizure

　　最近在做脑电信号分析，在导师的建议下学习了一点经验模式分解（下面简称EMD）的皮毛，期间也是遇到了很多问题，在这里整理出来，一是为了自己备忘，二是为了能尽量帮到有需要的朋友。一、EMD简介　　经验模态分解（Empirical Mode Decomposition,EMD）法是黄锷（N. E. Huang）在美国国家宇航局与其他人于1998年创造性地提出的一种新型自适应信号时频处理方...

众所周知，傅里叶变换的快速算法FFT可以用来对信号的频域特征进行分析，然而，FFT仅能用于平稳信号的分析，对于非平稳信号，则需要采用短时傅里叶变换（STFT）进行分析。

最近在调研域自适应学习的时候，接触到了分布假设，即源域与目标域的边缘分布和条件分布均不同。条件分布由于用得比较多，大家应该比较熟知；而边缘分布用的比较少，在这里记录下边缘分布的定义，备忘。边缘分布的定义1、定义 1　　设F(x,y)F(x,y)为二维随机变量 (X,Y)(X,Y) 的联合分布函数，F(x,y)=P{X≤x,Y≤y}F(x,y)=P\{X\leq x, Y\leq y\}，分别称.........