Rainbow0210的博客

在前文《贝叶斯决策理论》中已经提到，很多情况下，准确地估计概率密度模型并非易事，在特征空间维数较高和样本数量较少的情况下尤为如此。 实际上，模式识别的目的是在特征空间中设法找到两类（或多类）的分类面，估计概率密度函数并不是我们的目的。 前文已经提到，正态分布情况下，贝叶斯决策的最优分类面是线性的或者是二次函数形式的，本文则着重讨论线性情况下的一类判别准则——Fisher判别准则。为了避免陷入复杂

贝叶斯决策理论对于模式识别的方法，大体可以分为基于知识和基于数据的两类。所谓基于知识的方法，主要以专家系统为代表，一般归于人工智能的范畴；而基于数据的方法，则可归于基于数据的机器学习。基于数据的方法，基础是统计模式识别，即依据统计的原理来建立分类器。 说到统计，则不得不谈到概率，这里罗列一些概率论的机器学习中的基本概念，百度都可以查到，不再赘述： 样本、样本集、类（类别）、特征、已知样本

前文提到，Fisher判别器的设计一般分两步，一是确定最优的投影方向，二是在投影方向上确定阈权值。而感知器则是一种直接得到完整的线性判别函数g(x)=ωTx+ω0g(x)=\omega_Tx+\omega_0的方法。所以从某种意义上将，感知器模型是Fisher判别的一种改进。了解神经网络的人也都知道，感知器是神经网络的基础。首先将线性判别函数齐次化： 设y=[1,x]Ty=[1,x]^T,α=[ω

首先说明一下，这个项目并不是博主在实验室负责的项目，而是博主的一门两学分的课的大作业（张学工老师的模式识别基础，有兴趣的可以百度一下），所以并没有投入太多时间去弄，还有很多地方可以改进，后文会陆续提到，也会指明改进的方法。然后博主只是个大三的学生，实现的一些不足还希望多包涵。这个检测的程序主要是针对多人大图像的人脸检测（30-100人，1000*2000pixel以上），博主用一张1800*3600

概述卷积神经网络，也称为卷积网络，简称CNN，是神经网络的一种。其可用于一维时间序列的处理，也可以用于二维（如图像）序列的处理。目前，卷积神经网络可以说是应用最为广泛、效果最为出众的方法之一。相比于普通的神经网络，其将传统的矩阵乘法改为卷积运算，这也是其名字的由来。卷积操作定义两个实值函数 x(t)x(t) ， w(t)w(t) 则其卷积定义为： s(t)=∫x(a)w(t−a)das(t) =