ranchlai的专栏

对于高维空间的两类问题，最直接的方法是找到一个最佳的分类超平面，使得0" alt="">并且,对于所有的正负训练样本和. 因此，以上问题可以表达为：0,i=1,....,n&&space;\\&space;&&&w^Ty_j+b0,i=1,....,n&&space;\\&space;&&&w^Ty_j+b0,i=1,....,n& \\ &&&w^Ty_j+b问题P0可以转化为

曲线拟合[1]是一种常用的模型拟合方法，经常用在相机标定或其它传感器标定上。对于加性高斯噪声，最小二乘通常是一种最优的估计方法（PS:当外点存在时，通常可以采用其它robust estimator 或者采用ransac进行拟合）。本文演示最小二乘曲线拟合技术，所有代码可从点击此处下载。对如下图所示的加噪声曲线，如何进行曲线拟合呢？我们可以采用ｄ阶多项式去逼近

本文介绍一种常用的分类器设计技巧[1]：将线性不可分的数据映射到高维后，使其变得线性可分，然后利用前面介绍的线性分类器进行无（训练）误差分类。假设我们有如下图所示的训练数据，如何对其进行分类？　显然，此时的正负样本是不可分的，因为无法找到一个超平面(由于此处是二维数据，超平面退化成直线）将其分开。在这里介绍一个有用的技术：将二维数据转化成五维数据，即

本文介绍一种基于凸优化的图像去噪方法。　该方法采用L1范数来衡量图像的平滑度，即能滤除澡声，又能最大限度地保存图像的边缘。　模型如下：　其中f(x)为差分矩阵，存放了Ｘ每个元素与其4邻域的差值。 I为输入的灰度图像。　对于三通道彩色图像，可对每个通道进行单独处理。gamma为权重，值趣大则图像越平滑。上述模型为无约束的最小化问题　，用线性规化可解。　在这里用一个很强大通用的matlab算法包CVX[1]进行求解