Kai-Xuan

 黎曼局部差分向量，SPD流形局部差分向量计算 前言在欧氏空间中，对于任意两个向量 x,y∈Rkx,y \in R^kx,y∈Rk，它们之间的差分向量为：x−yx-yx−y，该差分向量也可以等价为欧氏空间距离公式平方的在xxx点的梯度 ▽xδ2(x,y)\triangledown_{x}\delta^2(x,y)▽x​δ2(x,y) 。 黎曼局部差分向量由于SPD流形的特殊性，我们不能通过直接相减来到差分向量，类似的我们通过黎曼空间距离公式平方的梯度来计算黎曼局部

 待续…  示例代码：https://github.com/Kai-Xuan/RiemannianCovDs/ [link]如果这个内容对于您的研究工作有帮助，也希望引用我们的论文：[1].  参考:1. Covariance Descriptors on a Gaussian Manifold and their Application to Image Set Classification[J], Pattern Recognition, 202

 SPD流形 Sk++S_k^{++}Sk++​,即为由k×kk \times kk×k维度的SPD矩阵所张成的空间，那么对于一组 mmm 个SPD矩阵的集合 {Xi}im∈Sk++\{X_i\}_{i}^m \in S_k^{++}{Xi​}im​∈Sk++​，它的均值可以通过如下四种方式进行计算：待续…......

示例代码：https://github.com/Kai-Xuan/MyNote/tree/master/ML/SPD-Metrics对于任意两个SPD 矩阵 X,Y放射不变黎曼度量 (Affine Invariant Riemannian Metric):dA2(X,Y)=∣∣log⁡(X−1/2Ylog⁡(X−1/2)∣∣F2d_A^2(X,Y)=|| \log(X^{-1/2}Y \log(X^{-1/2}) ||_F^2dA2​(X,Y)=∣∣log(X−1/2Ylog(X−1/2)∣∣F2​

在最后加上：axis equal 即可clear;clc;data = randn(1000,2);data_cov = cov(data);[U,V] =eigs(data_cov);plot([0,-2*U(1,1)],[0,-2*U(2,1)],'--r');hold on plot([0,-2*U(1,2)],[0,-2*U(2,2)],'--r');axis equal % 使得横纵坐标之间的间隔一致hold off得到如下图：...

方法一选中你要加注释的内容，用键盘的快捷键是"Ctrl+R". 若要取消注释，用键盘的快捷键是"Ctrl+T".方法二采用matlab块注释方法%{需要注释不执行的若干命令行%}

 高斯分布\quad在数据建模时，经常会用到高斯分布模型[1,2]，其曲面绘制可以参考 示例代码-Matlab绘制高斯分布曲面图（1），下面介绍另一种绘制高斯分布曲面的方法。 1. 首先，根据高斯分布的均值以及协方差矩阵来得到符合该高斯分布的样本点，我们需要使用 matlab 中的 mvnrnd 函数。2. 然后，根据高斯分布的均值、协方差矩阵来计算每个样本点的概率密度。这里，我们需要使用 matlab 中的 mvnpdf 函数3. 最后，将得到的样本点及其概率值网格化，形成

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar

 高斯分布\quad在数据建模时，经常会用到高斯分布模型[1,2]，下面我们就使用Matlab中的 mvnrnd & mvnpdf 函数生成满足高斯分布的样本点，并绘制出来。 mvnrnd 函数\quadmvnrnd 函数可以生成满足某均值以及协方差高斯分布的样本，R = mvnrnd(mu,sigma,n) 生成 n 个样本，这些样本满足均值为 mu，协方差矩阵为 sigma 的高斯模型。\quad若生成满足均值为：[0,0]，协方差为：[0.9 0.4; 0.4

高斯函数分布曲线**Matlab中高斯函数接口****高斯分布示例代码**Matlab中高斯函数接口y = gaussmf(x,[sig c]) 其中，xxx 为随机变量的取值，yyy 表示的是随机变量 xxx 等于某数发生的概率，sigsigsig 为高斯分布的标准差，ccc 为均值。但是，该接口的高斯分布的形式为 y=e−(x−c)22δ2y = e^{ - \frac{(x-c)^2}{2\delta^2}}y=e−2δ2(x−c)2​，并不是我们常见到的y=12πδe−(x−c)22δ2y