<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[钟工的算法小仓库]]></title><description><![CDATA[多数人在抱怨中成长，少数人在成功之前默默耕耘]]></description><link>https://blog.youkuaiyun.com/xeonmm1</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; xeonmm1]]></copyright><item><title><![CDATA[[信号处理]独立成分分析ICA - 基础]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/120608023</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/120608023</guid><author>xeonmm1</author><pubDate>Mon, 04 Oct 2021 20:53:59 +0800</pubDate><description><![CDATA[为什么随机变量X和Y不相关却不一定独立？

为什么随机变量X和Y不相关却不一定独立？ - 孙逍的回答
说的是对的，我举个更直观的例子吧

(X,Y) 均匀分布在单位元 x^2 + y^2 = 1上




X和Y的（线性）相关系数是0。为什么呢？直观来说，因为是个圆，如果你画一条线性回归的线，线的斜率是正的还是负的都不合适，因为是对称的。数学上
因为
E(X|Y) = E(Y|X) = 0
所以
E(X) = E(Y) = 0，而且
E(XY) = E[E(XY|X)] = E[X E(Y|X) ] = 0]]></description><category></category></item><item><title><![CDATA[睡眠监测中的一些术语和指标（AASM）]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/103158439</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/103158439</guid><author>xeonmm1</author><pubDate>Wed, 20 Nov 2019 13:49:54 +0800</pubDate><description><![CDATA[低通气指数

apnea hypopnea index (AHI) 



呼吸紊乱指数

respiratory disturbance index (RDI) 



眼动电图

electrooculography,EOG



睡眠呼吸暂停低通气综合征

sleep apnoea hypopnea syndrome



中矢状下颌运动

midsagittal jaw movem...]]></description><category></category></item><item><title><![CDATA[[C&C++]C语言如何动态分配二维数组]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/101353640</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/101353640</guid><author>xeonmm1</author><pubDate>Wed, 25 Sep 2019 11:42:10 +0800</pubDate><description><![CDATA[#include &lt;stdlib.h&gt;
int main()
{
      // 为二维数组分配3行
      int **a = (int **)malloc(3 * sizeof(int *));
      // 为每行分配5列
      for(int i = 0; i &lt; 3; i++)
      {
           a[i] = (int *)mall...]]></description><category></category></item><item><title><![CDATA[[Matlab]Matlab中改变y轴刻度为特定字符]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/100974549</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/100974549</guid><author>xeonmm1</author><pubDate>Wed, 18 Sep 2019 10:22:21 +0800</pubDate><description><![CDATA[% 画图
    h = figure(1);
    clf(h);
    ax1 = subplot(2,1,1);bar(BCG_data);title("BCG实时睡眠分期算法结果");
    set(gca,'linewidth',0.5,'fontsize',15,'fontname','宋体');
    set(gca,'ytick',[0 1 3]);
    set(g...]]></description><category></category></item><item><title><![CDATA[[机器学习]机器学习中的小笔记]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/100548480</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/100548480</guid><author>xeonmm1</author><pubDate>Wed, 04 Sep 2019 22:18:26 +0800</pubDate><description><![CDATA[岭回归，Lasso回归

在拟合回归中回出现过拟合现象，表现为拟合方差的过大，训练系数W的过大，加入正则化L1 L2项训练使得方差减少，偏差增大；Lasso-L1回归特性：某些系数可以为0，变为稀疏特征，但其损失方程不可导，a系数增大收敛比岭回归快；

Ridge-L2回归特性：系数变小但不为0，方程可导，收敛没Lasso回归快；



kappa系数


...]]></description><category></category></item><item><title><![CDATA[[数字信号处理]信号幅度概率特征算法设计 原创]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/99687159</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/99687159</guid><author>xeonmm1</author><pubDate>Sat, 17 Aug 2019 08:29:26 +0800</pubDate><description><![CDATA[随机信号处理的一种特殊的方法是通过记录信号幅度的出现概率，来生成特征。

如下图所示为一种基本设计：概率分布的范围设定为该段信号的最大最小值，然后分成若干个区间进行分别求和并进行归一化，这种方法对于平稳信号比较适用，但对于幅度变化较大的随机信号，得出的概率模型可能波动很大，并不实际；



如下图为一种改进的幅度特征设计方法：



该方法首先统计出信号中数据点的中位值，这样做的好处是获得了该信号...]]></description><category></category></item><item><title><![CDATA[[Python]时间字符串转标准时间戳]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/99471755</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/99471755</guid><author>xeonmm1</author><pubDate>Tue, 13 Aug 2019 20:30:00 +0800</pubDate><description><![CDATA[# 字符类型的时间
tss1 = '2013-10-10 23:40:00'

# 转为时间数组
timeArray = time.strptime(tss1, "%Y-%m-%d %H:%M:%S")
print timeArray   
  
# timeArray可以调用tm_year等
print timeArray.tm_year   # 2013
# 转为时间戳
timeStamp ...]]></description><category></category></item><item><title><![CDATA[[学术资源]常用论文网址汇集]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/99307374</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/99307374</guid><author>xeonmm1</author><pubDate>Mon, 12 Aug 2019 16:11:33 +0800</pubDate><description><![CDATA[免费下载论文

https://sci-hub.tw



Python区 ----------------------------------------------------------------

Python 配置：

如何使用pip安装：

https://jingyan.baidu.com/article/466506583fec5af549e5f825.html



Sci...]]></description><category></category></item><item><title><![CDATA[[原创]数字信号处理中的卷积网络深度学习猜想(3) - 信号动态周期包络算法]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/97013251</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/97013251</guid><author>xeonmm1</author><pubDate>Tue, 23 Jul 2019 17:50:16 +0800</pubDate><description><![CDATA[基本原理请参考这篇文章：

https://blog.youkuaiyun.com/xeonmm1/article/details/95735261



这次我们希望通过全尺度卷积算法实现一个随机信号的包络计算，包络计算的难题是：如果使用幅度逼近，则可能缺失时域，如果使用时域逼近，则可能缺失幅度，之所以出现这种情况是因为随机信号的信号成分不是固定的，里面包含了从低到高的频率，和不同的幅度信号，为了尽可能缓...]]></description><category></category></item><item><title><![CDATA[[原创]数字信号处理中的卷积网络深度学习猜想(2) - 信号主周期估计算法 - 一种快速实现]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/95811407</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/95811407</guid><author>xeonmm1</author><pubDate>Sun, 14 Jul 2019 09:25:33 +0800</pubDate><description><![CDATA[转载请注明出处，Writer:Zhonlihao钟硕 @ 20190713

https://blog.youkuaiyun.com/xeonmm1



全尺度卷积算法的时间复杂度

全尺度卷积虽然有非常强的细节提取能力，但其是以大量增加运算量为代价的，下面的伪代码给出了其基本的运算过程：


for i = 尺度遍历 n 

    for j = 时域遍历 k

        for m = 特征遍...]]></description><category></category></item><item><title><![CDATA[[原创]数字信号处理中的卷积网络深度学习猜想(1) - 信号主周期估计算法]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/95735261</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/95735261</guid><author>xeonmm1</author><pubDate>Sat, 13 Jul 2019 13:52:59 +0800</pubDate><description><![CDATA[转载请注明出处，Writer:Zhonlihao钟硕 @ 20190713

***注意！本文只是猜想，请勿过于认真要作者给出与深度学习的必要联系***

https://blog.youkuaiyun.com/xeonmm1

引言

   这是一篇计算机学与信号处理跨界借鉴的文章，涉及电信算法领域，以下内容尽可能不贴图讲解，相关人士老司机可以继续阅读，适逢深度学习的大热，我花了点基本的时间了解深度...]]></description><category></category></item><item><title><![CDATA[[个人生活]我生命中超低概率会发生的事件（但发生了）集合]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/91971368</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/91971368</guid><author>xeonmm1</author><pubDate>Fri, 14 Jun 2019 14:17:31 +0800</pubDate><description><![CDATA[1.在南山公司认识一个同事，某周末在深圳宝安壹方城星巴克看见他买东西喝，但我认为相遇的概率太低，没有过去打招呼，后来周一回到公司，的确是他本人，他也看到我在看他，但大家没有认真打招呼！-_-#

2.在深圳打球认识一本地校友华农妹子，她居然认识我在广州的高中同学！

3.20190716 四个广州高中同学在深圳相聚吃饭，其中3人在深圳工作，包括我。
...]]></description><category></category></item><item><title><![CDATA[[深度学习]卷积神经网络CNN - 一张图理解滤波器/层数/深度]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/89812294</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/89812294</guid><author>xeonmm1</author><pubDate>Sat, 04 May 2019 12:24:46 +0800</pubDate><description><![CDATA[1.单个卷积滤波器的尺寸一般为3x3 或 5x5；如上图所示的kernel

2.滤波器的层数与图像输入的色彩层有关 如上图所示层数为3

3.滤波器的深度是指布设多少个卷积特征提取器，越深的深度有利于多角度提取相关识别的特征，如上图所示深度为2



最终经过合成后特征的图层的个数与上一级的卷积深度一致，从输入的图层个数 转化为特征层的个数；
...]]></description><category></category></item><item><title><![CDATA[[深度学习]Tensorflow教学 - 手写数字识别例程MNIST代码实现]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/89811851</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/89811851</guid><author>xeonmm1</author><pubDate>Sat, 04 May 2019 11:48:15 +0800</pubDate><description><![CDATA[import tensorflow as tf
import os
import urllib
import tensorflow.examples.tutorials.mnist.input_data as input_data
# from tensorflow.examples.tutorials.mnist import input_data

# 手动从Lecun乐村大牛的网站下载图片...]]></description><category></category></item><item><title><![CDATA[[最优化方法]动态规划 - 矩阵链乘法乘积问题]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/89765460</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/89765460</guid><author>xeonmm1</author><pubDate>Thu, 02 May 2019 21:52:00 +0800</pubDate><description><![CDATA[详细请看算法导论教程


// MatrixChainOrder.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include &lt;stdlib.h&gt; 
#include "stdio.h"
void MatrixChainOrder(int*p, int n);
void printMatrixChainOrder(int** s_mat,...]]></description><category></category></item><item><title><![CDATA[[最优化方法]动态规划 - 钢条切割问题]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/89765403</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/89765403</guid><author>xeonmm1</author><pubDate>Thu, 02 May 2019 21:45:00 +0800</pubDate><description><![CDATA[# len                 0 1 2 3 4 5  6  7  8  9  10
Length_Price_Table = [0,1,5,8,9,10,17,17,20,24,30]

# 子问题最优解的表
Solve_Table = [0,-1,-1,-1,-1,-1,-1,-1,-1,-1,-1]
Cut_Table = [[0,-1,-1,-1,-1,-1,-1,-1,-...]]></description><category></category></item><item><title><![CDATA[[数值分析]开方根算法 - 牛顿迭代法/二分法/割线法]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/89765231</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/89765231</guid><author>xeonmm1</author><pubDate>Thu, 02 May 2019 21:33:31 +0800</pubDate><description><![CDATA[// ConsoleApplication1.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include "math.h"
#include "stdlib.h"

#define err_limit	0.0001		//注意float的精度，不能要求太高，否则float无法区分
#define iter_limit	1000000

float ...]]></description><category></category></item><item><title><![CDATA[[C&C++]Visual Studio生成DLL动态链接库的注意事项]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/89703768</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/89703768</guid><author>xeonmm1</author><pubDate>Tue, 30 Apr 2019 09:54:27 +0800</pubDate><description><![CDATA[因为不是所有平台都有DLL的依赖文件所以编译的时候这样选






]]></description><category></category></item><item><title><![CDATA[[C&C++]本地内存管理代码]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/89552790</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/89552790</guid><author>xeonmm1</author><pubDate>Fri, 26 Apr 2019 14:28:54 +0800</pubDate><description><![CDATA[呵呵 不会告诉你怎么用~skr~


#include &lt;stdio.h&gt;
#include &lt;stdlib.h&gt;
#include &lt;stdint.h&gt;
#include &lt;string.h&gt;

// config
#define mem_debug      printf
//#define MD_MEM_STATS
//#define MD_D...]]></description><category></category></item><item><title><![CDATA[[深度学习]Tensorflow实现Label一定范围内损失为0的代码实现]]></title><link>https://blog.youkuaiyun.com/xeonmm1/article/details/89466657</link><guid>https://blog.youkuaiyun.com/xeonmm1/article/details/89466657</guid><author>xeonmm1</author><pubDate>Tue, 23 Apr 2019 10:01:29 +0800</pubDate><description><![CDATA[介绍：在很多应用中我们不一定要回归到某个Label [a]，而是a的某个范围[a-b,a+b]内，均可认为训练成功，下面给出实现代码


import tensorflow as tf
import numpy as np

# zhonglihao 2019.04

# 正负1范围没有loss
output = [1.0,2.0,3.0,4.0,5.0,6.0]
label = [3.5,3.5...]]></description><category></category></item></channel></rss>