<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[yyylonghui的博客]]></title><description><![CDATA[学习总结学习日记]]></description><link>https://blog.youkuaiyun.com/yyylonghui</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; yyylonghui]]></copyright><item><title><![CDATA[KIENCT指尖检测项目原理与资源汇总]]></title><link>https://blog.youkuaiyun.com/yyylonghui/article/details/81365549</link><guid>https://blog.youkuaiyun.com/yyylonghui/article/details/81365549</guid><author>yyylonghui</author><pubDate>Thu, 02 Aug 2018 18:40:03 +0800</pubDate><description><![CDATA[本博客是关于个人项目基于KINECT的动态手指跟踪的信息汇总与原理介绍 
实现思路： 
利用KINECT的骨骼信息与深度信息提取出手部轮廓区域，在提取手部轮廓区域后，在对手部轮廓区域进行特征提取，获得指尖信息，利用追踪到的指尖可以完成许多后续的任务，譬如： 
1.将手指尖的的位置赋值给鼠标，可以做到实时操控鼠标，再加多一个识别动作，譬如抬起左手，当左手的关节点位置高于肩膀关节点位置时实现撤回操作，...]]></description><category></category></item><item><title><![CDATA[[ICA独立成分分析]概论]]></title><link>https://blog.youkuaiyun.com/yyylonghui/article/details/79762229</link><guid>https://blog.youkuaiyun.com/yyylonghui/article/details/79762229</guid><author>yyylonghui</author><pubDate>Fri, 30 Mar 2018 19:35:54 +0800</pubDate><description><![CDATA[1.多元数据的线性表示 
    一般统计框架： 
        ICA的问题可以表示为如下： 
        从M维空间到N维空间的什么函数可以使得变换后的变量能够凸显原本隐 藏在大量数据集中的信息。也就是说，比那还后的变量应该是内在因子或成分，他们描述了数据的本质结构。 
        因此可以将ICA问题简化成Y=WX的求解  
        其中Y是可观察信号的矩阵，W是变换矩阵 ...]]></description><category></category></item><item><title><![CDATA[tensoflow中tf.nn.softmax解析]]></title><link>https://blog.youkuaiyun.com/yyylonghui/article/details/79589956</link><guid>https://blog.youkuaiyun.com/yyylonghui/article/details/79589956</guid><author>yyylonghui</author><pubDate>Sat, 17 Mar 2018 10:52:40 +0800</pubDate><description><![CDATA[文章来源:http://www.datacups.com/post/35 
关于softmax的详细说明，请看Softmax。  
通过Softmax回归，将logistic的预测二分类的概率的问题推广到了n分类的概率的问题。通过公式 

可以看出当月分类的个数变为2时，Softmax回归又退化为logistic回归问题。

下面的几行代码说明一下用法

import tensorflow as ...]]></description><category></category></item><item><title><![CDATA[tensorflow.nn.relu的作用]]></title><link>https://blog.youkuaiyun.com/yyylonghui/article/details/79589559</link><guid>https://blog.youkuaiyun.com/yyylonghui/article/details/79589559</guid><author>yyylonghui</author><pubDate>Sat, 17 Mar 2018 10:23:17 +0800</pubDate><description><![CDATA[tf.nn.relu(features, name = None) 
解释：这个函数的作用是计算激活函数relu，即max(features, 0)。即将矩阵中每行的非最大值置0。

import tensorflow as tf

a = tf.constant([-2.0, 4.0]) 
with tf.Session() as sess: 
    b = tf.nn.relu(a) 
  ...]]></description><category></category></item><item><title><![CDATA[tf.nn.Relu相关知识]]></title><link>https://blog.youkuaiyun.com/yyylonghui/article/details/79589436</link><guid>https://blog.youkuaiyun.com/yyylonghui/article/details/79589436</guid><author>yyylonghui</author><pubDate>Sat, 17 Mar 2018 10:11:27 +0800</pubDate><description><![CDATA[原文：http://www.mamicode.com/info-detail-873243.html

ReLu=max(0,x) 
论文参考：Deep Sparse Rectifier Neural Networks (很有趣的一篇paper） 
起源：传统激活函数、脑神经元激活频率研究、稀疏激活性 
传统Sigmoid系激活函数

传统神经网络中最常用的两个激活函数，Sigmoid系（Logi...]]></description><category></category></item><item><title><![CDATA[卡尔曼滤波解析与算法研究]]></title><link>https://blog.youkuaiyun.com/yyylonghui/article/details/79588216</link><guid>https://blog.youkuaiyun.com/yyylonghui/article/details/79588216</guid><author>yyylonghui</author><pubDate>Fri, 16 Mar 2018 23:35:40 +0800</pubDate><description><![CDATA[卡尔曼滤波是什么卡尔曼滤波器最早要追寻到1960年卡尔曼先生发表的关于利用递归算法来求解离散线性滤波器问题的学术论文——《A New Approach to Linear Filtering and Prediction Problems》(线性滤波与预 测问题的新方法)，如果对这编论文有兴趣，可以到这里的地址下载： http://www.cs.unc.edu/~welch/kalman/medi...]]></description><category></category></item><item><title><![CDATA[通俗易懂的machine learning之K近邻算法]]></title><link>https://blog.youkuaiyun.com/yyylonghui/article/details/79464370</link><guid>https://blog.youkuaiyun.com/yyylonghui/article/details/79464370</guid><author>yyylonghui</author><pubDate>Tue, 06 Mar 2018 22:33:59 +0800</pubDate><description><![CDATA[K近邻算法(k-Nearest Neighbor)是一种基于实例的有效监督学习方法，尤其适合对于距离敏感的数据。K近邻算法经常用于买房和对于房子的一些参数的估计比如住房幸福度，房子价格等的预测。简单一点说，K近邻算法就是采用测量不同特征值之间距离的方法进行分类。下面列举一些K近邻算法的优点、缺点和适用范围以便广大读者在碰到分类或者回归问题时候考察是否适用K-NN算法。K-NN基本特征：优点：精度高...]]></description><category></category></item><item><title><![CDATA[python学习开始第一天  优快云博客之旅开始第一天]]></title><link>https://blog.youkuaiyun.com/yyylonghui/article/details/79394516</link><guid>https://blog.youkuaiyun.com/yyylonghui/article/details/79394516</guid><author>yyylonghui</author><pubDate>Tue, 27 Feb 2018 23:28:14 +0800</pubDate><description><![CDATA[今天学习了python的一些基本语法总的来说和C++感觉没有啥差别，学习了list结构和字典结构list结构就是C++中的线性表字典结构最重要的就是KEY值和VALUE值一一对应今天最重要的收获来自于图书馆里看来计算机网络和操作系统和APP后台开发的一些知识。计算机网络：看上去感觉十分好理解，感觉自己理解了客户机/服务器的交互模式和P2P对等的交互模式。对分布式系统以及分布式网络有了一定的了解。关...]]></description><category></category></item></channel></rss>