- 博客(21)
- 收藏
- 关注
RSS订阅原创 模式识别学习笔记（12）——聚类
聚类对一批没有类别标签的样本集，按照样本之间的相似程度分类，相似的归为一类，不相似的归为其它类。这种分类称为聚类分析，也称为无监督分类。--聚类的质量(或结果)取决于对度量标准的选择。--聚类结果因不同任务而不同。挑战性问题–可伸缩性•可伸缩性是指聚类算法无论对于小数据集还是大数据集，都应有效；无论对小类别数据还是大别类数据，都应
2018-06-14 09:12:53
689
原创 模式识别学习笔记（13）——svm
SVM它有什么优点？有什么缺点？为什么要有SVM？在什么情况下我需要用svm？考虑一个最简单的线性分类器，在很多情况下，用线性是分不开的，如果我们有很多的feature，将其映射到高维空间，可以使其线性可分（实际上是核方法的思想）。在feature很多的情况下，如果我们还用传统的方法，比如感知器，去训练的话，因为k维空间的VC维是k+1，当映射到高维空间，k增加的时候，这个VC
2018-06-14 09:11:24
426
转载 全光人脸分析
在计算机处理图像的过程中，涉及一个基本的概念就是全光函数。它是决定空间中光线呈现形式的因素组成的一个函数，包括光谱信息、时间信息、空间信息、深度信息、亮度信息和方向信息等。如果波长固定，那就是灰度图像；如果有多个波长，那就是彩色图像；如果是时间有变化那么就是视频；如果考虑深度信息就是深度成像，在成像时会测量图像的深度信息；如果考虑亮度信息就是高动态图像；如果考虑光线方向，就是光场相机。所有这些组成...
2018-06-14 09:06:09
770
原创 Python学习笔记（5）——模块
模块模块是一个包含所有你定义的函数和变量的文件，其后缀名是.py。模块可以被别的程序引入，以使用该模块中的函数等功能。这也是使用python标准库的方法。一、基础import sys引入python标准库中的sys.py模块；这是引入某一模块的方法。比如import sys sys.pathfrom..import语句--如果你想要直接输入a
2018-01-20 21:11:27
273
原创 Python学习笔记（4）——函数
函数一、函数的定义和调用函数是一个能完成特定功能的代码块，可在程序中重复使用，减少程序的代码量和提高程序的执行效率。函数的定义：---返回值不是必须的，如果没有return语句，则Python默认返回值None --参数列表可以由多个、一个或零个参数组成。--圆括号是必不可少的，即使没有参数也不能没有它；不要忘记圆括号后面的冒号。--函数体一定要
2018-01-16 20:17:50
358
原创 Python学习笔记（3）——流程控制的语句
流程控制的语句-if-while-for-break-continue在Python中有三种控制流语句——if、for和while。if语句通用格式example敲黑板！！！Python中没有switch、case语句，但可以用多个if实现，或者对字典进行索引运算或搜索列表关于真值测试-在Python中，与大多
2018-01-16 16:47:37
360
原创 模式识别学习笔记（11）——线性判别函数
线性判别函数1.1用于分类的判别函数的参数形式已知，直接从样本来估计判别函数的参数。优势：不需要有关概率密度函数的确切的参数形式。因此，属于无参数估计。利用样本直接设计分类器1、方法分类：线性判别函数、支持向量机、fisher线性判别函数广义线性判别函数、非线性判别函数、核学习机2、基本思想：-步一：给定一个判别函数，且已知该函数的参数形式-步二：采
2018-01-16 14:16:51
3765
1
原创 模式识别学习笔记（10）——距离度量
距离度量度量会影响分类性能metric learning（度量学习）-Parameters in metric optimized in learning (e.g., empirical risk minimization)第一个式子：加权欧式距离，参数为w第二个式子：马氏距离，参数是∑学习（调节）参数值（w，∑），是的误差最小化tan
2018-01-15 17:02:35
1230
原创 模式识别学习笔记（9）——非参数方法
非参数概率密度估计概率：特征空间中一定区域内样本的比率。密度：局部区域内概率的平均值（假设局部区域【体积为V，样本数为k】内等概率密度）pn（x）表示对p（x）的第n次估计非参数概率密度估计parzen window：固定局部区域体积V，k变化k-nearest neighbor：固定局部样
2018-01-15 15:23:20
890
转载 模式识别学习笔记（8）——隐马尔可夫模型
隐马尔可夫模型（HMM）转载网址http://blog.csdn.net/likelet/article/details/7056068隐马尔可夫模型 (Hidden Markov Model，HMM) 最初由 L. E. Baum 和其它一些学者发表在一系列的统计学论文中，随后在语言识别，自然语言处理以及生物信息等领域体现了很大的价值。平时，经常能接触到涉及 HMM
2018-01-15 09:45:42
2300
原创 模式识别学习笔记（7）——期望最大法（EM）
期望最大法（EM）期望最大算法是一种从不完全数据或有数据丢失的数据集(存在隐含变量)中求解概率模型参数的最大似然估计方法。EM算法从被分成2个部分，E-Step和M-Step。E-Step叫做期望化步骤，M-Step为最大化步骤。这篇博客解释的非常简单易懂：https://www.cnblogs.com/zlslch/p/6965374.html
2018-01-14 20:55:52
1117
原创 模式识别学习笔记（6）——特征维数问题
特征维数带来什么问题？1、计算2、存储3、泛化能力，过拟合overfitting分类错误率与特征特征维数决定可分性比如：3D空间完全可分，而2D和1D投影空间有重叠但，增加特征也可能导致分类性能更差，因为有模型估计误差（wrong model）计算复杂度当样本数小于特征维度时，协方差可能奇异过拟合（overfitting）特征维数
2018-01-14 20:55:10
13362
原创 模式识别学习笔记（5）——最大似然和贝叶斯参数估计
最大似然：得到参数确定的值贝叶斯估计：得到参数的概率分布最大似然估计贝叶斯参数估计例题：参考资料：中国科学院大学硕士课《模式识别》ppt
2018-01-14 20:29:46
911
原创 模式识别学习笔记（3）——高斯概率密度
概率密度估计方法参数法：只需将均值和协方差矩阵保存下来，就可知道其分布。半参数法：GM通过解析求解；期望最大化是极大似然估计的特例，多次迭代才能求得高斯密度函数牢记密度函数公式！！！把协方差矩阵对角化，即将其变为对角矩阵，除主对角线上的元素外其余元素全为0.马氏距离相等的点构成的是等密度点轨迹.白化变换参考：https:/
2018-01-13 14:56:39
6204
原创 模式识别学习笔记（2）——贝叶斯决策
贝叶斯决策理论生成模型：一个类别一个类别进行训练判别模型：将多个类别的样本放在一起分析训练参数模型非参数模型：无函数形式半参数：多个高斯函数混合而成，可表示任意分布的密度函数最小错误率决策基于先验概率决策，则最小错误率决策为基于后验概率决策，则最小错误率决策为极大似然法最小风险决策决策代价（Loss）：真实
2018-01-13 14:48:27
1135
原创 模式识别学习笔记（1）——基本概念
模式识别学习笔记——绪论一、从数据集D中产生训练集S和测试集T，主要有以下方法：——hold-out（留出法）——cross-validation（交叉验证法）——bootstrapping（自助法）hold-out（留出法）将数据集分为两个互斥的集合，D=S∪T，且S∩T=∅。attention：1、训练集和测试集中的类别比例相似，可以利用分层抽样得到。比如说
2018-01-13 08:53:29
535
原创 Python学习笔记（2）——Python的数据结构
Python的数据结构数字、字符串、列表、元组、字典关于数字只需要主要下面几点：1、数字显示的格式>>>num = 1/ 3.0>>>num0.33333333333333331>>>print num0.333333333333>>>"%e"%num'3.333333e-01'>>>"%2.2f"%num'0
2018-01-11 17:16:32
340
原创 Python学习笔记（1）——基本概念
Python的数据处理能力主要依赖于NumPy,SciPy,Matplotlib,Pandas这4个库，其中NumPy提供了矩阵运算的功能，SciPy则在NumPy的基础上添加了许多科学计算的函数库，而这两个库就使Python具有和Matlab一样的数据处理能力了。Matplotlib库提供了绘图，可以实现数据的可视化，pandas是基于NumPy的一种工具，该库提供了高效地操作大型数据集所需的工
2018-01-11 16:00:36
368
原创 数字图像处理基本步骤的简单理解
图像获取：对图像预处理图像增强：以对问题的主观判断，对图像进行操作，使得图片比原始图像更适合处理图像复原：改进图像外观，与图像增强相比，图像复原指的是客观处理图像小波：以不同的分辨率来描述图像分割：将一幅图像划分为他的组成部分或目标参考自Gonzalez的《数字图像处理》
2017-06-02 16:13:21
11142
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人