2016年06月_eternity1118_

原创 UITableViewCell

cell简介UITableView的每一行都是一个UITableViewCell，通过dataSource的下面方法来对每一行进行初始化：tableView:cellForRowAtIndexPath:其结构如下：UITableViewCell内部有个默认的子视图contentView，contentView是UITableViewCell所显示内容的父视图，可以显示一些辅

2016-06-30 19:09:01 1150

原创 MVC（模型-视图-控制器）的实现

MVC（模型-视图-控制器）是一种设计思想，贯穿于整个ios开发当中，当积累了一定的开发经验时，你就能深刻的领会MVC（模型-视图-控制器）当中的好处和真正含义。MVC（模型-视图-控制器）主要有三个角色：》M：模型数据（Model）》V：视图或界面（View）》C：控制器（Control）MVC（模型-视图-控制器）的明显特征：》View上显示什么内容完全取决于M

2016-06-29 18:44:06 1620

原创 UITableView

什么是UITableView？一些APP中，经常会看到以下界面：这种类似表格数据的样式，在ios中想要实现，最常用的做法就是使用UITableView，UITableView继承自UIScrollView，所以它支持垂直滚动，且性能极佳；UITableView有两种不同的style1）UITableViewStylePlain

2016-06-29 17:49:45 649

原创 C++ 提取图像ROI保存到Mat

只要给定待提取ROI的四个角点坐标，利用OpenCV的透视变换计算出变换矩阵，就可以实现提取并保存到Mat；void ls::getROI(cv::Mat &src, float vertices[8],cv::Mat &dst) { float w2 = sqrt(pow(vertices[0] - vertices[2], 2) + pow(vertices[1]

2016-06-29 11:10:26 2237

原创模式识别（Pattern Recognition）学习笔记（三十五）-- K-L变换与PCA

K-L变换的理论知识K-L变换是除了PCA外的另一种常用的特征提取方法，它有很多种形式，最基本的形式跟PCA类似，它跟PCA的不同在于，PCA是一种无监督的特征变换，而K-L变换能够考虑到不同的分类信息，实现有监督的特征提取。根据随机过程中的KL展开理论，将随机过程描述为无数个正交函数的线性组合，而在模式识别问题中，通常可以将一个样本看成是随机向量的某一次实现结果，所以假设有一d维随机向量

2016-06-23 17:20:16 9590

原创算法面试题（二）-- 最长公共子序列（LCS）与苦恼的月下老人

这是一个典型的动态规划题，属于求两个序列的最长公共子序列问题，如果你手边有《算法导论》这本书，这个问题就可以在书中找到；Code：int LCS(const char *Male,const char *Female) { int N = (int)strlen(Male); int M = (int)strlen(Female);

2016-06-22 14:21:45 1210 2

原创算法面试题（一）-- 统计学习与模式识别面试题

题目：答案解析：第一部分：1.统计学习是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科，又称为统计机器学习；特点：以计算机为平台；以数据为对象；以方法为中心；以概率论、统计学、信息论以及最优化理论等为理论依托；目的是实现对数据的预测和分析；三要素：模型、策略、算法；2.3.特征选择：基于两个问题：1如何评价一组特征是否有效；2寻优算法

2016-06-21 12:46:58 4004 1

转载统计学习：现代机器学习

统计学习：现代机器学习统计学习统计学习是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科，统计学习也称为统计机器学习。当前大部分机器学习也都指的是统计机器学习。特点以计算机和网络为平台以数据为研究对象，是数据驱动的学科目的是对数据进行分析和预测以方法为中心，通过方法构建模型并应用模型来进行分析和预测是概率论、统计学、信息论、计算

2016-06-21 11:36:47 1656

原创模式识别（Pattern Recognition）学习笔记（三十四）-- 主成分分析（PCA）

一个模式识别系统设计的好坏，首要取决于所选用的特征是否较好的反映了正在研究的问题。模式识别问题的第一步是获取特征，获取来的特征被称作原始特征，其中可能有很多特征与我们研究的问题没多大关系，甚至它们在后续的分类中还有可能影响分类性能；另外，就算这些特征都是与研究问题有联系的，但是太多的特征会导致计算量大、推广能力差，所以原始特征要进一步清洗得到二次特征，即在保证分类器效果的前提下应该使特征数尽可能的

2016-06-20 21:40:01 8324

原创模式识别（Pattern Recognition）学习笔记（三十三）-- Boosting方法之AdaBoost

Boosting最早被用在电力电子技术学科中的升压（Boost）变换器中，原本是想通过升压来提高功率，现在将这一提高功率的思想引入到模式识别方法中，它的含义就变成通过融合多个分类器，从而大大提高分类器的性能。Boosting方法和随机森林的思想很类似，当采用基于简单模型的单个分类器对样本进行分类的效果不理想时，我们希望能够通过构建并整合多个分类器来提高最终的分类性能，我们通常将这种不太理想的单

2016-06-20 15:09:45 1743

原创卡尔曼（Kalman）滤波（六）--卡尔曼滤波的应用：四元数卡尔曼滤波（QKF）的C代码实现姿态解算

0 引言在捷联惯导工程实践[6]中，我们希望陀螺仪能够非常精确的获取信息，或者说希望陀螺仪能非常准确的地反映观测量（加速度，磁场等）[6,7]的真实值，但是这个过程或多或少是受到噪声干扰的，导致测量的不准确；为了能够让陀螺仪在状态更新时做到准确，必须对状态变量和观测量进行数据融合和滤波，从而尽最大限度的降低噪声的干扰。最常用也最有效的方法非卡尔曼滤波莫属，其在处理高斯模型的系统上效果颇

2016-06-19 17:08:40 20321 6

原创卡尔曼（Kalman）滤波（五）-- 三次样条插值

1均差2三次样条插值函数3M关系式参考数值分析；

2016-06-19 16:37:14 3071

原创太阳的后裔 OST.1 Always

这首由尹美莱大大带来的《Always》，作为《太后》的第一首原声，也是好听到不要不要，描写了大尉和医生之间的初次相遇，然后相识，相知，最后相爱的一系列画面和场景，就像歌里唱的，在某天像做梦一样，你来到了我的身边，动摇了我的心，让我感觉到这就是命运的安排，是啊，也正如张爱玲老师说的，于千万人之中遇见你所要遇见的人，于千万年之中，时间的无涯的荒野里，没有早一步，也没有晚一步，刚巧赶上了，那也没有别的话

2016-06-19 11:45:48 3193 2

原创模式识别（Pattern Recognition）学习笔记（三十二）-- 逻辑回归

在有些模式识别问题中，如癌症病人的诊断，一个细胞是否是癌细胞，这种问题不能简单的用线性回归来研究特征与分类之间的关系。大多数情况中，某一特征对一个对象事物的影响是这样：在某一段范围内，可能属于一个类别，但是在下一个范围内又可能属于另一个类别，然后在下下一个范围可能又不同类，像这种比例渐进式的影响关系很难用一个模型假设来表达，该如何下手呢？要知道虽然类别与特征之间没有一个明确可建立的关系表达，但是归

2016-06-17 17:56:04 2556

原创模式识别（Pattern Recognition）学习笔记（三十一）-- 线性回归

1.监督学习回归算法通常用在监督学习中的学习算法，所以在讲回归之前，先来说说监督学习。我们已经学习了很多的分类器设计方方法，如感知器、SVM等，他们的共同特点都是，根据给定的带有类别标签的样本，训练学习机器，然后使得机器能够对新来的无标签样本进行正确分类，像这种就属于监督模式识别，对学习机器来说就是监督学习。举个栗子，就拿老师们讲课最喜欢用的预测房价的例子，图形表示监督学习的过程如下：

2016-06-17 16:08:06 4965 6

原创模式识别（Pattern Recognition）学习笔记（三十）--随机森林（Random Forest）

引言模式识别是一门基于数据的学科，因此所有的模式识别问题都会面临的同一个问题就是数据的随机性问题。模式识别中每个方法的实现都是基于一个特定的数据样本集的，但是这个样本集只是所有可能的样本中的一次随机抽样，毕竟在我们的生活实际中存在着万物众生，多到我们数也数不清，甚至计算机都无法统计的清，而我们搜集到的充其量只是其中很小很小的一部分，这也是为什么机器学习中缺少的只是数据，只要有足够

2016-06-16 17:11:23 5472 1

原创模式识别（Pattern Recognition）学习笔记（二十九）--决策树的剪枝

在有限的样本下，如果决策树生长得很大，树枝很多，那么就有可能导致有限样本中对采样的偶然性或噪声比较敏感，导致过学习，从而范化能力差。首先来看一幅图，如图：上图是一次测试中用ID3算法得到的有关决策树的大小与在训练数据和测试数据上的正确率的关系，不难看出，出现了过学习，如果样本不足够多，随着决策树达到一定规模大小，训练数据上的正确率会不断增加，而在测试数据上的正确率不增

2016-06-16 15:19:47 2415 1

原创模式识别（Pattern Recognition）学习笔记（二十八）-- 决策树

1.数值特征与非数值特征学习分类这么久，不知道大家有没有注意一个问题，那就是我们的输入样本数据都是基于数值计算的，因此在近邻法中才可以计算距离这一说，这种可以用数值来描述的对象特征，我们称之为数值特征，但是在我们生活中所涉及的分类问题并非都是用数值特征来描述某个研究对象的，因此与数值特征对应的就是非数值特征，比如男生和女生比较喜欢什么样的颜色等等。关于非数值特征，主要有以下几种：1）名

2016-06-16 12:19:23 7706 2

原创模式识别（Pattern Recognition）学习笔记（二十七）-- 基于树搜索算法的快速近邻法

近邻法中计算距离需要遍历，带来很大的计算量和存储量，为了改善这两方面的性能，有人提出采用分枝界定算法（Branch-Bound Algorithm）来改进近邻法，主要分为两个阶段：1）利用人工划分或K-means聚类算法或其他动态聚类算法将样本集X划分成层级形式，形成一个树结构；2）利用树搜索算法找出与未知样本的k个近邻。1.层级划分1）将样本集X划分成l个子集，每个子集再分成l个子集，

2016-06-15 11:33:03 4483 2

原创模式识别（Pattern Recognition）学习笔记（二十六）--k近邻

1.简介在样本有限的情况，样本分布不规律且含有噪声的情况下，用最近邻来做决策难免有一定风险，因此对其引入打分机制，对未知样本的决策，不仅仅只依赖于最近的那一个已知样本，更可靠的做法是选择k个距离未知样本最近的已知样本，然后在这k个类别中进行打分来决定最后应该决策给谁。显然，最近邻就是1近邻。另外，回顾下前面在讲概率密度函数的非参数估计时，是不是也提到了k近邻，没错

2016-06-14 16:08:19 1663

原创模式识别（Pattern Recognition）学习笔记（二十五）--最近邻法

1.简介本篇文章开始，会陆续学习一些其它的常用的非线性分类方法，虽然它们同属于非线性方法，但是它们与前面介绍的稍有不同，原理上具有特殊性，这篇就来学习近邻法中的最近邻法。最近邻法是基于这样一个基本思想的：把一个新样本逐一与已知分好类的样本进行比较，然后把与其距离最近的样本类别作为它的类别，这种思想是不是很好理解，有点类似于我们学英语中的就近原则。2.原理已知

2016-06-14 14:48:17 3535

原创模式识别（Pattern Recognition）学习笔记（二十四）--总结：SVM学习资源

本篇文章对不同阶段的SVM进行严格梳理和总结，不管是初级版的SVM，还是升级版的SVM，你都会发现其实在SVM中一直是有两个核心在贯穿其中的，相信看完本篇的学习，你就会对SVM这个重要级的分类器有个全面的了解，或者有自己的体会，好吧，开始吧，Good luck。。1.核心思想对于任何非线性方法，如果对特征进行适当的变换，那么久总可以得到相应的线性方法，但是这种变换有时会带来两

2016-06-14 11:02:14 2521

原创模式识别（Pattern Recognition）学习笔记（二十三）-- SVM的两大思想：大间隔与核函数

0.引言上节讲到广义线性判别函数，它是从任意阶非线性判别函数到线性判别函数的一种有效变换，但是这种变换是以牺牲特征空间维数为代价的，如果能很好地处理这种维数灾难，那么上述变换也是极好的，有没有可能在特征空间上作变换呢，从而将原空间中的非线性问题转化为新空间中的线性问题，答案是肯定的，今天我们来学习如何构造这种非线性的支持向量机，因为它就是采用引入特征变化这一思路来实现的，但是值得注意的是，支持

2016-06-13 22:31:33 9499

原创模式识别（Pattern Recognition）学习笔记（二十二）--广义线性判别函数

前面讨论过在样本线性可分与不可分下的SVM，知道了不管是样本可分还是不可分，不管是狭义的还是广义的，它都是属于线性，那么我们应该如何构造非线性的SVM呢？本篇文章先不讲有关如何构造的问题，先来讨论下传统的广义线性判别函数，从它入手也正是为将来如何构造非线性的SVM打下良好基础。首先回顾下线性判别函数，不知道大家还有印象没，对于一个两类问题其形式为，根据线性代数知识，我们知道这是一

2016-06-13 16:16:17 4964

原创 Python学习笔记（一）--Python基础知识：变量、数据类型、模块与字符串

刚接触Python，如有错误还望大家多多包涵。。1.长整数：和普通整数一样，不同的是要在结尾加个大写的L，当然如果你小写也是允许的，只是容易被误认为是数字1，所以，书写时最好还是大写，以免生不必要的事端；另外长整数和普通整数可以放在一起使用；2.变量：和其它语言中的变量一样，变量名不能以数字开头，只能包含数字、字母和下划线；3.模块：模块导入到Python中，就可以使用该模块下的函数功

2016-06-13 12:37:59 868

原创模式识别（Pattern Recognition）学习笔记（二十一）--再谈（人工）神经网络（ANN）

1.简介目前为止，通过MLP和BP算法的学习，我们已经接触了神经网络，并且知道了最具有代表性的一种模型“多层感知器”，这篇文章对ANN做个详细的总结和概述。一般来讲，ANN可以看做是由大量简单计算单元（神经元节点）经过相互连接而构成的学习机器，网络中的某些因素，如连接强度（权值）、节点计算特性、网络结构等，可以按照一定的规则或算法根据样本数据来进行相应的调整（训

2016-06-12 17:11:25 8472 1

原创模式识别（Pattern Recognition）学习笔记（二十）--BP算法

1.引言在无法像线性感知器一样利用梯度下降学习参数这一问题阻碍了MLP长达25年后的一天，有人给出了一种有效的求解这些参数的方法，就是大名鼎鼎的反向传播算法（Back Propagation），简称为我们熟知的BP算法（特别注意，BP算法是一种算法，一种机器学习算法，而并非一种网络或模型）。BP的主要突破，在于用Sigmoid函数替代了原始MLP中的阶跃函数作为网络的传递函数。2.传递函数

2016-06-12 12:31:36 8136 1

原创模式识别（Pattern Recognition）学习笔记（十九）--多层感知器模型（MLP）

早前已经学习了感知器学习算法，主要通过对那些错分类的样本进行求和来表示对错分样本的惩罚，但明显的它是一个线性的判别函数；而且上节学到了感知器神经元（阈值逻辑单元），对于单个的感知器神经元来说，尽管它能够实现线性可分数据的分类问题（如与、或问题），但是却无法解决非线性问题，如逻辑学里的异或（XOR）问题甚至是高阶，那么这样的问题该如何利用简单学习机器来解决呢？回想下前面在非线性分类

2016-06-08 14:57:40 1940

原创 KMP算法推导

申明：此文系博主对Huge对KMP算法的推导过程的加工整理而成，在读此文之前，如果对KMP算法不是非常了解的，可以去到http://blog.csdn.net/eternity1118_/article/details/51604641阅读有关KMP的相关知识，如果已经非常了解，那就请继续吧。。有了以上的资料了解后，让我们一起来推导和构建KMP算法吧。定义：A是问题中模式串（短

2016-06-08 11:33:20 907

转载字符串匹配之KMP算法

字符串匹配是计算机的基本任务之一。　　举例来说，有一个字符串"BBC ABCDAB ABCDABCDABDE"，我想知道，里面是否包含另一个字符串"ABCDABD"？　　许多算法可以完成这个任务，Knuth-Morris-Pratt算法（简称KMP）是最常用的之一。它以三个发明者命名，起头的那个K就是著名科学家Donald Knuth。　　这种算法不太容

2016-06-07 16:23:49 688

原创 OC学习笔记（七）--方法与函数的区别

对象方法：1.对象方法以’-‘开头；2.对象方法只能由对象来调用；3.对象方法的声明必须写在@interface和@end之间；而实现则必须写在@implementation和@end之间；4.对象方法归类或对象所有；函数：1.函数调用不依赖于对象；2.函数可以写在文件的任意位置，但@interface和@end之间除外，因为类会忽略它；3.函数内部不能直接通过成员

2016-06-06 16:44:14 577

原创卡尔曼（Kalman）滤波（四）--深入浅出Kalman滤波算法

Kalman滤波是一种递归过程，主要有两个更新过程：时间更新和观测更新，其中时间更新主要包括状态预测和协方差预测，主要是对系统的预测，而观测更新主要包括计算卡尔曼增益、状态更新和协方差更新，因此整个递归过程主要包括五个方面的计算：1）状态预测；2）协方差预测；3）卡尔曼增益；4）状态更新；5）协方差更新；用数学公式表示，如下：状态预测：（1）其中，X(

2016-06-04 16:11:40 19481

原创卡尔曼（Kalman）滤波（三）-- 新息

新息（Innovation）：这是信号处理中的一个概念，先给出表达式：称a(n)为y(n)的新息过程向量；性质有：

2016-06-04 15:13:08 12538

原创卡尔曼（Kalman）滤波（二）--Kalman滤波的发展历史与应用

1.如何诞生滤波估计由最开始的最小二乘法，到后来的维纳滤波，再到Kalman滤波，一步步的发展演变使得滤波估计不断的在完善。最小二乘法，作为最早的估计方法，由高斯于1795年在其《天体运动理论》一书中提出，当时这种估计方法并没有考虑参数的统计特性，所以算不上最优估计，但是因为其简单计算量少，所以仍然广受大家欢迎。直到1912年，Fisher基于概率密

2016-06-04 14:01:04 9651 1

原创卡尔曼（Kalman）滤波（一）--Kalman滤波的本质

1.Kalman滤波的简介接触过信号处理的朋友应该清楚，信号在传输与检测过程中不可避免的受到外界干扰和来自设备内部的噪声影响，使得接收端的信号因此具有随机性，为了排除以上干扰，就需要滤波；所谓滤波，就是从混杂在一起的各种信号中提取自己想要的信号，滤波的方法因信号的性质不同而不同。对于确定性信号，根据其确定的频谱特性，设置相应频率特性的filter，比如LPF，HPF，BPF等，通

2016-06-04 12:46:03 7423 2

原创太阳的后裔--OST.3 This love这份爱

OK，依然是来自太后辣，谁让太后中的歌曲真的是首首好听呢，这首《This love这份爱》，作为《太后》的第三波OST，由韩国二人女团Davichi带来的，Davichi的深情歌声与感人歌词相映成辉，再搭配上MV的唯美画面，简直让人情不能已，难以自拔。这首歌表达的意思是在一起的日子里没有能好好对自己深爱的人，因此而感到浓浓的愧疚之情，当然也包含了对这份爱的深深感激之情；歌曲在xuan旋律上，采用了

2016-06-03 21:51:43 6712

原创模式识别（Pattern Recognition）学习笔记（十八）--感知器与神经网络

1.什么是人工神经网络（ANN）？1.1ANN的由来在人工智能中，有两个研究方向：1）先试图对人类或其他高等动物的自然智能建立一定的数学模型，然后借助这种方式来帮助理解智能活动的奥秘；2）通过数学手段，利用计算机建立具备一定智能的机器。回顾下前面学习的贝叶斯决策和线性的非线性的判别方法，可以发现，它们显然对应于第二种研究方向，都是直接从数学的角度来分析数据的分布，建立线性的或

2016-06-03 18:52:39 3428

原创致广大的程序媛

实习之前，我自认为还是个正常的女孩子，虽然算不上温柔乖巧吧，但在陌生人看起来至少也像个文静的淑女，然而实习之后呢，我的人生从此转型，这极度成功的转型也让我事后惊呼，如此这般，我是要上天么、、关于转型，主要有以下几大表现：--实习前，从不说脏话；实习后，那家伙，简直一个往事不堪回首啊；--实习前，出门前略微化个淡妆；实习后，几乎蓬头垢面，素面朝天啊；--实习前，时不时穿

2016-06-03 16:02:37 1913 2

原创运动跟踪之TLD（一）--TLD理论前瞻

跟踪-学习-检测（Tracking-Learning-Detection）1.引言 TLD是英国萨里大学的博士Zdenek Kalal提出的一种较传统跟踪不同的基于单一目标的跟踪框架，可以实现对未知目标有效的长效跟踪（long-term tracking），并且将这种长效跟踪任务分解为三个子任务：跟踪（tracking）、学习（learning）和检测（detection），

2016-06-01 16:15:14 1816

原创模式识别（Pattern Recognition）学习笔记（十七）--二次判别函数

前面提到，当概率密度函数满足高斯分布或正态分布的情况，贝叶斯决策的分类面就是一个二次函数，这篇博客来学习有关二次判别。首先给出二次判别函数的一般形式：（1）其中，W是d阶对称方阵，w为d维权向量；从判别式中可以看出，有很多参数，其中等式右边第二项就有d(d+1)/2个参数，很明显，这是一个O(n^2)的复杂度，如果仍然像学

2016-06-01 10:59:47 4988

vgg_generated(48,64,80,120)

空空如也