<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[DreamWendy的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/DreamWendy</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; DreamWendy]]></copyright><item><title><![CDATA[高性能计算集群使用]]></title><link>https://blog.csdn.net/DreamWendy/article/details/130042885</link><guid>https://blog.csdn.net/DreamWendy/article/details/130042885</guid><author>DreamWendy</author><pubDate>Mon, 07 Aug 2023 21:00:24 +0800</pubDate><description><![CDATA[集群系统可以看成一台计算机，允许多个用户同时使用，资源的分配成为不可回避的问题。PuTTY是一款开源的连接软件，是 SSH、Telnet、Rlogin 和 SUPDUP 网络协议的客户端程序。安装完成之后就打开软件，新建站点，输入主机IP或域名、用户名、密码，点击保存。文件）进行任务提交，系统根据用户的需求与现有计算资源，进行任务调度。nodes=1:ppn=2：设定该作业所需1个计算节点，每个节点使用2核。文件时，往往想要预先知道计算资源使用情况，以进行合理的资源请求。进入后就可以拖拽文件进行传输。]]></description><category></category></item><item><title><![CDATA[win10中在Pycharm+python3.8本地安装pycocotools]]></title><link>https://blog.csdn.net/DreamWendy/article/details/129896409</link><guid>https://blog.csdn.net/DreamWendy/article/details/129896409</guid><author>DreamWendy</author><pubDate>Sat, 01 Apr 2023 14:11:52 +0800</pubDate><description><![CDATA[原本我本地是python3.9的，但是在pycharm中一直pip安装pycocotools半天也不行，于是想能不能本地安装pycocotools。网上找了半天，清华镜像没有对于python3.9的pycocotools版本，于是毅然决然试一下安装python3.8，在本地安装其对应版本pycocotools。就在C:\Users\Administrator\AppData\Local\Programs\Python\Python38\Scripts这个目录下，输入cmd按回车。]]></description><category></category></item><item><title><![CDATA[计算机视觉：基于BOW的图像检索与识别]]></title><link>https://blog.csdn.net/DreamWendy/article/details/125364317</link><guid>https://blog.csdn.net/DreamWendy/article/details/125364317</guid><author>DreamWendy</author><pubDate>Mon, 20 Jun 2022 01:41:08 +0800</pubDate><description><![CDATA[目录一、基础简介二、实验步骤1、特征提取2、学习“视觉词典（visual vocabulary）”3、根据IDF原理，计算视觉单词的权4、针对特征集，根据视觉词典进行量化5、对输入图像，根据TF-IDF转化成视觉单词的频率直方图6、构造特征到图像的到排表，快速索引相关图像7、根据索引结果进行直方图匹配三、实验代码1、利用爬虫获取数据集2、sift提取特征并建立视觉词典3、 创建索引，建立数据库4、图像检索5、遇到的问题        BOW其实是Bag of words的缩写，也叫做词袋。BOW模型最早出现]]></description><category></category></item><item><title><![CDATA[计算机视觉：相机模型与参数标定]]></title><link>https://blog.csdn.net/DreamWendy/article/details/124730729</link><guid>https://blog.csdn.net/DreamWendy/article/details/124730729</guid><author>DreamWendy</author><pubDate>Thu, 26 May 2022 03:26:26 +0800</pubDate><description><![CDATA[一、相机投影模型
1、小孔成像
2、相机模型中的四个平面坐标系
3、像主点偏移
4、畸变现象与内参矩阵
5、外参矩阵
二、相机标定：张正友棋盘格标定法
1、张正友棋盘格标定法描述
2、计算外参和内参
2.1 计算单应性矩阵H
2.2 计算内参数矩阵
2.3 计算外参数矩阵
3、实验：MATLAB实现
3.1 实验数据
3.2实验过程
3.3 实验结果
4、实验：OpenCV实现
4.1 实现代码
4.2 实验结果
5、实验分析与总结











]]></description><category></category></item><item><title><![CDATA[计算机视觉：图像映射与全景拼接]]></title><link>https://blog.csdn.net/DreamWendy/article/details/124156461</link><guid>https://blog.csdn.net/DreamWendy/article/details/124156461</guid><author>DreamWendy</author><pubDate>Thu, 14 Apr 2022 03:19:23 +0800</pubDate><description><![CDATA[目录

1、图像拼接的原理

1.1 基本流程

1.2 图像拼接的几何原理

1.32D图像变换原理

1.3.1 2D 图像变换类型

1.3.2 变换参数求解

1.3.3 2D 图像变换

1.4 直线拟合

2、RANSAC算法

2.1RANSAC简介

2.2 稳健的单应性矩阵估计

2.3 图像拼接

3、图像拼接编程实现

3.1 完整代码

3.2 运行结果

3.3结果分析

3.4 实验遇到的问题



1、图像拼接的原理

图像拼接就是将两幅或多幅具有重叠...]]></description><category></category></item><item><title><![CDATA[SIFT特征匹配算法——Vlfeat与Graphviz安装的相关问题解决]]></title><link>https://blog.csdn.net/DreamWendy/article/details/123885119</link><guid>https://blog.csdn.net/DreamWendy/article/details/123885119</guid><author>DreamWendy</author><pubDate>Thu, 31 Mar 2022 22:24:26 +0800</pubDate><description><![CDATA[UserWarning: loadtxt: Empty input file: "out_sift.1.txt"f = loadtxt(filename)IndexError: too many indices for array: array is 1-dinmensional，but 2 were indexed
windows python3库pydot运行出现：FileNotFoundError: [WinError 2] "dot" not found in path.问题解决]]></description><category></category></item><item><title><![CDATA[计算机视觉：特征提取与匹配]]></title><link>https://blog.csdn.net/DreamWendy/article/details/123848230</link><guid>https://blog.csdn.net/DreamWendy/article/details/123848230</guid><author>DreamWendy</author><pubDate>Thu, 31 Mar 2022 01:14:25 +0800</pubDate><description><![CDATA[目录

1. 特征提取和匹配

1.1 背景知识

1.2 特征匹配基本流程

1.3局部特征描述子

2. Harris角点检测

2.1 角点（corner points）

2.2HARRIS角点检测基本思想

2.3HARRIS检测：数学表达

2.4 角点响应函数

2.5 编程实现

2.5.1 角点检测代码实现

2.5.2 角点检测数据测试

3.SIFT特征匹配算法

3.1 SIFT算法实现步骤

3.2关键点检测的相关概念

3.2.1 关键点（特征点）

3.2.2 ...]]></description><category></category></item><item><title><![CDATA[计算机视觉：基本的图像操作和处理]]></title><link>https://blog.csdn.net/DreamWendy/article/details/123253798</link><guid>https://blog.csdn.net/DreamWendy/article/details/123253798</guid><author>DreamWendy</author><pubDate>Wed, 16 Mar 2022 23:57:10 +0800</pubDate><description><![CDATA[一、计算机视觉和图像处理

从20世纪中期至今，计算机视觉不断发展，研究经历了从二维图像到三维到视频再到真实空间的探知，操作方法从构建三维向特征识别转变，算法由浅层神经网络到深度学习，数据的重要性逐渐被认知，伴随着计算机从理论到应用的速度加快，高质量的各种视觉数据不断沉淀，无论在社会经济农业还是工业领域，还是视频直播、游戏、电商不断发展，有计算机视觉应用层出不穷，为我们生活添加了丰富色彩，那么计算机视觉到底是什么？

1、什么是计算机视觉？

计算机视觉是一门研究如何使机器“...]]></description><category></category></item><item><title><![CDATA[数据库原理——实验一：数据库和表]]></title><link>https://blog.csdn.net/DreamWendy/article/details/123490100</link><guid>https://blog.csdn.net/DreamWendy/article/details/123490100</guid><author>DreamWendy</author><pubDate>Mon, 14 Mar 2022 22:44:19 +0800</pubDate><description><![CDATA[目录

一、实验目的与要求

二、实验内容

1、创建数据库

2、插入数据

3、完成本次实验数据库的备份操作

三、实验小结

1．实验中遇到的问题及解决过程

2. 实验中产生的错误及原因分析

3. 实验体会和收获



一、实验目的与要求

1、掌握MySQL中如何创建数据库和表的方法（要求在交互式命令提示符下完成，截图）

2、熟练掌握MySQL的数据类型、主键实体完整性的设置

3、参照完整性的定义及应用（Navicat可视化操作，熟悉代码）

4、插入数据（Navicat完成）

5、数据库]]></description><category></category></item><item><title><![CDATA[机器学习 —— 支持向量机]]></title><link>https://blog.csdn.net/DreamWendy/article/details/122106367</link><guid>https://blog.csdn.net/DreamWendy/article/details/122106367</guid><author>DreamWendy</author><pubDate>Fri, 31 Dec 2021 00:29:05 +0800</pubDate><description><![CDATA[一、基于最大间隔分隔数据

1.1 线性模型

1.2 超平面

1.3 支持向量

1.4 支持向量机

二、寻找最大间隔

三、拉格朗日乘子法与对偶问题

3.1对偶问题：等式约束

3.2不等式约束的KKT条件

3.3最大间隔问题的拉格朗日乘法

四、SMO算法

4.1 小规模数据集

4.2 应用简化版 SMO 算法处理小规模数据集

4.3、利用完整Platt SMO算法加速优化

五、示例：基于SVM的手写数字识别

5.1 数据集

5.2 算法实现

六、实验总结]]></description><category></category></item><item><title><![CDATA[机器学习 —— 朴素贝叶斯]]></title><link>https://blog.csdn.net/DreamWendy/article/details/121594897</link><guid>https://blog.csdn.net/DreamWendy/article/details/121594897</guid><author>DreamWendy</author><pubDate>Mon, 29 Nov 2021 18:41:57 +0800</pubDate><description><![CDATA[​
一、基于贝叶斯决策理论的分类方法
二、条件概率
三、朴素贝叶斯分类器
四、使用朴素贝叶斯进行文档分类
4.1准备数据：从文本中构建词向量
4.2 训练算法：从词向量计算概率
4.3 测试算法：根据现实情况修改分类器
4.4 准备数据：文档词袋模型
五、示例：使用朴素贝叶斯过滤垃圾邮件
5.1准备数据：切分文本
5.2 测试算法：使用朴素贝叶斯进行交叉验证
5.3 垃圾邮件分类完整代码
六、朴素贝叶斯实验总结]]></description><category></category></item><item><title><![CDATA[C++程序设计 —— 实验四：STL 应用]]></title><link>https://blog.csdn.net/DreamWendy/article/details/121399756</link><guid>https://blog.csdn.net/DreamWendy/article/details/121399756</guid><author>DreamWendy</author><pubDate>Sun, 28 Nov 2021 00:12:09 +0800</pubDate><description><![CDATA[1.撰写自己的算法和函数，结合容器和迭代器解决序列变换（如取反、平方、立方），像素变换（二值化、灰度拉伸）；

2.用set存储学生信息，并进行增删改查操作；

3.输入一个字符串，用map统计每个字符出现的次数并输出字符及对应的次数。
...]]></description><category></category></item><item><title><![CDATA[机器学习 —— Logistic回归]]></title><link>https://blog.csdn.net/DreamWendy/article/details/121455571</link><guid>https://blog.csdn.net/DreamWendy/article/details/121455571</guid><author>DreamWendy</author><pubDate>Mon, 22 Nov 2021 02:02:21 +0800</pubDate><description><![CDATA[现有一些数据点，我们用 一条直线对这些点进行拟合，该线称为最佳拟合直线，这个拟合过程就称作回归。利用Logistic 回归进行分类的主要思想是：根据现有数据对分类边界线建立回归公式，以此进行分类。这里的 “回归”一词源于最佳拟合，表示要找到最佳拟合参数集。 训练分类器时的做法就是寻找最佳拟合参数，使用的是最优化算法。


回归

Logistic回归的一般过程
		
			(1) 收集数据：采用任意方法收集数据。

			(2) 准备数据：由于需要进行距离计算，因此要求数据类型为数值型。...]]></description><category></category></item><item><title><![CDATA[C++ 程序设计 —— 实验三：模板]]></title><link>https://blog.csdn.net/DreamWendy/article/details/121141555</link><guid>https://blog.csdn.net/DreamWendy/article/details/121141555</guid><author>DreamWendy</author><pubDate>Thu, 18 Nov 2021 00:43:19 +0800</pubDate><description><![CDATA[一、模板函数（compare）
一般模板函数
特化模板函数
二、模板类Queue或Stack
模板类（Queue，Stack）
成员模板函数
模板特化：模板函数特化、模板成员函数特化、模板类特化
三、模板类AutoPtr
构造函数
析构函数
拷贝构造函数
等号、-&gt;、*等运算符重载
主函数调用AutoPtr
...]]></description><category></category></item><item><title><![CDATA[C++程序设计 —— 实验二：继承和多态]]></title><link>https://blog.csdn.net/DreamWendy/article/details/120765214</link><guid>https://blog.csdn.net/DreamWendy/article/details/120765214</guid><author>DreamWendy</author><pubDate>Wed, 03 Nov 2021 23:26:05 +0800</pubDate><description><![CDATA[一、继承访问权限测试
设计类A具有public, protected, private等不同属性的成员函数或变量；
类B通过public, protected, private等不同方式继承A，在类B的成员函数中测试访问A的成员函数或变量；
在类B中添加public, protected, private等不同属性的成员函数或变量，在外部测试访问B的各个成员函数或变量；
B以private方式继承A，尝试把A中的部分public成员提升为public。
二、友元类继承测试
设计类A含有私有变量a，在类A中友]]></description><category></category></item><item><title><![CDATA[机器学习 —— 决策树]]></title><link>https://blog.csdn.net/DreamWendy/article/details/120798428</link><guid>https://blog.csdn.net/DreamWendy/article/details/120798428</guid><author>DreamWendy</author><pubDate>Fri, 29 Oct 2021 00:46:50 +0800</pubDate><description><![CDATA[一、决策树的基本概念
]]></description><category></category></item><item><title><![CDATA[C++程序设计 —— 实验一：类与对象]]></title><link>https://blog.csdn.net/DreamWendy/article/details/120566087</link><guid>https://blog.csdn.net/DreamWendy/article/details/120566087</guid><author>DreamWendy</author><pubDate>Tue, 12 Oct 2021 23:27:20 +0800</pubDate><description><![CDATA[目录

一、构造函数

二、析构函数

三、运算符重载

四、友元函数

一、构造函数

1、CMatrix():不带参数的构造函数


2、CMatrix(intnRow,intnCol,double*pData=NULL):带行、列及数据指针等参数的构造函数,并且参数带默认值


3、CMatrix(constchar*strPath):带文件路径参数的构造函数


4、CMatrix(constCMatrix&amp;m):拷贝构造函数


5、此外会用列表初始化成员变量...]]></description><category></category></item><item><title><![CDATA[机器学习——K-近邻算法实例实战]]></title><link>https://blog.csdn.net/DreamWendy/article/details/120611956</link><guid>https://blog.csdn.net/DreamWendy/article/details/120611956</guid><author>DreamWendy</author><pubDate>Sun, 10 Oct 2021 17:48:15 +0800</pubDate><description><![CDATA[一、使用k近邻算法改进约会网站的配对效果

1.1 实例分析

我的朋友海伦一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的
人选，但她没有从中找到喜欢的人。经过一番总结，她发现曾交往过三种类型的人：

不喜欢的人
	魅力一般的人
	极其魅力的人
尽管发现了上述规律，但海伦依然无法将约会网站推荐的匹配对象归入恰当的分类。她觉得可以在周一到周五约会那些魅力一般的人，而周末更喜欢与那些极具魅力的人为伴。海伦希望我们的分类软件可以更好地帮助她将匹配对象划分到确切...]]></description><category></category></item><item><title><![CDATA[机器学习——K-近邻算法基础入门（简单易懂）]]></title><link>https://blog.csdn.net/DreamWendy/article/details/120516363</link><guid>https://blog.csdn.net/DreamWendy/article/details/120516363</guid><author>DreamWendy</author><pubDate>Sun, 03 Oct 2021 19:02:38 +0800</pubDate><description><![CDATA[一、K-近邻算法概述

简单地说，K-近邻算法就是采用测量不同特征值之间的距离方法来进行分类。

优点：精度高，对异常值不敏感，无数据输入假定简单地说。

缺点：计算复杂度高，空间复杂度高。

适用范围：数值型和标称型。

工作原理：

　　存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系，输入没有标签的新数据之后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取出样本集中特征最相似数据的分类标签。一般来说，我们只选择样.]]></description><category></category></item><item><title><![CDATA[操作系统期末大题复习]]></title><link>https://blog.csdn.net/DreamWendy/article/details/118077621</link><guid>https://blog.csdn.net/DreamWendy/article/details/118077621</guid><author>DreamWendy</author><pubDate>Mon, 21 Jun 2021 00:45:31 +0800</pubDate><description><![CDATA[目录处理器调度算法计算题PV操作PV互斥信号量互斥信号量银行家算法死锁检查算法缺页置换算法分页管理段式存储管理页式管理1.设有按P1、P2、P3、P4次序到达的4个进程，CPU阵法时间如表所示，采用先到先得服务算法和最短作业优先算法，画出甘特图，并计算各自的平均等待时间。（1）采用先到先得服务算法，甘特图如下：   P1 P2P3P4     0                                     20        28        33                       ]]></description><category></category></item></channel></rss>