- 博客(27)
- 资源 (2)
- 收藏
- 关注
原创 【无标题】Ubantu调节窗口大小
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
2022-04-18 10:56:02
228
原创 遥操作了解
[短文]关于机器人遥操作(Teleoperation)的科研与应用前景介绍最近作者收到好几个相对共性的问题咨询——关于机器人遥操作(Tele-operation)相关的科研与应用前景。首先作者不是做遥操作的方向的,但很幸运的是研究所内有专门的博士后研究员从事遥操作的工作,因此算是得到了一些专业的对此问题的评价。撰写短文整理分享,希望能有所帮助。这里要感谢Dr. 方承:IIT People - Cheng Fang 提供的专业意见。首先关于机器人遥操作的相关科研与应用结论:遥操作(Teleopera
2022-03-14 20:23:32
2413
原创 2021-10-19
方便科研的网站【1】科学导航【2】自动书写【3】降重【4】画图【5】PPT模板https://site.sciping.com/https://essay.1ts.fun/https://xiezuocat.com/#/https://www.processon.com/http://www.51pptmoban.com/
2022-02-23 17:41:50
146
原创 VMWare无法打开虚拟机并关机解决方案
一、虚拟机开机出现黑屏(win10)管理员身份打开cmd(命令提示符)依次执行如下5个命令:netsh winsock resetnet stop VMAuthdServicenet start VMAuthdServicenet stop VMwareHostdnet start VMareHostd
2021-06-09 16:54:02
695
原创 人工智能学习笔记(六):PCA&LDA
相同点1)两者均可以对数据进行降维。2)两者在降维时均使用了矩阵特征分解的思想。3)两者都假设数据符合高斯分布。不同点1)LDA是有监督的降维方法,而PCA是无监督的降维方法2)LDA降维最多降到类别数k-1的维数,而PCA没有这个限制。3)LDA除了可以用于降维,还可以用于分类。4)LDA选择分类性能最好的投影方向,而PCA选择样本点投影具有最大方差的方向...
2021-05-20 19:19:00
197
原创 人工智能概论学习笔记(六):PCA应付考试用,勿仔细钻研
Principle component analysis (PCA):一种用于确定高维数据模式的统计技术可用于:减少数据中的维度数;在高维数据中查找模式;可视化高维数据示例应用程序:人脸识别;图像压缩;基因表达分析一) 什么是主成分分析法PCA(Principal Component Analysis),即主成分分析方法,是一种使用最广泛的数据降维算法(非监督的机器学习方法)。其最主要的用途在于“降维”,通过析取主成分显出的最大的个别差异,发现更便于人类理解的特征。也可以用来削减回归分析和聚类
2021-05-20 19:13:35
225
原创 人工智能概论学习笔记(五):分类回归
有监督学习:分类(离散标签)回归(真实值)无监督学习:聚类概率分布估计查找关联(功能)尺寸缩小监督学习深度学习强化学习:做决策分类:logistic方程或sigmoid方程:y的取值为0到1时,大于1和小于0的值是没有意义的感知器学习算法:https://blog.csdn.net/stan1989/article/details/8565499LogisticRegression:逻辑回归,是一种分类算法,就是回归+Sigmoid函数。原理是:有一些数据点,我们对这些点进
2021-05-20 19:03:41
573
原创 人工智能概论学习笔记(四):机器学习
有监督学习和无监督学习的理解:首先看什么是学习(learning)?一个成语就可概括:举一反三。此处以高考为例,高考的题目在上考场前我们未必做过,但在高中三年我们做过很多很多题目,懂解题方法,因此考场上面对陌生问题也可以算出答案。机器学习的思路也类似:我们能不能利用一些训练数据(已经做过的题),使机器能够利用它们(解题方法)分析未知数据(高考的题目)?监督学习就是对具有标签(label)的训练样本(train data)进行学习,找到data和label之间的映射关系(mapping,更确切的说是一个f
2021-05-20 18:43:26
501
原创 人工智能概论学习笔记(二) 人工智能&机器学习&深度学习的关系
作者:深蓝学院链接:https://www.zhihu.com/question/57770020/answer/249708509来源:知乎著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。人工智能:从概念提出到走向繁荣1956年,几个计算机科学家相聚在达特茅斯会议,提出了“人工智能”的概念,梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。其后,人工智能就一直萦绕于人们的脑海之中,并在科研实验室中慢慢孵化。之后的几十年,人工智能一直在两极反转,或被称作
2021-05-16 20:50:24
260
原创 人工智能概论学习笔记(一):CPU & GPU
人工智能概论学习笔记(一):CPU & GPU作者:王洋子豪链接:https://www.zhihu.com/question/19903344/answer/13779421来源:知乎著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。首先需要解释CPU和GPU这两个缩写分别代表什么。CPU即中央处理器,GPU即图形处理器。其次,要解释两者的区别,要先明白两者的相同之处:两者都有总线和外界联系,有自己的缓存体系,以及数字和逻辑运算单元。一句话,两者都为了完成计算任务而设计
2021-05-16 20:39:39
843
原创 把多个.mat文件拼接起来
clcclear allclose alla=[];List =dir('E:\最后__整理数据\数据\1000+1000数据和图\原数据\NAF\140中筛选122原始数据\*.mat');k =length(List);for i=1:k file_name{i}=List(i).name; temp=importdata(file_name{i}); temp=temp'; a=[a;temp];end...
2020-05-25 22:08:13
3091
2
原创 画相空间轨迹图
clcclear allclose allload('NAF200.mat');[h,l]=size(a)% namelist = dir('C:\Users\王浩\Desktop\af200\*.mat');% len = length(namelist);for i=1:h% fileName = ['C:\Users\王浩\Desktop\400张测试集图片的原数据\NAF\' num2str(i) '.mat'];% L = load(fileName);%
2020-05-12 19:21:19
909
原创 找原数据
clcclose allclear allnamelist = dir('F:\trainBCG\1000pic\train\NAF\*.png');len = length(namelist);for i = 1:len file_name{i} = namelist(i).name; str = strsplit(file_name{i},{'in','.png'}); str{2}=num2str(str2num(str{2}),'%03d');
2020-05-12 19:20:31
110
原创 分帧
j = 1;fs = 125;for i = 1:779 originsig = Signals{i, 1}; signal = normalize(detrend(Signals{i, 1})); tm = (1:length(signal)); af = Labels(i); if(af == categorical(1)) newlabel = 1; [~,locs] = findpeaks(signal,tm,'M
2020-05-12 19:20:00
830
原创 相空间重构
function [xn,dn] = PhaSpaRecon(s,tau,m,T)% 混沌序列的相空间重构 (phase space reconstruction)% [xn, dn, xn_cols] = PhaSpaRecon(s, tau, m)% 输入参数: s 混沌序列(列向量)% tau 重构时延% m 重构维数% T 直接预测
2020-05-12 19:19:30
4559
2
原创 自相关
function [tau] = AutoCorrelation(X,maxLags,IsPlot)% 自相关法求混沌时间序列重构的时间延迟% 输入参数:X 混沌时间序列% maxLags 最大时间延迟% 输出参数:tau 时间延迟 ACF = autocorr(X,maxLags); % 求自相关函数% 自相关函数下降到初始值的 1-1/e 时的 tau 即为所求 (tau 从 1 开始)% 当自相关函数下降到初始值的时,i.e. 所得
2020-05-12 19:18:59
795
原创 自相关主函数
% 自相关法求时延% 使用平台 - Matlab7.1% 作者:陆振波,海军工程大学% 欢迎同行来信交流与合作,更多文章与程序下载请访问我的个人主页% 电子邮件:luzhenbo@yahoo.com.cn% 个人主页:http://blog.sina.com.cn/luzhenbo2clcclear allclose all%--------------------------------------------------------------------------% 产生
2020-05-12 19:18:13
257
原创 相空间轨迹图
clcclear allclose allload('NAF200.mat');[h,l]=size(a)% namelist = dir('C:\Users\王浩\Desktop\af200\*.mat');% len = length(namelist);for i=1:h% fileName = ['C:\Users\王浩\Desktop\400张测试集图片的原数据\NAF\' num2str(i) '.mat'];% L = load(fileName);%
2020-05-12 19:15:37
1539
1
原创 Matlab将多个.mat文件内的数据行拼接到一个.mat文件里
clc;clear all;close all;namelist = dir(‘C:\Users\王浩\Desktop\new2000\原数据\af200*.mat’);len = length(namelist);A=[];for i = 1:lenfile_name{i}=namelist(i).name;load(file_name{i});temp=importdata(file_name{i});A=[A;temp];end
2020-05-12 18:23:40
9823
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人