- 博客(7)
- 资源 (3)
- 收藏
- 关注
RSS订阅转载 NMF——非负矩阵分解
计算机是人类解决难题、探索未知以及提供娱乐的绝佳工具。在高效运行着的各种计算机应用背后，融汇了人类在物理、电子和数学等多门学科的高超智慧。严密的数学使得计算机能高效执行人类指令，控制内部各种数据流的走向，因此在现代计算机科学研究中，数学的基础地位和重要作用无可替代：它使我们最大程度利用有限的硬件、软件资源，它使我们能够在浩瀚的数据海洋中快速查到所关心的信息……数学与计算机科学一起演绎了许多精彩的故
2014-12-29 21:58:21
867
转载 PCA 主成分分析
问题：假设在IR中我们建立的文档-词项矩阵中，有两个词项为“learn”和“study”，在传统的向量空间模型中，认为两者独立。然而从语义的角度来讲，两者是相似的，而且两者出现频率也类似，是不是可以合成为一个特征呢？ 《模型选择和规则化》谈到的特征选择的问题，就是要剔除的特征主要是和类标签无关的特征。比如“学生的名字”就和他的“成绩”无关，使用的是互信息的方法。
2014-12-24 18:53:41
1168
转载 稀疏表示+字典学习
Online Learning Toolbox Francesco Orabonahttp://francesco.orabona.com/pubs.htmlhttp://dogma.sourceforge.net/index.html#code最近在查怎样利用在线学习来更新跟踪过程中的目标模板，偶尔发现了这个工具箱，留着将来用！Machine Percep
2014-12-09 09:47:29
1826
转载 Paritcle Filter Tutorial 粒子滤波：从推导到应用（四）
六、Sampling Importance Resampling Filter (SIR) SIR滤波器很容易由前面的基本粒子滤波推导出来，只要对粒子的重要性概率密度函数做出特定的选择即可。在SIR中，选取： p( x(k)|x(k-1) )这是先验概率，在第一章贝叶斯滤波预测部分已经说过怎么用状态方程来得到它。将这个式子代入到第二章SIS推导出的权
2014-12-05 12:16:00
1293
1
转载 Paritcle Filter Tutorial 粒子滤波：从推导到应用（三）
五、重采样 在应用SIS 滤波的过程中，存在一个退化的问题。就是经过几次迭代以后，很多粒子的权重都变得很小，可以忽略了，只有少数粒子的权重比较大。并且粒子权值的方差随着时间增大，状态空间中的有效粒子数较少。随着无效采样粒子数目的增加，使得大量的计算浪费在对估计后验滤波概率分布几乎不起作用的粒子上，使得估计性能下降，如图所示。
2014-12-05 12:15:35
1211
转载 Paritcle Filter Tutorial 粒子滤波：从推导到应用（二）
二、蒙特卡洛采样假设我们能从一个目标概率分布p(x)中采样到一系列的样本（粒子），（至于怎么生成服从p(x)分布的样本，这个问题先放一放），那么就能利用这些样本去估计这个分布的某些函数的期望值。譬如： 上面的式子其实都是计算期望的问题，只是被积分的函数不同。蒙特卡洛采样的思想就是用平均值来代替积分，求期望：
2014-12-05 12:14:30
1100
转载 Paritcle Filter Tutorial 粒子滤波：从推导到应用（一）
前言： 博主在自主学习粒子滤波的过程中，看了很多文献或博客，不知道是看文献时粗心大意还是悟性太低，看着那么多公式，总是无法把握住粒子滤波的思路，也无法将理论和实践对应起来。比如：理论推导过程中那么多概率公式，概率怎么和系统的状态变量对应上了？状态粒子是怎么一步步采样出来的，为什么程序里面都是直接用状态方程来计算？粒子的权重是怎么来的？经过一段时间的理解，总算理清了它的脉络。同时也
2014-12-05 12:13:23
1186
2
yolov4-conv-137 和 yolov4-weights
2020-05-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人