chenaiyanmie的博客

离散Gabor变换的一般求法二维Gabor滤波器Gabor变换代码实现离散Gabor变换的一般求法1.首先选取核函数，可根据实际需要选取适当的核函数。如高斯窗函数：g(t)=(2√T)2e−π(tT)2g(t) = (\frac{\sqrt 2}{T})^2 e^{-\pi (\frac{t}{T})^2} 则其对偶函数 γ(t)为γ(t)=(12√T)12(K0π)eπ(tT)2∑n+1/2>

傅立叶变换数字图像处理的方法主要分成两种：空域分析法和频域分析法。空域分析法就是对图像矩阵进行处理；频域分析法是通过图像变换将图像从空域变换到频域，从另外一个角度来分析图像的特征并进行处理。频域分析法在图像增强、图像复原、图像编码压缩及特征编码压缩方面有着广泛应用。如果一个信号 f(t)f(t) 在 (−∞,+∞)(- \infty, + \infty) 上满足：f(t)f(t) 在任一有限区间上

最小二乘法的求解数值解法SVD数值分解QR分解1.最小二乘法的求解已知有一个这样的方程组： Ax=bAx=b 其中A∈Rm×nA \in R^{m×n} ; x∈Rn×kx \in R^{n×k}, b∈Rm×kb \in R^{m×k} 当 m=nm=n 时，且 ranA=nranA = n 时，这是一个适定方程组，有唯一解 x=A−1bx = A^{-1}b 当 m<nm<n 时，或者

流形学习(Manifold Learning)前言流行学习简介主要的代表方法1) Isomap (等距映射)Isomap算法步骤：2) LLE(Locally Linear Embedding) 局部线性嵌入LLE基本思想：LLE算法步骤：Isomap 与LLE的比较：3) LE (Laplacian Eigenmaps) 拉普拉斯特征映射谱图理论：LE基本思想...

K最邻近分类算法简介邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。算法思想kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据

norm函数的应用：(1) 欧氏距离（Euclidean Distance）：(2)曼哈顿距离（Manhattan Distance）(3)切比雪夫距离（Chebyshev Distance）(4)闵可夫斯基（Minkowski Distance）：(5)皮尔逊相关系数：norm函数的应用：enum { NORM_INF=1, NORM_L1=2, N...

基于QR分解方法的SVD分解：矩阵的 SVD 分解并不唯一。主要的并行算法子程序都是基于经典求解矩阵奇异值的串行方法而实现的。基于 QR 迭代求解矩阵奇异值的方法，是求解双对角矩阵所有奇异值最快速的算法，求解出的奇异值可以达到较高的相对精度；分而治之方法，它是求解全部矩阵奇异值和奇异向量速度很快的算法，但是当求解微小的奇异值时，往往不能保证很高的相对精度，对于一般应用来说，分而治之算法求解出的奇异值

QR分解若A∈Cm×kA\in C^{m×k} 是一个列满秩的矩阵，rank(A) = k，则矩阵A 可以分解为A=QRA = QR ,Q∈Cm×kQ \in C^{m×k} ，Q 的列向量为A 的列空间的标准正交基， R∈Ck×kR\in C^{k×k} ，是一个可逆的上三角矩阵，A 的列向量线性无关，A=(α1,α2,...αk)A= (\alpha_1, \alpha_2, ...\alp

SVD分解SVD分解1）特征值(EVD)变换2）SVD分解3）SVD与PCA4）SVD分解矩阵的代码实现1）特征值(EVD)变换如果说一个向量v是方阵A的特征向量，将一定可以表示成下面的形式： 这时候λ 就被称为特征向量v对应的特征值，一个矩阵的一组特征向量是一组正交向量。特征值分解是将一个矩阵分解成下面的形式：若A 有n个特征值，则A矩阵P−1A...

LDA(Linear Discriminate Analysis)LDA(Linear Discriminate Analysis)1.LDA数学原理fisherface方法与eigenface方法比较2.LDA算法步骤LDA算法的主要优点PCA和LDA的分析比较1.LDA数学原理所谓分类器，一般是将输入空间X，根据需要划分的类别，将输入空间划分为一些...

1.PCA数学原理和算法步骤1) 将训练集的每个人脸图像拉成一列，将训练样本组合成一个大矩阵AAA ；假设每副人脸图像 xixix_i 的大小为M×M，拉成一列后每个人脸样本的维度为d=M×Md=M×Md = M×M，假设有N个人脸图像，整个样本矩阵的维度为d×N， A=(x1,x2,....xN)A=(x1,x2,....xN)A=(x_1, x_2, ....x_N) ；输入矩阵为...