chyzh2012的博客

利用卷积神经网络进行深度学习，识别人脸特征点，从头到尾细致讲解。

This page explains the Web Ontology Language OWL 2 to us who are visually oriented. It also shows how to use an OWL ontology with SWRL rules from Java code by calling a reasoner. Please note that this page describes OWL version 2, which can be processed only by tools designed for that version, like Protege 4, OWL API 3 or Pellet 2. Tools designed for the older OWL version 1, like Protege 3, will not work with the examples.

protege是斯坦福大学开发的一款本体建模工具，基于Java语言开发，具有跨平台等性能。目前这个版本是Windows环境下的。

Code for computing approximate entropy for a time series: Approximate Entropy is a measure of complexity. It quantifies the unpredictability of fluctuations in a time series

Code for computing approximate entropy for a time series: Approximate Entropy is a measure of complexity. It quantifies the unpredictability of fluctuations in a time series

自适应陷波滤波器设计 在信号处理中经常要把某些单频(窄带)干扰信号去除，例如求系统采集信号中的把工频信号滤除。实际上有一个很好的方法，便是使用陷波器。在附件中给出了陷波器的设计技术，并举了例子。

利用VC6.0的MFC AppWizard创建工程 首先：注册该控件在windows“运行”里写入：regsvr32 msdrm.ocx 单击确定 1．在VC++集成开发环境中，选择菜单File|New，弹出New对话框。 2． 在Projects选项卡中选择MFC AppWizard（exe），并在Location项中输入“D：\Samples”。 3．在Project name中输入“ CTLY2412”，项中的内容自动设置为“D：\Samples\Player”。 4．按下OK按钮，在弹出的MFC AppWizard-Step-1对话框中选择Dialog based项，生成基于对话框的应用程序。 5．按下Finish按钮，在弹出的对话框中按下OK按钮，等待创建完相应的工程。

相信很多朋友都会碰到忘记携带U盘或者移动硬盘导致重要文件使用方面的麻烦，其实，我们完全有办法将网络硬盘搬进“我的电脑”，还可以将各种网盘当成“我的电脑”中的C、D、E分区盘，就像在本机上存储文件一样便捷。这样你不但可以像使用闪存、移动硬盘一样操作方便，而且更避免了遗忘的麻烦。

频谱和功率谱有什么区别与联系 谱是个很不严格的东西，常常指信号的Fourier变换， 是一个时间平均（time average）概念 功率谱的概念是针对功率有限信号的(能量有限信号可用能量谱分析)，所表现的是单位频带内信号功率随频率的变换情况。保留频谱的幅度信息，但是丢掉了相位信息，所以频谱不同的信号其功率谱是可能相同的。有两个重要区别： 1.功率谱是随机过程的统计平均概念，平稳随机过程的功率谱是一个确定函数；而频谱是随机过程样本的Fourier变换，对于一个随机过程而言，频谱也是一个“随机过程”。（随机的频域序列） 2.功率概念和幅度概念的差别。此外，只能对宽平稳的各态历经的二阶矩过程谈功率谱，其存在性取决于二阶局是否存在并且二阶矩的Fourier变换收敛； 而频谱的存在性仅仅取决于该随机过程的该样本的Fourier变换是否收敛。 频谱分析（也称频率分析），是对动态信号在频率域内进行分析，分析的结果是以频率为坐标的各种物理量的谱线和曲线，可得到各种幅值以频率为变量的频谱函数F(ω)。频谱分析中可求得幅值谱、相位谱、功率谱和各种谱密度等等。频谱分析过程较为复杂，它是以傅里叶级数和傅里叶积分为基础的。

Matlab傅立叶变换、余弦变换和小波变换 1. 离散傅立叶变换的 Matlab实现 Matlab 函数 fft、fft2 和 fftn 分别可以实现一维、二维和 N 维 DFT 算法；而函数 ifft、ifft2 和 ifftn 则用来计算反 DFT 。这些函数的调用格式如下： A＝fft(X,N,DIM) 其中，X 表示输入图像；N 表示采样间隔点，如果 X 小于该数值，那么 Matlab 将会对 X 进行零填充，否则将进行截取，使之长度为 N ；DIM 表示要进行离散傅立叶变换。 A＝fft2(X,MROWS,NCOLS) 其中，MROWS 和 NCOLS 指定对 X 进行零填充后的 X 大小。别可以实现一维、二维和 N 维 DFT A＝fftn(X,SIZE) 其中，SIZE 是一个向量，它们每一个元素都将指定 X 相应维进行零填充后的长度。 函数 ifft、ifft2 和 ifftn的调用格式于对应的离散傅立叶变换函数一致。 别可以实现一维、二维和 N 维 DFT 例子：图像的二维傅立叶频谱

二者在形式上有几分相似,但实际上有很大不同。 简而言之，神经网络是个“黑匣子”，优化目标是基于经验风险最小化，易陷入局部最优，训练结果不太稳定，一般需要大样本； 而支持向量机有严格的理论和数学基础，基于结构风险最小化原则, 泛化能力优于前者，算法具有全局最优性, 是针对小样本统计的理论。 目前来看，虽然二者均为机器学习领域非常流行的方法，但后者在很多方面的应用一般都优于前者。 神经网络是基于传统统计学的基础上的.传统统计学研究的内容是样本无穷大时的渐进理论,即当样本数据趋于无穷多时的统计性质,而实际问题中样本数据往往是有限的.因此,假设样本数据无穷多,并以此推导出的各种算法很难在样本数据有限时取得理想的应用效果. 而支持向量机则是基于统计学理论的基础上的,可以克服神经网络难以避免的问题.通过支持向量机在逼近能力方面与BP网络仿真结果的比较表明,支持向量机具有较强的逼近能力和泛化能力.支持向量机因其特有的优越性在将越来越受到各领域的重视,具有很好的应用前景.