- 博客(15)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 GNSS误差源（1）-卫星端
3）卫星相位中位差：相位中心误差包括平均相位中心偏差（PCO，相对于相位物理参考点）和瞬时相位中心偏差（PCV，方位角和高度角）;b、海潮误差：是由于日月天体的引力，导致地球表面的海水分布不均匀，使得地壳发生了周期性形变;卫星端的误差源：卫星轨道误差、卫星钟误差、卫星天线相位误差、潮汐误差、相对论误差以及天线相位缠绕误差。5）相对论误差影响：根据狭义相对论和广义相对论，卫星钟的频率会受到速度和引力位的影响;1）卫星轨道误差：计算的卫星轨道位置和速度与实际的卫星轨道和速度的误差;
2023-09-01 12:31:54
551
原创 传感器IMU
变换到t时刻坐标系下。分别为第k时刻和第k+1时刻body在世界坐标系下的位置，速度和旋转;分别是线加速度偏差和角加速度偏差;是噪声，一般认为符合高斯分布。表示全球坐标下的重力加速度;代表t时刻body坐标系在。坐标系下的旋转四元数;
2023-08-24 10:07:06
152
原创 图像处理之图像变换（等距变换、相似变换、仿射变换和投影变换）
图像处理中一个很重要的变换过程-图像变换（等距变换、相似变换、仿射变换和投影变换）。我从变换矩阵和变换效果等方面介绍图像变换一、等距变换等距变换：在仿射变换下，欧几里得距离（旋转矩阵是正交的）不变（行列式的值为1或-1）的齐次坐标变换。变换矩阵：变换矩阵可以简化为等距变化有三个自由度，两个点构成四个方程解参数。变换效应：长度、面积和角度都没发生变化。二、相似...
2018-08-18 18:32:45
6662
转载 Harris角点检测原理详解
关于角点的应用在图像处理上比较广泛，如图像匹配(FPM特征点匹配)、相机标定等。网上也有很多博客对Harris角点检测原理进行描述，但基本上只是描述了算法流程，而其中相关细节并未作出解释，这里我想对有些地方做出补充说明，正所谓知其然知其所以然，如有不对，还望指正。1. 何为角点？下面有两幅不同视角的图像，通过找出对应的角点进行匹配。 再看下图所示，放大图像的两处角点区域：...
2018-08-14 09:39:17
773
原创 反向传播算法推导-卷积层
卷积层是卷积神经网络中非常重要的层，所以这里我们推导一下在卷积层的反向传播算法。首先我们要思考一下卷积层的一些要素，要素很多包括权值、偏差等，但是我们只考虑权值和偏差，因为在训练过程中它们需要不断地更新。接下来我们分成三个部分完成推导：损失对权值的梯度、损失对偏差的梯度和无法的传播。首先我们先介绍一下卷积层正向传播对于l层有：这里x表示激活层的输出，（i, j）代表输出的索引；...
2018-08-10 11:13:54
1748
原创 tensorflow-gpu1.8安装
一、安装GPU显卡驱动显卡驱动是安装tensorflow最操蛋的，也是最难受的，深受其害，耽误半天时间。按装这个驱动之前首先要确定你电脑的显卡是英伟达的，否则累死你也做不上，还骂了半天的娘。网上最常用的方法如下：在ubuntu16.04中，更换驱动非常方便，去系统设置->软件更新->附加驱动->切换到最新的NVIDIA驱动即可。应用更改->重启然后输入nvidia-smi命...
2018-05-29 18:50:23
3149
原创 机器学习非监督分类之因子分析
随机变量X是混合高斯分布时，我们采用EM算法可以解决，此时样本的数量是远大于特征数量的，当样本数量小于特征数量时，我们该如何建立模型呢？因子分析进入人们的视野。假设数据是高斯分布，我们估计期望和方差：由于样本数量小于特征数量，我们可以发现|∑| = 0，Σ是奇异矩阵，那么 Σ-1 就不存在。但我们仍想使用高斯分布，那就需要对∑进行限制。一、∑的限制∑没限制之前，对角线上的元素为：我...
2018-04-10 11:21:01
1200
原创 机器学习非监督分类之主成分分析（PCA）
主成分分析是非监督分类中基础的算法，应用于降低特征的维度。在介绍主成分分析之前，我们要先介绍一下特征值和特征向量，因为在后面我们要用到。一、特征值和特征向量特征值如果有此时γ为矩阵A的特征值，对应的X为矩阵的特征向量。对于不相同的特征值，其特征向量是正交的。二、主成分分析算法：首先将X进行预处理；1、计算X的期望E（X）；2、计算D = E（x-E(x)）；3、计算xj = xj/Djj, 得到新...
2018-04-09 13:55:26
2747
原创 机器学习非监督之独立分析
独立分析是机器学习非监督分类中十分基础的算法。算法：假设X是随机变量，则其元素xi也是随机的。如果X随机变量是相关的，则元素间也是相关的，X随机相关变量可由独立随机变量S组合成则随机变量X为转换矩阵A是满秩的，且。所以所以S为：随机变量si的概率密度函数为，由于随机变量S是独立的，所以S的概率密度函数为相应的随机变量S的概率分布函数为，其随机变量S概率密度函数与概率分布函数的关系为随机变量X的概率...
2018-04-09 10:54:08
206
原创 K-mean聚类算法
K-mean算法属于非监督类算法，模型相对简单。目标函数 J = sum（dj*I{xi属于j类}）算法：1、初始化K个点；2、样本xi,到k个点的距离为dk = ||xi - uk||;j = argmin（j） dk；xi属于cj；3、更新参数：uk = sum（xi*I{xi属于cj}）/sum(I{xi属于cj});重复2和3，终止条件J的变化很小或者uk变化很小。整个算法结束了，但是结果...
2018-04-04 13:03:26
618
原创 机器学习之特征选择
机器学习中很重要的一环是特征选择，因为选择的特征过少会造成欠拟合（高偏差）， 相反会造成过拟合（高方差），所以选择合适的特征是很重要的。特征选择包括封装性特征选择和过滤性特征选择，封装特征选择包括前向搜索和后向搜索。特征选择：特征子集F， 自己评价准则H。封装性特征选择使用搜索方法，包括前向搜索和后向搜索。前向搜索算法：初始化F，将F设为空集{ for i to n://n为特征的数目 ...
2018-04-02 11:33:15
900
原创 logistic regression-逻辑斯谛回归
logistic regression从字面意思上以为它是一种回归算法，但实际上是线性的二分类方法。逻辑回归是机器学习中最常见且模型简单的算法，主要应用于流行性病学和个人信誉预测方面。逻辑回归函数：其中自变量可以变换成如下：其中xi为第i个·特征；系数为参数；所以预测函数为：我们假设P(y=1|x:θ) = hθ(x);P(y=0|x:θ) = 1-hθ(x);所以P(y|x：θ) = hθ(x)...
2018-03-27 10:34:17
155
原创 XGBOOST—eXtreme Gradient Boosting算法原理
XGBOOST算法是由华盛顿大学陈天奇博士以GBDT和RandomForest为基础提出的，并开发了C++版本。该算法由于精度高、可并行化处理和可移植性，被广泛应用于各个领域， 这也是Kaggle竞赛者最常用的方法之一。假设样本集D = {（xi， yi）...} i = 1、...nXGBOOST预测函数可表示为我们使用分部加法，可将此式变换为其中K代表迭代K轮；方程左侧为预测值；映射fk如下：...
2018-03-23 11:01:10
7550
原创 Gradient Boosting Decision Tree（GBDT）-梯度提升决策树
Gradient Boosting Decision Tree（GBDT）-梯度提升决策树GBDT是集成学习的又一代表作，以boosting为基础的分部加法模型，活跃在各个应用领域，十分受欢迎。所以我们首先来了解一下boosting算法。一、boostingboosting是集成学习三大模式（bagging、stacking和boosting）之一。boosting基本原理：假设样本集{（xi, ...
2018-03-22 13:50:02
2086
原创 随机森林
随机森林是集成学习的主要代表作，它是以bagging算法为基础的加法模型。所以在学习随机森林之前先了解一下bagging算法。一、bagging原理bagging是集成学习三大基本模式（bagging， stacking和boosting）之一。bagging基本原理： 1.假设样本集{（xi, yi）} i = 1,...N， 特征矩阵X有H个特征; 2.随机从样本集中随机抽...
2018-03-21 13:43:51
3915
数学建模题目
2014-09-12
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人