- 博客(15)
- 资源 (2)
- 收藏
- 关注
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 12:31:54 596
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 10:07:06 168
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 6733
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 09:39:17 782
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 1756
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 3158
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 1210
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 2757
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 10:54:08 213
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 13:03:26 629
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 11:33:15 912
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 10:34:17 165
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 7562
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 2095
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 3927
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