- 博客(8)
- 收藏
- 关注
RSS订阅原创 华为 IoT 认证课程一
物联网通信感知技术成就了物联网1.初识物联网“特洛伊咖啡壶” —— 八年后1999年提出物联网概念：指依托RFID（射频识别）技术和设备，按约定的通信协议与互联网结合，使物品信息实现智能化识别和管理，实现物品信息互联、可交换和共享而形成的网络。21世纪： 2005年国际电信联盟在WSIS上发布了物联网新的定义和范围，不再只是基于RFID技术 2008年IBM提出“智慧地球”...
2018-12-10 19:05:24
6674
原创 哈工大 机器学习 复习（四）
贝叶斯分类器，条件独立性和朴素贝叶斯答疑问题一：我们需要估计多少个参数？这些参数的个数与什么有关？可以使用贝叶斯定理减少参数的个数吗？朴素贝叶斯朴素贝叶斯假设,也就是说，对于所有i≠j，给定Y，和是条件独立的。条件独立性朴素贝叶斯使用这样的假设：给定Y，是条件独立的。 有了这个假设，描述和需要多少参数？（分为有没有条件独立性假设的两种情况） 贝叶斯定理： ...
2018-11-14 22:26:31
1680
原创 哈工大机器学习 复习（三）
分类理论与非参数分类器多维高斯：分类区：P(X|Y)图示：贝叶斯Error我们需要计算出错的概率：将样本分配给错误类的概率。上图中对应于类别的先验，L1和L2对应误差区域，是概率密度，实线代表贝叶斯决策边界。贝叶斯误差是分类误差概率的下界。贝叶斯分类器是理论上最好的分类器，可以最大限度地减少分类错误的概率。但是计算贝叶斯误差往往是一个复杂的问题，因为要进...
2018-11-14 17:59:55
1060
原创 哈工大机器学习复习（二）
概率论利用概率量化机器学习任务在推理中遇到的不确定性样本空间S-所有可能的结果（可以是有限或无限的）事件A-S的任一子集公理化概率论定义：0≤P(A)≤1 P(ϕ) = 0 P(S) = 1 P(A U B) = P(A) + P(B) – P(A ∩ B)随机变量是将一个唯一的数值X(ω)与实验的每一个结果ω∈S关联起来的函数。 用的最多的还是高斯分布，密度函...
2018-11-14 17:57:02
1632
原创 哈工大 机器学习 复习总结
决策树例子：税务欺诈检测问题决策树可以表示输入属性的任何函数注意决策树的泛化能力同一个训练数据集，可以有多棵决策树与其一致下面介绍如何构造最优的决策树：Top-Down的决策树归纳算法每一个内结点可以看成用来分离数据集的属性，我们需要找到分离效果最好的属性并且作为决策属性赋值给当前结点 为每一个取值创建一个儿子结点，把相应的训练样本分到叶结点 如果训练样本被很好的分...
2018-11-14 17:52:57
3726
原创 HMM基本思想
1.马尔可夫链马尔科夫链是马尔科夫随机过程的特殊情况，它是状态和时间参数都离散的马尔可夫过程，从数学上可以给出如下定义：随机序列，在任一时刻t，它可以处在状态，且它在t+k时刻所处的状态为的概率，只与它在t时刻的状态有关，而与t时刻以前它所处的状态无关，即有式中，则称为马尔科夫链，并且称为k步转移概率，表示如下：式中，i和j是介于1和N之间的正整数，t是正整数。当与t无...
2018-11-05 12:37:54
794
原创 模板训练算法
上一篇博客介绍的内容是DTW算法中的模式匹配过程，在此过程中，模板建立的好坏将直接影响匹配结果。https://blog.csdn.net/fewjioqpfjeiowph/article/details/83743573下面介绍一般DTW中的模板训练算法。1.偶然模板训练法当待识别词表不太大，且系统为特定人设计时，采用一种简单的多模板训练方法。 即将每个词的每一遍语音形成一个模...
2018-11-05 10:34:20
833
原创 DTW基本原理
设时间归正函数为：，式中，N为路径长度，c(n)=(i(n),j(n))表示第n个匹配点对是由参考模板的第i个特征矢量与待测模板的第j个特征矢量构成的匹配点对。两者之间的距离称为局部匹配距离。DTW算法就是通过局部优化的方法实现加权距离总和最小，即，式中，加权函数的选取应考虑两个因素：根据第n对匹配点前一步局部路径的走向来选取，惩罚45度方向的局部路径，以便适应的情况 考虑语音各部分...
2018-11-05 10:02:02
21734
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人