- 博客(17)
- 资源 (33)
- 收藏
- 关注
原创 机器学习中的数学基础:(1.1)矩阵特征值和特征向量的几何意义
给定一个二维矩阵先求出该矩阵的特征值与特征向量,特征值分别获是:,对应的特征向量为:(列向量)PS:此处的U是正交矩阵,根据正交矩阵的性质,可以有如果从定义来理解特征向量的化,某一物体经过该矩阵A变换后,该物体在空间内沿着特征向量的方向上相当于只是发生了缩放。借用经典的笑脸图案来进行说明:(为了方便演示笑脸图案分布在0-1的单位正方形内,并将两个特征向量在图中表示出来,两个箭头的方向表示两个特征向量的方向)将这个笑脸图案经过矩阵A的变换,即用这个图案中的每个点的坐标和这个矩阵
2020-07-30 18:31:12 1772
转载 PCL:最小特征值与特征向量为什么可以表示法向量??
求解点云法向:(基于局部平面拟合点云的法向量)点云法向量求解需要其邻域内点支持,而邻域的大小一般由邻域半径值或临近点个数来表示。现实中需要根据点分辨率、物体细节精细程度和用途等因素来取值。过大的邻域会抹平三维结构细节使得法向量过于粗糙,而过小的邻域由于包含了太少的点受噪声干扰程度较强。特征值物理意义:事实上,我们求方阵特征值和特征向量是在处理一个半成品,对于一个非方阵的矩阵A,它往往代表一个多维空间里的多个数据。我们求这个矩阵A的协方差阵Cov(A,A’),即得到一个方阵B,而我们平时求的特征.
2020-07-30 15:25:28 3066
原创 QT:(4)解决在VS15下配置QT后没有QT GUI Application选项
妈呀折腾了一上午终于出来了其实就是按照其他博客的思路解决的,最主要就是注意一下细节。1、首先卸载之前安装的。(注意自动更新扩展一定不要勾选上)2、进入下边网站下载,点击安装即可。(本次下载的是2.4.3)https://download.qt.io/official_releases/vsaddin/2.4.3/3、重新添加路径...
2020-07-29 10:13:11 5701 7
转载 QT:qt安装缺少GUI Application 选项
https://blog.csdn.net/HeyLoong/article/details/106330838
2020-07-29 09:48:05 2615
原创 QT:(3)在VS2015下配置qt
接上一篇我们已经在Win10下安装了QT5.12.8。因为使用VS2015习惯了所以想在VS2015上配置一下qt。方法如下:1、在开始菜单下选择VS2015打开。(可以是VS的其他版本,本人使用的是VS15而已)2、选择菜单栏上的工具--->扩展和更新3、之后按照1234步骤进行下载安装,重启VS2015即可。4、安装完成后重启VS2015之后就会看到菜单栏处多一个菜单项Qt VS Tools。5、点击Qt VS Tools--->Qt Options,做如
2020-07-28 20:42:27 1313
原创 PCL:基于PCL绘制包围盒代码实现(2)
本博客基于pcl::MomentOflnertiaEstimation类获取基于惯性矩(moment of inertia)与偏心率(eccentricity)的描述子,而该类的另一个功能就是提取有向包围盒(OBB)和坐标轴对齐包围盒(AABB),但是所提取的有向包围盒OBB并不一定是最小的包围盒。主特征向量概念: 一个矩阵可以有多个特征值,在这些特征值中,模最大的那个特征值即主特征值(对于实数阵即绝对值最大的特征值),主特征值对应的特征向量称为主特征向量。(“主特征向量...
2020-07-27 16:07:30 1270 1
原创 PCL:基于PCL绘制包围盒基础介绍(1)
包围盒顾名思义就是类似一个盒子把物体包围起来。以下内容来自百科:包围盒是一种求解离散点集最优包围空间的算法,基本思想是用体积稍大且特性简单的几何体(称为包围盒)来近似地代替复杂的几何对象。常见的包围盒算法有AABB包围盒、包围球、方向包围盒OBB以及固定方向凸包FDH。碰撞检测问题在虚拟现实、计算机辅助设计与制造、游戏及机器人等领域有着广泛的应用,甚至成为关键技术。而包围盒算法是进行碰撞干涉初步检测的重要方法之一。分类:最常见的包围盒算法有AABB包围盒(Axis-aligned bou
2020-07-10 17:47:36 2212 2
原创 PCA(3):PCA实现C++代码
先看一下PCA算法实现流程:(设有m条n维数据)(1)将原始数据按列组成n行m列矩阵X。(2)将X的每一行(代表一个属性字段),进行零均值化处理,即减去这一行的均值。(3)求出协方差矩阵。(4)求出协方差矩阵的特征值及对应的特征向量。(5)将特征向量按对应特征值大小,从上到下按行排列成矩阵,取前k行组成矩阵P。(6)Y=KX即为降维到k维后的数据。...
2020-07-10 15:02:51 1897
原创 Eigen(1):Matrix模板类
Matrix是一个模板类,利用模板类可以定义矩阵类。矩阵类模板:Matrix类有6个模板参数,只需要了解前3个就好了。Matrix<typename Scalar, int RowsAtCompileTime, int ColsAtCompileTime>参数解读:Scalar表示矩阵中系数的类型。 RowsAtCompileTime 和ColsAtCompileTime 分别表示行数和烈数。Eigen库也为特例化(方阵)的矩阵模板定义了类型别名,例如:typed
2020-07-09 09:40:46 954
原创 C++:类模板与模板类的区别
写在前面:(模板类是类模板实例化后的一个产物,类模板比作是一个作饺子的模子,而模板类就是用这个模子做出来的饺子,至于饺子什么馅儿的就需要你自己去实例化自己的内容。)类模板:说明该类是一个模板,它代表的是整个类家族的参数化描述。类模板的作用:类模板的使用实际上是将类模板实例化成一个具体的类,格式如下://类模板的写法template <类型参数表>//或者template <类型名 参数名1,类型名 参数名2,…>class 类模板名{ 成员函数和成员变量}
2020-07-08 17:39:35 6224
原创 PCL调错(2):VTK报错
为了解决这两个问题,一共做了两步操作:第一:百度搜索结果是说我的lib库连接不对(就是VTK附加依赖项没有添加完整),所以又重新把vtk下的lib库都导入一遍。有一种方法,在cmd里边操作可以很方便快速的把你需要的lib直接下载下来。方法如下:(1)首先找到你的VTK目录下的lib位置,如下:(2)快捷键win+R打开cmd。之后可以根据你配置的Pcl是Debuge还是Release版本进行选择。第二:把opengl32. lib添加进去就好了,添加方法如...
2020-07-07 10:37:50 977
原创 PCA(2):PCA算法实现的两种方式
因为样本个数和特征维度的是不相等de,所以组成的矩阵不是方阵。第一种方式:特征分解思路基于样本特征维度,先求协方差矩阵---->再特征分解(因为协方差矩阵是方阵,所以可以使用特征分解的思路)第二种方式:SVD分解SVD理论:https://blog.csdn.net/m0_37957160/article/details/107082668任何矩阵都可以进行SVD分解。事实上在数据量很大时,求协方差矩阵,然后在进行特征分解是一个很慢的过程,因此在PCA背后的实现也是借助奇异值分
2020-07-03 16:44:30 1300
转载 SVD与PCA的区别
SVD与PCA区别矩阵对向量的乘法,对应于该向量得旋转、伸缩。若对某向量只发生了伸缩而无旋转变化,则该向量是该矩阵的特征向量,伸缩比为特征值。PCA用来用来提取一个场的主要信息(即对数据集的列数——特征进行主成分分析),而SVD一般用来分析两个场的相关关系。 PCA通过分解一个场的协方差矩阵(对特征),SVD是通过矩阵奇异值分解的方法分解两个场的协方差矩阵(特征、样本量)。 PCA可用于特征的压缩、降维(去噪),SVD能够对一般矩阵分解,可用于个性化推荐。同时也可以用于NLP中的...
2020-07-03 16:11:34 2258
原创 矩阵总结
对称矩阵满足A=的矩阵,称为对称矩阵。(=意思就是里边的每一个元素都想等)性质如下:对称矩阵的特征值一定是实数。 对称矩阵的几何重数等于代数重数。(???) 对称矩阵一定有n个线性无关的特征向量。(此处的n就是矩阵中的nxn???) 对称矩阵一定可以对角化。(对角化) 对称矩阵可以正交对角化。(正交对角化)...
2020-07-03 13:43:12 283
原创 矩阵的SVD分解(理论到计算结果)
SVD(Singular Value Decomposition),矩阵的奇异值分解。分解方法如下:若A是m*n的矩阵,则可以分解为,其中U=m*m,=m*n,V=n*n。V是的特征向量进行标准化后的结果,故V是标准正交矩阵。U是标准正交矩阵。是奇异值矩阵。(是m*n的非负实数对角矩阵,并且对角线上的元素是A的奇异值。一般我们的习惯是将这些奇异值按照从大到小的顺序排列,即是由A唯一确定了)什么样的矩阵可以进行SVD分解?任何矩阵均有SVD分解。什么是奇异值?假设A是一个m*n
2020-07-02 16:25:38 4703
原创 PCA(1):基础知识介绍
PCA算法思路: 首先利用样本集及特征构建一个样本矩阵,然后利用样本矩阵计算得到一个协方差矩阵,再计算协方差矩阵的特征值和特征向量,保留特征值前k个大的对应的特征向量作为新的维度方向,再将原始样本数据转换到新的空间维度。(他非常巧妙地利用协方差矩阵来计算出样本集在不同方向上的分散程度,利用方差最大的方向作为样本集的主方向)上述提到的k(k<n,n是n维特征,)这个k维是全新的正交特征,这k维特征称为主成分,是重新构造出来的k维特征,而不是简单的从n维特征中去除其余n-k维特征。...
2020-07-02 10:31:15 1115
自己实地项目,关于通信:与安川控制器P3000通信模块代码
2022-07-03
解析波士顿Handle机器人背后的技术 - 硬创公开课-超清720P(2893481).mp4
2021-09-06
3D free-form object recognition in range images using local surface patches
2020-11-27
PCL-Principal-Curvature-CAN-master.zip
2020-11-27
基于coco格式的MaskRCNN完整训练过程
2020-11-27
Curvature Estimation
2020-10-12
Point Feature Extraction on 3D Range Scans Taking into Account
2020-09-05
Voxel-based Extraction and Classification
2020-09-03
HOUGH_LINE.cpp
2020-06-29
Fast 3D Line Segment Detection From Unorganized Point Cloud.pdf
2020-06-22
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人