manjhOK的博客

【转载请注明出处】http://www.cnblogs.com/jerrylead1 简介支持向量机基本上是最好的有监督学习算法了。最开始接触SVM是去年暑假的时候，老师要求交《统计学习理论》的报告，那时去网上下了一份入门教程，里面讲的很通俗，当时只是大致了解了一些相关概念。这次斯坦福提供的学习材料，让我重新学习了一些SVM知识。我看很多正统的讲法都是从VC 维理论和结构风险最小原

支持向量机通俗导论（理解SVM的三层境界）作者：July 。致谢：pluskid、白石、JerryLead。说明：本文最初写于2012年6月，而后不断反反复复修改&优化，修改次数达上百次，最后修改于2016年11月。声明：本文于2012年便早已附上所有参考链接，并注明是篇“学习笔记”，且写明具体参考了pluskid等人的文章。文末

一、引言下面我们引用文献【1】中的一段话作为本文的开始：想象你在黄昏时分看着一只小鸟飞行穿过浓密的丛林，你只能隐隐约约、断断续续地瞥见小鸟运动的闪现。你试图努力地猜测小鸟在哪里以及下一时刻它会出现在哪里，才不至于失去它的行踪。或者再想象你是二战中的一名雷达操作员，正在跟踪一个微弱的游移目标，这个目标每隔10秒钟在屏幕上闪烁一次。或者回到更远的从前，想象你

#传感器的原理加速度计：加速度计—我们可以把它想作一个圆球在一个方盒子中。假定这个盒子不在重力场中或者其他任何会影响球的位置的场中，球处于盒子的正中央。你可以想象盒子在外太空中，或远在航天飞机中，离任何天体，一切东西都处于无重力状态。在图中你可以看到我们给每个轴分配了一对墙（我们移除了Y+以此来观察里面的情况）。  设想每面墙

目的：我们需要得到机器人运动的姿态信息，三个轴的角度以及角速度。本文大纲：1、传感器相关模型 2、坐标变换   3、经验型卡尔曼数据融合4、姿态解算流程 5、DMP 6、数据融合效果 本文出处：http://blog.csdn.net/haishaoli/article/details/52965457本文内容：姿态解算总

最小二乘法的相关原理及其拟合

复杂矩阵问题求导方法：可以从小到大，从scalar到vector再到matrix。 x is a column vector, A is a matrixd(A∗x)/dx=A            d(xT∗A)/dxT=A   d(xT∗A)/dx=AT    d(xT∗A∗x)/dx=xT(AT+A) pract