Philo的博客

C题：基于单目视觉的视频图像信息分析，针对图片信息进行数据获取，例：获取物体之间的距离，拍摄角度，拍摄者与物体距离等。F题:地下物流系统的构建研究，前两个问是聚类分析题，之后就是规划类题目，动态规划，模拟退火，粒子群算法等。C题：恐怖主义袭击事件数据的量化分析，可以做，就是数据分析题目 ，需要将所有文章看一遍。E题：基于多变量的全球气候与极端天气模型的构建与应用，多变量的数据分析，需要看完所有文章。B：方形件组批优化问题，华为专项题， 混合整数规划问题，排班和下料问题。

在求解机理分析类问题时首先需要探寻与问题相关的物理，化学，经济等相关的知识，然后通过对已知数据或现象的分析对事物的内在规律做出必要的假设，最后通过构建合适的方程或关系式对其内在规律进行数值表达。根据已知条件和求解目的，往往将预测类问题分为:小样本内部预测，大样本内部预测,小样本未来预测，大样本随机因素或周期特征的未来预测，大样本的未来预测。评价类赛题往往没有明确的指标体系和评价标准，往往是需要查阅各类资料进行构建的，因此评价类赛题也没有明确的答案。指在现有现有条件固定的情况下，如何使目标效果达到最佳。

先是模型建立，这一部分不写具体数据带入，只是列公式，第二部分模型求解，给出结果，包括图像，表格数据，最后公式，系数，然后对结果进行进一步解析即可。

如果一个数据集满足高斯分布（正态分布），那当我们提取样本的时候，数据基本上会集中在中间的部分，而边缘值的数目可能会比较少，所以最后得到的样本方差和样本标准差会比总体要小，为了修正这个偏差，在计算样本的方差和标准差时，我们将使用 n-1 代替 n。当样本数据的个数为n时，若样本平均数确认后，则附加给n个观测值的约束个数就是1个，即最少为1个数，因此只有n-1个数据可以自由取值，其中必有一个数据不能自由取值，所以自由度为n-1。而方差和标准差的分母为自由度，所以分母是n-1。

我去，这个门槛有点高，如果不是相关专业的，很难短时间将其运用到比赛中，但是这篇文章，将公路视频能见度转化为公路线条的景深以及交汇点，这个是非常巧妙的方法，同时使用车道线检验算法(Canny 边缘检测算法，Hough 变换提取车道线)，得出处理后的图像，在原始图像中，自己标注线条汇聚点，省去了使用算法进行拟合线条出现的偏差问题，是一个门槛不高，但是效果显著，入门快的方法，，该篇论文是用的VGG16，这个模型图竟然都是从网上截的，啊，自己组写应该可以更好一点。相关性矩阵数学公式模板。看了另外一篇文章，是。

行文结构，CNN行文模板，主成分分析行文模板，SVM行文模板文章出自 20102840089，仅供学习，侵删。

出现的位置： for循环与sum求和中。

论文中的第三问和第四问都是用的这个算法，使用时候，作者将数据进行纵向合并，数据集划分等操作，同时由于输入的维度过高，达到22维，而输出维度很低，还通过了输入特征与输出值的相关性，将维度进行降低，提出相关性不高的特征，最后图像看起来很好。论文中提到的将22维的数据进行降维处理，判断降维后的数据是否容易进行聚类，进而推论出高维是否容易聚类，提到的算法是。该系列文章主要是为了整理数模中常用的方法，仅仅作为记录，其中提供的很多链接也是为了方便以后自己回过头来的学习。文章中主要提到了两类，