- 博客(5)
- 收藏
- 关注
RSS订阅原创 Reinforcement Learning 强化学习 On Policy Approximation
On-policy 算法的一个小记录总结，强化学习的基础概念理解
2022-11-22 13:44:57
115
1
原创 压缩感知、一阶范数、Lasso
压缩感知什么是可压缩信号：x=Ψs\mathbf{x}=\mathbf{\Psi s}x=Ψs信号x\mathbf{x}x代表原始信号信号（时域空间），Ψ\PsiΨ是转换基，s\mathbf{s}s是k−稀疏k-\text{稀疏}k−稀疏信号,代表有KKK 个非零值。这个式子表明，只要是能够在另一个空间表示的信号基本都可以被压缩，比如在时域中的信号在傅里叶空间中可以表示，所以时域信号就可以压缩。假设有信号y=x(t)+Noisex(t)=sin(at)+cos(bt)\mathbf{y =
2021-05-18 19:48:56
1774
原创 利用相关性进行SVD计算
利用相关性进行SVD计算首先在说SVD之前回忆一波特征值分解：特征值分解特征值分解简单来说就是把矩阵A\mathbf{A}A分解成特征向量矩阵×\times×特征值形成的对角矩阵×\times×特征向量矩阵的逆的形式,即A=VΛV−1(1)\tag{1}\mathbf{A = V\Lambda V^{-1}}A=VΛV−1(1)其中 V\mathbf{V}V 是 A\mathbf{A}A 的特征向量上式还可以写成这样，即原矩阵 ×\times× 特征向量矩阵 = 特征向量矩阵 ×\tim
2021-05-15 11:07:56
560
原创 Random Projection 随机投影法
Random Projection 随机投影法Hercht-Neilseon:简单的说就是当一个随机矩阵维数到达一定程度的时候，其转置和自身正交。J-L引理：在高维空间中的点可以被线性地嵌入到低维空间中，而且这些点在低维空间里两点之间距离会基本保留。可以根据数据集的大小nnn 和可容忍的错误率来设计低维的维数，上述举例为：log(n)/ε2=log1000/0.001=6.9078×1000≃690\log(n)/\varepsilon ^2 = \log{1000}/0.00
2021-05-10 23:26:01
5098
2
原创 卡尔曼滤波介绍
卡尔曼滤波介绍卡尔曼滤波顾名思义是一种滤波方法，可以用于线性滤波和非线性滤波。卡尔曼滤波分为很多类，主要应用于线性滤波的是一般卡尔曼滤波，应用于非线性的有延申卡尔曼滤波（Extended Kalman Filter） 、无损卡尔曼滤波（Unscented Kalman Filter） 、以及粒子滤波器(Particle Kalman Filter)。这篇主要说一说啥是一般卡尔曼滤波。卡尔曼滤波的基本模型基本假设假设现在又线性的离散时间系统：xk=Fk−1xk−1+Gk−1uk−1+wk−1yk=
2021-05-08 11:26:07
3016
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