sinat_31407371的博客

一、执行一般的二维空间需要三步：1. 定义空间变换的参数；2. 创建变换结构体TFORM，它定义了你所要执行变换的类型；TFORM结构体包含了执行变换需要的所有参数。你可以定义很多类型的空间变换，包括放射变换affinetransformations（如平移translation，缩放scaling，旋转rotation，剪切shearing）、投影变换projectivetransf

1.lasso族算法说明 在建立模型之初，为了尽量减小因缺少重要自变量而出现的模型偏差，通常会选择尽可能多的自变量。然而，建模过程需要寻找对因变量最具有强解释力的自变量集合，也就是通过自变量选择(指标选择、字段选择)来提高模型的解释性和预测精度。指标选择在统计建模过程中是极其重要的问题。Lasso算法则是一种能够实现指标集合精简的估计方法。 Lasso(Least absolut

a=[1 1 1 1 1];b=[1 2 3 4 5];% if length(unique(a))==1% disp(a);% else% disp(b);% endif all (~(diff(a))) %判断a中元素是否全部相等 若相等，则输出1，若不相等，则输出0disp(a);elsedisp(b);end

欢迎使用Markdown编辑器写博客本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦：Markdown和扩展Markdown简洁的语法代码块高亮图片链接和图片上传LaTex数学公式UML序列图和流程图离线写博客导入导出Markdown文件丰富的快捷键快捷键加粗 Ctrl + B 斜体 Ctrl + I 引用 Ctrl

GIMP 提供了多种选择工具，都可以用于从一整幅图像中抠取出一部分图像。当要抠取的部分与其他部分反差很大，可以考虑使用前景选择工具进行抠图。1. 打开待抠图的图像。2. 使用前景选择工具。      在左侧的工具栏里，点选前景选择工具。从工具选项中可以看到，有连续选项，选定该选项，则只选择连在一起的前景；如果图中有和被选定的前景相同的、但是不连续的范围，则不作选择；否则，即使不连在一起

1.2 添加方式总结：事实上，有两种添加工具箱到matlab搜索路径的方法：其一是用代码，其二是用界面。其实无论用哪种方法，都是修改pathdef.m这个文件，阁下如果是高手，可以直接打开该文件修改，呵呵，对此这里不作讨论。1.2.1 代码方式：1.2.1.1 适用于添加下载的工具箱（别人的）：在命令窗口输入addpath D:\MATLAB6p5\toolbox\svm 或者ad

PHOG是Pyramid HOG(pyramid histogram of oriented gradient)的简称，是在图像尺寸固定的情况下，计算不同尺度下的特征（这一点有点绕，是指要计算HOG特征的区块的划分尺度在变化），将这些特征进行拼接得到PHOG特征，可用作图像分类具体可参考：http://www.cnblogs.com/zjutzz/p/5668107.html

随机森林大致过程如下：1） 从样本集中有放回随机采样选取n个样本；2） 从所有特征中随机选择k个特征，对选出的样本利用这些特征建立决策树（一般是CART，也可是别的或者混合）；3） 重复以上步骤m次，即生成m课决策树，形成随机森林；4）对于新数据，经过每棵树决策，最后投票确认分到哪一类。随机森林特点：随机森林有很多优点：1）每棵树都选择部分样本及部分特征，一定程

一、随机森林原理解释及其参数说明           首先，从给定的训练集通过多次随机的可重复的采样得到多个bootstrap数据集。接着，对每个bootstrap数据集构造一颗决策树，构造是通过迭代的将数据点分到左右两个子集中实现的，这个分割过程是一个搜索分割函数的参数空间以寻求最大信息增量意义下最佳参数的过程。然后，在每个叶节点处通过统计训练集中达到此叶节点的分类标签的直方图经验的估计此叶

假设我们有一堆输入I（如一堆图像或者文本），假设我们设计了一个系统S（有n层），我们通过调整系统中参数，使得它的输出仍然是输入I，那么我们就可以自动地获取得到输入I的一系列层次特征，即S1，…, Sn。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。（多层的好处是可以用较少的参数表示复杂的函数）

机器学习是一门专门研究计算机怎样模拟或实现人类的学习行为，以获得新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的学科。目前我们通过机器学习去解决这些问题的思路是这样的（以视觉感知为例）：中间的三部分，概括起来就是特征表达。良好的特征表达，对最终算法的准确性起了非常关键的作用，而且系统主要的计算和测试都耗在这一部分。但，这块实际中一般都是人工完成的。靠人工提取特征。

对于稀疏自编码的学习，有以下网址可以参考：主要参考资料是Stanford 教授 Andrew Ng 的 Deep Learning 教程讲义：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial。这个讲义已经有人翻译了（赞一个），可以参见邓侃的新浪博客http://blog.sina.com.cn/s/blog_46d0a

最近一直在实现一篇注释轨迹的文章，里面要用到kmeans聚类方法，先在网上随便找了一个kmeans程序进行聚类，结果发现时间太长，最后问了作者，作者采用的是vlfeat的系列程序，里面的kmens++程序速度较一般的来说比较快，网址如下：  http://www.vlfeat.org/index.html      实验中发现，如果聚类的特征都是从一个图片上得来，或者说都是一类相像的图片，

Dijkstra算法1.定义概览Dijkstra(迪杰斯特拉)算法是典型的单源最短路径算法，用于计算一个节点到其他所有节点的最短路径。主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。Dijkstra算法是很有代表性的最短路径算法，在很多专业课程中都作为基本内容有详细的介绍，如数据结构，图论，运筹学等等。注意该算法要求图中不存在负权边。问题描述：在无向图 G=(V,E) 中，假

有锁，普通用户就不能操作该文件夹。解决办法：sudo chmod -R 777 路径(文件夹或文件)以上也是改权限的办法复制：sudo cp -R 文件所在位置     目标位置cmake 安装：1. ./bootstrap2. make 3 make install我在初次使用Ubantu系统的时候首先遇到的就是目录的权限问题，改权限就是要按照我上面讲

which funcitonName -allwhich functionName -allwhich builtlin -allwhich strjoin -allwhich strsplit -all寻找以上函数名是否有重复的