计算机视觉+人工智能
文章平均质量分 79
sjzcandy
这个作者很懒,什么都没留下…
展开
-
关于隐马尔可夫模型在模式识别中应用的探讨
隐马儿可夫模型的要点如下:1、存在2种类型的状态,内部状态和外部状态:内部状态是一种外部不可见的、但决定外部状态的一群状态;外部状态是直接被人们认识和利用的一群状态,或者说是一种最终的结果。2、内部状态可以相互转移;而外部状态不会相互转移,只和其内部状态有关。因此只要涉及到状态转移,都是指内部状态。3、内部状态的转移存在时间型、阶段性、步骤性:该模型的状态转移是一步一步、一个时间点一个时间点、一个阶段一个阶段进行的,并非连续。很重要的一点就是:每一个时刻只会处于一种内部状态,并且该内部状态只会表现出一转载 2010-08-15 10:24:00 · 385 阅读 · 0 评论 -
关于HMM的2个算法总结
总结(Summary) 我们使用前向算法来计算给定隐马尔科夫模型(HMM)后的一个观察序列的概率。它在计算中利用递归避免对网格所有路径进行穷举计算。 给定这种算法,可以直接用来确定对于已知的一个观察序列,在一些隐马尔科夫模型(HMMs)中哪一个HMM最好的描述了它——先用前向算法评估每一个(HMM),再选取其中概率最高的一个。总结(Summary) 对于一个特定的隐马尔科夫模型,维特比算法被用来寻找生成一个观察序列的最可能的隐藏状态序列。我们利用概率的时间不变性,通过避免计算网格中每一条路径的概率来降转载 2010-08-15 14:53:00 · 332 阅读 · 0 评论 -
分类算法综述资料
<br />比较全的博文地址:http://blog.csdn.net/wwweducn/archive/2006/03/18/628495.aspx原创 2010-08-15 20:28:00 · 476 阅读 · 1 评论 -
判断一个有向图中是否存在一个环(C++代码)
<br />【引用】willshy <br /> 发表于:2007-10-24 15:29:189楼 得分:1 <br />无向图的深度遍历中,访问到已访问过的节点,可以得出 “存在环” 的结论;但在有向图中并不是这样。 <br />我把我的算法详细说下,先建立一个顶点颜色表C[N] <br /> 0 白色,未被访问过的节点标白色 <br /> -1 灰色,已经被访问过一次的节点标灰色 <br /> 1 黑色,当该节点的所有后代都被访问过标黑色 <br />仍然是按图的节点深度遍历,访转载 2010-08-15 19:40:00 · 832 阅读 · 0 评论 -
贝叶斯网络入门资料
<br />3.5 贝叶斯网络<br /> 贝叶斯网络是一系列变量的联合概率分布的图形表示。<br /><br /> 一般包含两个部分,一个就是贝叶斯网络结构图,这是一个有向无环图(DAG),其中图中的每个节点代表相应的变量,节点之间的连接关系代表了贝叶斯网络的条件独立语义。另一部分,就是节点和节点之间的条件概率表(CPT),也就是一系列的概率值。如果一个贝叶斯网络提供了足够的条件概率值,足以计算任何给定的联合概率,我们就称,它是可计算的,即可推理的。<br />3.5.1 贝叶斯网络基础<br /转载 2010-08-18 12:57:00 · 3603 阅读 · 1 评论 -
[转载]计算机视觉牛人(转载)(最早在自动化所论坛上发现的)
[转载]计算机视觉牛人(转载)(最早在自动化所论坛上发现的)paper毕竟是死的, 写paper的人才是活的. 那么我现在研究一下cv圈的格局, 按师承关系, <br />借鉴前人, 我总结a tree stucture of cv guys.<br /><br />David Marr<br />----->Shimon Ullman (Weizmann) <br />----->Eric Grimson (MIT)<br /> ----->Daniel Huttenlocher (Corne转载 2010-09-26 17:25:00 · 735 阅读 · 0 评论 -
矩阵分块相乘的Strassen算法
<br /> <br />【摘自Intel软件网络博客:http://software.intel.com/zh-cn/blogs/2009/12/08/400002843/?cid=sw:prccsdn893】<br />对于矩阵乘法 C = A × B,通常的做法是将矩阵进行分块相乘,如下图所示:<br /><br />从上图可以看出这种分块相乘总共用了8次乘法,当然对于子矩阵相乘(如A0×B0),还可以继续递归使用分块相乘。对于中小矩阵来说,很适合使用这种分块乘法,但是对于大矩阵来说,递归的次数较多,转载 2010-09-28 19:39:00 · 426 阅读 · 0 评论 -
SVM 入门(1-3)【转】
<br />SVM 入门(1-3)【转】 (一)SVM的八股简介<br />支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中[10]。<br />支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度,Accuracy)和学习能力(即无错误地识别任意样本的能转载 2010-10-08 15:17:00 · 204 阅读 · 0 评论 -
libsvm2.9数据格式
所有关于libsvm2.9的前期工作准备好以后,就必须考虑将自己的数据转换为libsvm对应的格式来做分类验证的问题<br /><br />训练与测试数据文件的格式如下所示<br /><label> <index1>:<value1> <index2>:<value2>…<br />.<br />.<br />.<br />每行包含一个实例,并且以字符’/n’结束。对于分类来讲,<label>是整型数据,表示类别(支持多分类)。对于回归来讲,<label>是任意实数(浮点数),表示目标值。one-class转载 2010-10-09 13:58:00 · 251 阅读 · 0 评论