![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
HIT_bs
ttxzszxy
这个作者很懒,什么都没留下…
展开
-
matlab 【/(右除)】【\(左除)】
http://blog.csdn.net/clam_clam/article/details/7184991--------------------------------------------------------------------------------运算符 名称转载 2016-11-03 16:00:40 · 711 阅读 · 0 评论 -
样本不均衡
1. 设置不同的惩罚参数 【著名例子:生病 健康问题】2. smote方法 增加少数类样本的数量【程序:smote算法的程序;与SVM相结合的程序】; 现数据集分层抽样; AdaCost非均衡数据集分类————————A:样本中的1的准确预测比0更重要(或相反) => 数据不对称定义的一个关键点 代价敏感学习(可行). 评价结果用ROC曲线原创 2016-05-23 16:25:37 · 1380 阅读 · 0 评论 -
参考文献
一个硕士研究生毕业,至少你的研究方向你是了如指掌的。中文综述类文献,引用影响因子较高的,层次较高的。计算机学报(CJC)、软件学报(JS)、计算机研究与发展(JCRD)、JCST(Journal of Computer Science and Technology)(中文名:计算机科学技术学报)原创 2016-12-02 19:43:27 · 1087 阅读 · 0 评论 -
融合指标(图像)
2016B-像素级多源图像融合方法研究(中科大B)-P.83基于信息论的指标看下(信息熵)原创 2016-12-08 11:11:48 · 965 阅读 · 0 评论 -
评价特征 分类
检测精度信息传输率(ITR)-Ref:张宇-华东理工-基于视觉诱发电位的脑_机接口分析算法优化及实时控制系统构建 2-11 6-1->参考文献: ANOVA 统计分析P.98 使用MATLAB 代码 anova1(1234的1)https://www.zhihu.com/question/22935472 http://wenku原创 2016-12-08 22:03:58 · 537 阅读 · 0 评论 -
DS
工具包:杜伊斯堡-艾森http://www.scg.inf.uni-due.de/forschung/software/dsi-toolbox/contactregistration.php?tx_powermail_pi1%5BmailID%5D=636&tx_powermail_pi1%5BsendNow%5D=1&cHash=3a9a46401fbd809d855ad67d2b91bb8原创 2016-11-27 22:15:04 · 532 阅读 · 0 评论 -
多重集CCA
张喻Page:http://yuzhangresearch.weebly.com/research.html(论文)http://xueshu.baidu.com/s?wd=paperuri%3A%280e1d9deb6f97ce64f038ce0010ee863b%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=h原创 2016-11-27 22:59:38 · 751 阅读 · 0 评论 -
PCA降维
http://blog.csdn.net/xl890727/article/details/16898315matlab 中PCA降维原理 代码解释 很详细!转载 2017-03-02 20:26:21 · 249 阅读 · 0 评论 -
毕设&答辩
一个硕士研究生毕业,对这个领域一定要有所了解。硕士研究的基本方法:把问题捏出来,找别人的方法,弄懂,再对比创新是有条件的,好的performance后,才能叫创新。对比试验一定要用同样的训练数据。你的贡献,算法的原理(特点)而不是整个过程,工作量比较大, 一定要反映出到底是多少,工作量的难点在哪里,怎么解决的(每一个步骤都要有个合理的解释)创新是有条件的原创 2016-12-04 19:34:19 · 2549 阅读 · 0 评论 -
样本归一化
train_data和test_data同时,先归一化 再降维归一化针对相同维度进行,注意样本不均衡问题原创 2016-05-22 15:44:52 · 4188 阅读 · 0 评论 -
范数 norm
范数定义:通俗的理解:【Ref:https://www.zhihu.com/question/20473040?utm_campaign=rss&utm_medium=rss&utm_source=rss&utm_content=title】如果X是vector:【比方X是个行向量】norm(X):则表示vector的2-范数,sqrt(每一原创 2016-10-20 22:10:09 · 595 阅读 · 0 评论 -
特征理解-基于变换
Fourior变换->STFT变换->Gabor变换->wavelet变换(三者都是时频分析)为解决傅里叶变换的局限性(信号在整个时域内的积分,反应信号频率的统计特性; 对信号的齐性不敏感,傅里叶变换时域和频域是完全分割开来的)而产生。STFT是在Fourior变换基础上,为克服非“整个时域内的积分”而引入窗口函数而提出的。Gabor是最优的STFT变换【Ref2】。有局部性,但有一些原创 2016-10-24 21:10:55 · 638 阅读 · 0 评论 -
类内距离&类间距离
特征选择,就是降维。特征选择之前需要进行类别可分性测度,最为直观的是基于距离的可分性测度:类内距离&类间距离类内距离【Ref1】:类内距离 平方形式 即为:类协方差矩阵迹的2倍。2*trace(cov(X1)); 散布矩阵matlab代码:function [ Sw,Sb,St ] = scatter_mat ( X,y )%Function原创 2016-10-25 17:15:21 · 34247 阅读 · 5 评论 -
bsxfun() matlab
bsxfun()函数 很好用:applies an element-by-element binary operation to arrays a and b, with singleton expansion enabled例子:%% 一行为一个样本,一列为一个维度,求向量 “零均值”A=[1 2 10;1 4 20;1 6 15];C=bsxfun(@minus,A,原创 2016-11-06 20:36:34 · 692 阅读 · 0 评论 -
用于训练的模型
train_data与test_data都是行向量,如下图所示摆放。用于训练的模型,必须不能包括测试集,一开始时候,测试集和训练集选出来以后,就不能再混起来了!!对训练样本进行PCA(无监督)/LDA(有监督)的相关降维,会得到降维对应的变换矩阵。比方这个上面图示,就会产生一个用100个训练样本X,而产生的关于m*m维度的变换矩阵Wx。利用这个变换矩阵Wx再去乘以相应的训练集或原创 2016-11-08 23:23:55 · 416 阅读 · 0 评论 -
白化
% Whiten transformationV=zeros(nchannel,nchannel);for n=1:N_trial Xwhit=X(:,:,n); npot=size(Xwhit,2); Xwhit=Xwhit-repmat(mean(Xwhit,2),1,npot); C=Xwhit*Xwhit'/npot; [vec,val]=eig原创 2016-11-10 15:07:06 · 504 阅读 · 0 评论 -
CCA 协方差&相关性分析
典型相关性分析(CCA)基本概念Ref: http://www.cnblogs.com/jerrylead/archive/2011/06/20/2085491.html原创 2016-10-20 09:24:36 · 807 阅读 · 0 评论 -
关于pca降维_princomp
%降维[coeff,score,latent,t2]=princomp(F21); % http://www.ilovematlab.cn/thread-54600-1-1.html%coeff:主成分系数(原始数据线性组合生成主成分数据中每一维数据前面的系数) coeff(:,1:3);表示提取前三位降维数据%score:主成分得分,即原始数据在新生成的主成分空间里的坐标值.原创 2016-08-25 13:40:33 · 1377 阅读 · 0 评论 -
Machine Learning总结性网站
链接:http://www.cnblogs.com/jerrylead/tag/Machine%20Learning/default.html?page=2偏最小二乘法回归(Partial Least Squares Regression) JerryLead 2011-08-21 21:32 阅读:31995 评论:5 典型关联分析(Canonical转载 2016-07-03 21:42:15 · 350 阅读 · 0 评论 -
论文格式
公式居中 编号居右http://jingyan.baidu.com/article/f96699bbacddcb894e3c1b8c.html原创 2017-05-27 18:47:33 · 283 阅读 · 0 评论