- 博客(70)
- 资源 (1)
- 收藏
- 关注
RSS订阅转载 VMware-Ubuntu18.04 扩容（亲测有效）
优于安装的资料比较多之前给虚拟机分配50GB的空间不够用，这里扩容一下，网上有很多的方法，我这里亲测如下博客的方法实用，大概只需要10分钟左右即可操作完毕，故转载一下！VMware-Ubuntu18.04 扩容。
2022-12-28 17:50:40
395
1
原创 Eigen基本使用方法整理（持续更新）
将数组array转换成三行两列的矩阵。最近在学习卡尔曼滤波，在矩阵的计算中我使用了C++ 的eigen库，这里将eigen库的基本函数记录下来，以供之后查阅。注意的是在矩阵初始化的时候要正确的给出矩阵的维度然后再输入或者生成随机矩阵。
2022-12-19 00:05:53
1286
原创 C++ 文件的读写操作
我们文件命名的名称为程序运行时候的时间戳，具体命名参照自己的喜好。对象，在往文件中写数据之前首先要打开文件，用标准函数open（），我们如果输入文件名字默认是在当前文件夹下创建文件，我们也可以指定存放的路径，在文件命名前面加上相对应的绝对路径即可。，首先要打开文件，然后读取文件中的内容，读取文件这里主要阐述两种读取方式。读取文件中的数据和往文件中写如数据差不多，我们需要修改的是读取文件中的对象采用的对象是。写入文件我们用流插入运算符（
2022-12-16 15:40:29
667
原创 socket详解（附加C++编程实例讲解）
TCP/IP(Transmission Control Protocol/Internet Protocol)传输控制协议/网间协议，是一个工业标准的协议集，他是为广域网（WANs）设计的。UDP(User Data Protocol)用户数据协议与TCP相对应的协议。TCP/IP协议簇包括应用层、传输层、网络层、链路层（数据链路层、物理层）socke处于的位置为应用层和运输层之间。
2022-12-09 00:00:41
1735
原创 roslaunch运行ros程序时意外奔溃 报错误exit code -11
如果将状态实时发布的话应该用全局变量,使用局部变量的时候有可能在程序启动时报错误.
2022-08-13 11:00:08
3347
2
原创 Morrios灵敏度分析法
前言最近实习，部长给了我一个灵敏度分析算法的工作。灵敏度分析分为局部灵敏度分析和全局灵敏度分析；局部灵敏度分析包括：直接求导法、有限差分法、格林函数法。全局灵敏度分析算法有筛选法、蒙特卡洛方法、基于方差的方法。筛选法主要有IFFD、MOAT、COTTER法等，一般用于分析包含大量输入变量的系统模型、计算量相对较小。蒙塔卡罗方法是一种主要基于统计学理论的方法，包括散点图法、相关系数法、回归分析法等，对于线性单调模型分析具有较强的适用性。基于方差的方法是近年来研究较多且应用最广的一类方法，主要有重要性估计法、
2022-04-25 17:33:06
12724
3
原创 统计学中的自由度
前言昨日在学习响应面误差分析的过程中看到下面一段话：这里对自由度的概念算是熟悉又陌生，查阅文献打算将自由度的概念给搞清楚，为后面的学习打下基础。着里参考的话题源自如下如何理解统计学中的自由度？自由度的概念首先，最严格、最不会产生歧义的定义就是在卡方分布：f(x)=xn2−1e−x22n2Γ(n2)f\left( x \right) =\frac{x^{\frac{n}{2}-1}e^{-\frac{x}{2}}}{2^{\frac{n}{2}}\varGamma \left( \frac{n}{2
2022-04-23 17:48:56
2027
原创 向前逐步回归
向前逐步回归我们在进行拟合的时候，没有必要将所有变量都引入到我们的函数之中，这种操作往往会导致过拟合，而过拟合带来的致命影响就是泛化能力差，最小二乘法估计参数的时候无法终止学习的过程。向前逐步回归的引入则可以控制学习过程中出现的过拟合，它是对最小二乘法的一种优化改进。其基本思想就是由少到多地向模型中引入变量，每次增加一个，直到没有可以引入变量为止，最后通过比较在预留样本上计算出的错误进行模型的选择。参考连接：https://www.csdn.net/tags/NtzaUg3sNTc4NjktYmxvZw
2022-04-21 21:27:37
2948
原创 编写算法时常用到一些python函数（持续整理） (1)
前言今天在编写一个小算法的时候，有很多之前常用的函数都忘记了，还得重新去查简直不要太浪费时间！我将遇到的一些函数进行一下整理，以便自己查找起来方便。（以下为随即整理）import numpy as np提取矩阵的某一行或者某一列a = np.arange(9).reshape(3,3)aarray([[0, 1, 2], [3, 4, 5], [6, 7, 8]])#矩阵的某一行a[1]array([3, 4, 5])#矩阵的某一列a[:,1]
2022-04-21 21:00:22
76
原创 编写算法时常用到一些python函数（持续整理） (1)
前言今天在编写一个小算法的时候，有很多之前常用的函数都忘记了，还得重新去查简直不要太浪费时间！我将遇到的一些函数进行一下整理，以便自己查找起来方便。（以下为随即整理）import numpy as np提取矩阵的某一行或者某一列a = np.arange(9).reshape(3,3)aarray([[0, 1, 2], [3, 4, 5], [6, 7, 8]])#矩阵的某一行a[1]array([3, 4, 5])#矩阵的某一列a[:,1]
2022-04-21 10:12:56
71
原创 实习之回归分析
回归分析的概念回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。例如操作人员不安全操作与安全事故数量之间的关系，最好的研究方法就是回归。回归分析估计了两个或多个变量之间的关系，比如说我们要去估计一家公司营收额的情况，调查显示营收额的增长速度是本地经济增长的3倍。我们使用根据当前和过去的信息来预测未来公司的销售情况。使用回归分析的好处如下：它表明自变量和因变量之间的显著关系；它表明多个自变量对一个
2022-04-19 22:11:24
1956
原创 机器学习之聚类（基本知识点整理）
无监督学习无监督学习是机器学习的一种方法，没有给定事先标记过的训练示例，自动对输入数据进行分类或分群。无监督学习的优点：①算法不受监督信息（偏见）的约束，可能考虑到新的信息。②不需要标签数据，极大程度上扩大数据样本主要应用：聚类分析、关联规则、维度缩减应用最广的是：聚类分析（clustering）聚类分析聚类分析又称为群分析，根据对象的某些属性的相似度，将其自动化分为不同的类别。简要举几个例子：客户划分（商业）、基因聚类（生物）、新闻关联常用的聚类算法KMeans聚类（K均值聚类）KM
2022-04-05 19:30:26
1780
原创 2Ddata_cluster classifier
2D数据类别划分本篇笔记主要完成的任务如下：1.采用Kmeans算法实现2D数据自动聚类，并预测V1=80,V2=60的数据集2.计算预测准确率，完成结果矫正3.利用KNN、Meanshift算法重复步骤1、2数据集链接如下：链接：https://pan.baidu.com/s/1fNyeNARB-46pWcinP3Wciw提取码：1234#和之前一样先导入我们需要的包import numpy as npimport pandas as pdimport matplotlib.pyplo
2022-04-05 16:33:59
2180
9
原创 第九章 类 (1)
前言面向对象的编程是最新有效的软件编写方法之一。在面向对象编程中，你编写表示现实世界中的事物和情景的类，并基于这些类来创建对象。编写类时，我们定义的一个类都有的通用行为。基于类创建对象时，每个对象都具有自动具备这种通用行为，然后可以根据需要赋予每个对象独特的个性。使用面向对象编程课模拟现实情境，9.1创建和使用类9.1.1 创建dog类class Dog: """一次模拟小狗的简单尝试""" def _——init__(self, name, age): "
2022-04-05 14:06:35
337
原创 第六章 字典（3）
6.4嵌套有些时候需要将一系列字典存储在列表中，或者将列表作为值存储在字典中，这样称为嵌套。我们可以在列表中嵌套字典，在字典中嵌套列表甚至可以在字典中嵌套字典。嵌套是一种很强大的功能。6.4.1 字典列表字典alien_0包含了一个外星人的各种信息，但是无法存储第二个外星人的信息，更别说屏幕上全部外星人的信息了。如何管路成群结队地外星人呢？一种办法是创建一个外星人列表，其中每个外星人都都是字典，包含有关该外星人的各种信息，如下：alien_0 = {'color':'green','points':
2022-04-05 09:05:01
301
原创 第六章 字典（2）
遍历字典一个python字典可能包含几个键值对，也可能包含数百万个键值对。鉴于字典可能包含大量数据，python支持对字典进行遍历。字典可用于以各种方式存储信息，因此有多种遍历方式：可遍历字典的所有键值对，也可以仅遍历键或值。遍历所有的键值对user_0 ={'username':'efermi', 'first':'enrico', 'last':'fermi',}利用本章前面介绍的信息，可以访问user_0的任何一项信息，但如果要获悉该用户字典中的所有信息，该怎
2022-04-04 09:30:05
206
原创 逻辑回归之芯片检测实战
逻辑回归之芯片通过预测1.首先基于chip.test.csv数据建立回归模型（二阶边界），评估模型表现。2.以函数的方式求解边界曲线。3.描绘出完整的边界曲线。测试用的数据集链接如下：https://pan.baidu.com/s/147IAv37uWDQysnuGCKNcLA提取码：1234#数据加载和数据可视化,产生新数据#建立模型并训练模型，然后用模型来预测#准确率#边界函数求x1、x2#描绘边界曲线import pandas as pdimport matplotlib.py
2022-04-03 21:36:08
1844
原创 多输入多输出系统的隐式广义预测自校正控制算法
前言老师之前布置了一个大作业为“工业锅炉的广义预测自校正控制”，我查阅了一些资料，一篇硕士论文刚好和我们这个作业的主题不谋而合，下面我将大致介绍一下，几乎都是以图片的方式留存。(实在是没有足够的时间来敲代码！)MIMO系统模型这里我先附上最后例题的代码，我看很多博主都将该程序进行上传进行收fen来下载，这里我将我代码进行开源，留给大家进行免费下载。...
2022-04-03 19:34:24
711
1
原创 机器学习-逻辑回归之考试通过与否预测
逻辑回归预测考试是否通过声明：本篇是对课程学习的记录，如有侵权请联系我删除。目标：基于数据集建立逻辑回归模型，并预测给定两门分数的情况下，预测第三门分数是否能通过；建立二阶边界，提高模型的准确率。# 加载数据import pandas as pdimport numpy as np data = pd.read_csv('examdata.csv')data.head() Exam1 Exam2 Pass
2022-03-31 16:43:37
3309
原创 pandas基本操作记录
import pandas as pd #引入pandas包data = pd.read_csv('data.csv') #读取数据文件print(type(data)) print(data)<class 'pandas.core.frame.DataFrame'> x y0 -10 1001 -9 812 -8 643 -7 494 -6 365 -5 256 -4 167 -3 98
2022-03-28 20:56:01
1615
1
原创 每日刷题-移除元素
问题给你一个数组 nums 和一个值 val，你需要 原地 移除所有数值等于 val 的元素，并返回移除后数组的新长度。不要使用额外的数组空间，你必须仅使用 O(1) 额外空间并 原地 修改输入数组。元素的顺序可以改变。你不需要考虑数组中超出新长度后面的元素。示例 1：输入：nums = [0,1,2,2,3,0,4,2], val = 2输出：5, nums = [0,1,4,0,3]解释：函数应该返回新的长度 5, 并且 nums 中的前五个元素为 0, 1, 3, 0, 4。注意这五个元
2022-03-26 11:19:45
1535
原创 每日刷题之-删除有序数组中的重复项
问题描述给你一个有序数组 nums ，请你 原地 删除重复出现的元素，使每个元素 只出现一次 ，返回删除后数组的新长度。不要使用额外的数组空间，你必须在 原地 修改输入数组 并在使用 O(1) 额外空间的条件下完成。说明:为什么返回数值是整数，但输出的答案是数组呢?请注意，输入数组是以「引用」方式传递的，这意味着在函数里修改输入数组对于调用者是可见的。// nums 是以“引用”方式传递的。也就是说，不对实参做任何拷贝int len = removeDuplicates(nums);// 在
2022-03-25 19:26:41
74
原创 第六章 字典（1）
Python中的字典课存储的信息量几乎不受限制。本章我们理解字典之后就能够准确的为各种真实物体建模。我们可以创建一个表示人的字典，然后想在其中存储多少信息就能储存多少信息：姓名、年龄、地址、职业，以及能描述它的任何方面。6.1 一个简单的字典alien_0 = {'color':'green', 'points':'5'}print(alien_0['color'])print(alien_0['points'])green56.2使用字典在python中，字典是一系列键值对。每个见都
2022-03-24 19:49:47
1182
原创 python中print括号前加f解析
前言今天在学习python字典章节的时后，有一段程序很有意思如下：alien_0={'color':'green'}print(f"The alien is {alien_0['color']}.")The alien is green.在print（）括号前有一个f，这里f代表什么什么意思呢？解释f表达式可以解析任意的数据类型1.解析变量name = 'xiaoxiao'age = 19a = "姓名:{name} 年龄:{age}"print(a)#没有加 fprint(f
2022-03-24 18:55:23
3101
原创 3-6和3-7(nndl)
问题在Softmax回归的风险函数R(W)=−1N∑n=1N∑c=1Cyc(n)logy^c(n)\mathcal{R}\left( \boldsymbol{W} \right) =-\frac{1}{N}\sum_{n=1}^N{\sum_{c=1}^C{y_{c}^{\left( n \right)}\log \hat{y}_{c}^{\left( n \right)}}}R(W)=−N1n=1∑Nc=1∑Cyc(n)logy^c(n)  
2022-03-24 15:10:15
151
转载 机器学习之正则化
前言今天做了一道书上的题目，题目提到了正则化，这里我翻阅了nndl发现对这一部分的讲解甚少，这里我整理一下算是对最基础知识的补充吧。正则化正则化是对过拟合采取的一种解决方法，我们希望训练的模型泛化的能力要强。这里我参考了这个博主所写的东西（链接）对过拟合的处理首先从过拟合的式子出发去解决其中参数的优化问题。过拟合f(x)f(x)f(x)涉及到的特征项一定是很多的，即x0,x1,x2,⋅⋅⋅⋅,xNx_0,x_1,x_2,····,x_Nx0,x1,x2,⋅⋅⋅⋅,xN等等。当N很大的时候，w
2022-03-24 13:56:54
83
原创 第五章 if语句（2）
if 语句5.3.1简单的if语句最简单的if语句只有一个测试和一个操作age = 19if age>=18: print("You are old enough to vote!")You are old enough to vote!5.3.2 if-else语句经常需要在条件测试通过了时执行一个操作，并在没有通过时执行另一个操作，这里采用if-else语句age =17if age>=18: print("You are old enough to v
2022-03-23 19:27:02
392
原创 第五章 if语句(1)
一个简单的示例cars = ['audi', 'bmw', 'subaru', 'toyota']for car in cars: if car == 'bmw': print(car.upper()) else: print(car.title())AudiBMWSubaruToyota条件测试每个if语句的核心都是一个值为True或False的表达式，这种表达式被称为条件测试。Python根据条件测试的值为True还是False来决定是
2022-03-23 19:26:19
454
原创 3-4和3-5(nndl)
问题给定一个多分类的数据集，证明；1）如果数据集中每个类的样本都和除该类样本之外的样本是线性可分的，则该数据集一定是线性可分的；2）如果数据集中每两个类的样本是线性可分的，则该数据集不一定是线性可分的。解析...
2022-03-23 15:30:16
1261
原创 3-1和3-2和3-3(nndl)
问题证明在两类线性分类中，权重向量www与决策平面正交。解析最头大的就是证明题了。 我们来看一下具体二分类的基本知识，从知识入手来寻找解决思路。在二分类问题中，我们需要一个线性判别函数f(x;w)=wTx+bf(x;w)=w^Tx+bf(x;w)=wTx+b特征空间中所有满足f(x;w)=0f(x;w)=0f(x;w)=0的点组成一个分割超平面（Hyperplane）,称为决策边界或决策平面。决策边界将特征空间一分为二，划分成两个区域，每个区域对应一个类别。我们想要证明上述问题只需要证明www与决策平
2022-03-22 15:10:15
717
原创 2-11 和 2-12（nndl）
问题描述分别用一元、二元和三元特征的磁带模型表示文本“我打了张三”和“张三打了我”，并分析不同模型的优缺点。解析在文本情感分类任务中，样本xxx为在自然语言文本，类别y∈[−1、+1]y∈[-1、+1]y∈[−1、+1]分别表示负面或正面评价。为了将样本xxx从文本转换为向量形式，一种简单的方式就是使用词袋（Bag-of-Words, BoW）模型。比如两个文本“我喜欢打球”和"我讨厌打球"中共有“我”、“喜欢”、“讨厌”、“打球”四个词，它们的BoW表示为：x1=[1、1、0、1]Tx_1=[1
2022-03-21 12:41:43
1882
原创 习题2-8和2-9和2-10
问题描述以回归问题为例，假设样本的真实分布为pr(x,y)p_r{(x,y)}pr(x,y),并采用平方损失函数，模型f(x)f(x)f(x)的期望错误为：R(f)=E(x,y) pr(x,y)[(y−f(x))2]\mathcal{R}\left( f \right) =\mathbb{E}_{\left( x,y \right) ~p_r\left( x,y \right)}\left[ \left( y-f\left( x \right) \right) ^2 \right] R(
2022-03-19 19:33:46
1425
原创 编写算法时常用到一些python函数（持续整理）
前言今天在编写一个小算法的时候，有很多之前常用的函数都忘记了，还得重新去查简直不要太浪费时间！我将遇到的一些函数进行一下整理，以便自己查找起来方便。（以下为随即整理）import numpy as np提取矩阵的某一行或者某一列a = np.arange(9).reshape(3,3)aarray([[0, 1, 2], [3, 4, 5], [6, 7, 8]])#矩阵的某一行a[1]array([3, 4, 5])#矩阵的某一列a[:,1]
2022-03-19 10:42:59
731
原创 模式相似测度
前言为了将模式划分为不同的类别，需要定义一种相似测度来度量同一类样本之间的相似性和不同样本之间的差异性。现有的模型相似度大概可以分为三类：距离测度、相似测度和匹配测度。距离相似测度这种测度是基于两个矢量矢端的距离距离作为测度基础，因此距离测度值是两矢量各相应分量之差的函数。1. 欧氏距离对于两个样本x=(x1,x2,⋅⋅⋅,xn)Tx=\left( x_1,x_2,···,x_n \right) ^Tx=(x1,x2,⋅⋅⋅,xn)T,y=(y1,y2,⋅⋅⋅,yn)Ty=\left( y_
2022-03-18 14:49:00
1448
原创 最大似然估计和最大后验估计（整理）
前言机器学习任务可以分为两类：一样是样本的特征向量xxx和标签yyy之间存在未知的函数关系y=h(x)y=h(x)y=h(x)，另一类是条件概率p(y∣x)p(y|x)p(y∣x)服从某个未知分布。最小二乘法的参数估计是属于第一类，直接建模xxx和标签yyy之间的函数关系。此外，线性回归还可以从建模条件概率p(y∣x)p(y|x)p(y∣x)的角度来进行参数估计[1]。我们也许对yyy和xxx之间函数关系有一个很好的了解，对建模的条件概率不是很了解-----至少我是这么感觉的最大似然估计（MLE）这
2022-03-17 16:57:18
1537
原创 第四章 列表操作（2）
使用列表的一部分切片players = ['charies','martina','michael','florence','eli']print(players[0:3])['charies', 'martina', 'michael']该代码打印该列表的一个切片，其中包含三名队员。输出也是一个列表。倘若没有指定第一个索引，Python将自动从列表开头开始。print(players[:3])['charies', 'martina', 'michael']print(player
2022-03-16 20:53:37
921
原创 习题2-4和习题2-5（nndl）
2-4问题描述在线性回归中，验证岭回归的解为结构风险最小化准则下的最小二乘法估计。解析目标函数如下式所示：R(w)=12∣∣y−xTw∣∣2+12λ∣∣w∣∣2R\left( w \right) =\frac{1}{2}||y-x^Tw||^2+\frac{1}{2}\lambda ||w||^2R(w)=21∣∣y−xTw∣∣2+21λ∣∣w∣∣2我们对www求导，然后令其为零解出www后和w∗w^*w∗进行对比验证。∂R(w)∂w=−X(y−XTw)+λw=0\frac{\part
2022-03-16 19:08:56
482
多输入多输出系统的隐式广义预测自校正控制算法
2022-04-03
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人