- 博客(13)
- 收藏
- 关注
RSS订阅原创 手写机器学习算法系列——DBSCAN聚类算法(基于密度)(三)
DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的空间聚类应用算法。它的主要思想是将一个大的数据集划分为高密度和低密度的区域，然后在高密度区域中查找具有相似属性的数据点，形成聚类。
2024-06-06 18:32:23
260
原创 手写机器学习算法系列——层次聚类算法(二)
层次聚类算法是一种通过计算不同样本之间的相似度，然后根据相似度进行聚类的算法。它的核心思想可以分为两类：凝聚型和分裂型。其和分割型聚类算法区别如下所示：凝聚型聚类（Agglomerative Clustering）：这种方法开始时，每个对象单独成为一类，然后在算法运行的过程中，逐渐把相似度高的类聚集在一起，直到满足停止条件（如类的个数达到用户的预设值）。
2024-06-05 23:27:07
594
原创 手写机器学习算法系列——K-Means聚类算法(一)
在数据科学和机器学习领域，聚类(Clustering)算法是一种无监督学习方法，它将相似的对象分到同一个组，而不同的对象则被分到不同的组。这种算法的主要目标是根据数据的特征进行分组，以此找出数据的内在结构。聚类算法的一个核心特点就是它并不需要预先知道数据的类别，而是通过算法自动进行分组。在实际应用中，我们常见的聚类算法有K-meansDBSCAN谱聚类、**AGNES(层次聚类)**等。每种算法都有其适用的场景，选择哪种算法主要取决于我们对数据的理解和目标。
2024-06-04 22:11:29
602
原创 手写支持向量机(SVM)实例之——鸢尾花卉数据集分割
鸢尾花（iris）是单子叶百合目花卉，是一种比较常见的花，可能不经意间你就能在某个公园里碰见它，而且鸢尾花的品种较多。该数据集是机器学习领域相当经典的一个小数据集，仅有150行，5列。该数据集的四个特征属性的取值都是数值型的，他们具有相同的量纲，不需要你做任何标准化的处理，第五列为通过前面四列所确定的鸢尾花所属的类别名称。
2024-06-01 15:33:20
239
原创 手写支持向量机(SVM)(一)——介绍与原理推导
在机器学习领域，支持向量机（SVM）是一种强大且广泛使用的算法，它的核心思想是找到一个最优的超平面，使得两类样本在该超平面两侧的间距最大化。这种方法也被称为最大间隔分类器，其目标是找到一个决策边界，使得正负样本之间的间隔最大。SVM的主要优点在于其优秀的泛化能力。它可以有效地处理高维数据，并且在处理非线性问题时，通过引入核函数，SVM也能得到很好的分类效果。此外，SVM算法对于决策边界附近的样本点非常敏感，这使得SVM在处理噪声数据时具有较好的稳定性和鲁棒性。然而，SVM也存在一些缺点。
2024-05-30 12:11:42
1754
原创 你ROS2的第一个Hello world项目
本文是ROS2的第一个Hello world程序。首先本文提供了两个激励实例，然后介绍了这么几个概念：节点(node)、主题(topic)、服务(services)、动作(action)。最后介绍了如何使用colcon来创建、编译、执行自己的包。
2024-05-27 11:45:55
781
原创 手写线性回归算法(LR)
手写系列是本人学习的相关记录，主打一个自己实现核心代码和手写推导过程，不会调用任何现成包。会分享出来所有代码。水平有限，欢迎大家批评指导。
2024-05-23 22:54:13
810
1
翻译 ubuntu22.04安装ROS2 Iron Irwini
本文提供了Ubuntu22.04安装ROS2 Iron Irwini的主要步骤。最后给出了测试安装成功的流程。
2024-05-23 18:39:27
42
1
原创 手写逻辑回归算法(Logistic Regression)
逻辑回归算法(Logistic Regression)属于判别式机器学习算法的一种，十分经典。常用来解决二分类问题。简单来说，逻辑回归就是使用sigmoid函数来建立输入特征与输出标签之间的关系。其中，我们假定输入特征xx1x2Txi∈R，输出标签y∈01（二分类问题）。画个图解释就是下面这样：横坐标代表特征x1，纵坐标代表特征x2，每一个小点就是一个样本点，蓝色代表标签值y1，橘黄色代表标签值y0。现在我们的任务是生成一个决策线θT。
2024-05-12 18:41:45
1865
1
翻译 基于深度学习的单帧相位展开论文(2)
在许多光学计量技术中，条纹图案分析是从采集的条纹图案中恢复底层相位分布的核心算法。尽管数十年来进行了广泛的研究工作，如何从少数的条纹图案以尽可能高的精度提取所需的相位信息是具有挑战性的问题之一。受计算机视觉和其他应用深度学习技术最近成功的启发，我们首次证明深度神经网络可以被训练用来分析条纹，这大大提高了相位解调的准确性。在条纹投影轮廓测量场景下，利用载体条纹图案对所提方法的有效性进行了实验验证。实验结果表明，其在高精度和边缘保留方面优于两种代表性单帧技术：傅里叶变换轮廓测量法和窗口傅里叶轮廓测量法。
2023-10-05 14:26:33
205
2
翻译 基于深度学习的单帧相位展开论文(1)
条纹轮廓测量技术(FPP)在智能制造、缺陷检测和其他的一些领域起到了越来越普遍的应用。在FPP中，如何高效的恢复绝对香味一直是一个巨大的挑战。基于几何约束的立体相位展开(Stereo Phase Unwrapping, SPU)技术可以在不投影任何额外模式的情况下消除相位模糊，从而最大限度的提高绝对相位的检索效率。受到最近深度学习在相位分析方面取得的成功的启发，我们证明深度学习可以成为一种有效的工具，将相位检索、几何约束和相位展开有机地统一到一个综合框架中。
2023-10-04 10:38:02
262
2
原创 pytorch中的F.grid_sample使用方法及应用代码(align_corners参数详细解释)
本文介绍了pytorch中F.grid_sample()映射函数的使用方法，并且提供了align_corners参数的详细解释。最后提供了相应的映射代码。
2023-08-16 17:10:39
4771
3
原创 空间变换网络(STN)Sampler的实现及坐标可微性分析
如果网络能够对经过平移、旋转、缩放及裁剪等操作的图片得到与未经变换前相同的检测结果，我们就说这个网络具有空间变换不变性（将平移、旋转、缩放及裁剪不变性统称为空间不变性）。传统的CNN网络对于大尺度的空间变换并不具有不变性。STN提出的空间网络变换层，具有平移不变性、旋转不变性及缩放不变性等强大的性能。这个网络可以加在现有的卷积网络中，提高分类的准确性。
2023-08-05 17:00:40
301
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人