weixin_46257458的博客

梳理了vision transformer中的encoder部分

PCA co SVMIdea：由于本学期课程设置有计算机视觉与机器学习，故试图将两者结合，通过机器学习的一般算法而非深度学习的方式，给出自己设计的简单的图像分类问题的解决方案，即预先通过PCA(主成分分析)将图像进行“降维”，提取有效的特征，利用SVMs(多分类支持向量机)进行模型的参数学习。一般地，常用的机器学习算法对于数据处理和分析具有很强的优势和很好的可解释性，但对于图像识别问题则并不如有着“暴力美学”的神经网络学习，导致这一结果的原因是直观的，机器学习模型往往模型参数更小，对于图像这种大宗的数

一 算法思想对于样本数据集所含变量都是可观测的，我们一般应用极大似然估计法或者贝叶斯估计法估计模型参数。但若样本数据集中存在不可观测的变量（隐变量），那么单纯的极大似然估计法是不可用的；EM算法（expectation maximization algorithm）分为E步和M步，其中E-step主要通过观察数据和现有模型来估计参数，然后用这个估计的参数值来计算似然函数的期望值；而 M-Step 是寻找似然函数最大化时对应的参数。由于算法会保证在每次迭代之后似然函数都会增加，所以函数最终会收敛。二 适用

先占个坑。。。。。。代码以及说明后补效果图如下

基于图像相位相关性进行相邻图像检测学习笔记《 Auto-sorting scheme for image ordering applications in image mosaicing》作者:R. Song and J. Szymanski算法思想及特点：·两张图像相位相关性越高，输出的信号越逼近一个冲激信号，从峰值判断是否相邻·其稳定性和可靠性不如基于特征的方法强健，但更快速·该方法可以判断两幅图像是否重叠，以及重叠程度的大小一 推导：对于刚性的图像拼接任务，该方法假设两张图象I1,I

写在开头：·关于香农三大定理，以个人学习情况和个人理解以学习总结的形式给出。香农三大贡献（定理）一 香农第一定理（可变长无失真信源编码定理）本课程第一节课，老师给出了信息量的度量方式。信息量的度量应该与消息的种类，重要程度无关，与种类无关是比较容易接受的，如果信息量与消息的重要程度失去关联这是开始让人难以接受的，但是重要程度这一概念是掺杂有很大的主观因素的。香农跳脱开了信息重要性的束缚，转而投靠了“概率”这一概念，一般地我们认为，越小概率发生的时间包含有更多的信息，而越确定发生的事件对我们来说越是

写在之前提交内容分为两大部分：一为Adaboost算法实现，代码在文件夹《算法实现》中，《提升方法笔记》为个人学习笔记。二为基于Adaboost模型实现鸢尾花数据集分类，代码在《AdaBoost_iris》中。注释：·弱分类器只是简单的阈值判断的方法，由于鸢尾花数据集线性可分，故分类准确率非常高·为了便于理解，代码实现了基于两个特征的分类，并做了可视化·作业中要求基本都已实现，运行结果在《基于Adaboost的鸢尾花分类》中·为了便于调试，需要按节运行。·函数注释写的已经非常清晰，可以运行

问题描述：在进行感知机，以及逻辑斯蒂回归问题的讨论中，我们都以二分类问题为例。其中对于线性不可分的数据集，感知机和逻辑斯蒂回归已然失效，逻辑斯蒂回归对感知机进行的优化，是进行了一种思维上的“偷懒”，不再武断地判断预测数据属于哪个类，而是“圆滑”地告诉我们该数据属于哪一个的概率多大，通过对极大似然函数的参数估计，实现了模型的学习；通过极大似然估计，实现了数据类别的预测。但是这种优化并没有对线性不可分数据集提出解决方法，支持向量机，运用了几何间隔最大化（硬间隔或软间隔）和核技巧，将问题通过拉格朗日对偶转化，“

说明我将试图从感知机的基础上说明逻辑回归的一般性原理和学习及预测方法，其中缺少一些必要的证明，包括了一个二分类问题的实例。其中关于感知机的实验在 机器学习 专栏中有介绍。从感知机到逻辑斯蒂回归感知机模型：·应用范围：二分类问题，线性分类模型，属于判别模型·输入输出：In: n维的特征空间XOut: y={+1,-1}，即类别的label·关系:f(x) = sign(w·x + b)其中：·sign(x)为符号函数·w·x + b = 0：对应n维特征空间中的一个超平面,w对应法向

关于模拟调制系统仿真：1 调制原理：为了让实际信号便于在有限带宽的信道中传输，我们需要对信号进行调制和解调。由傅里叶变换可知，若想实现对频谱的搬移，我们可以将原始时域信号与一余弦信号进行运算，此为调制的原理。由于余弦信号包含三个分量，即幅度A0，频率wc，以及相位φ，因此可以利用实际信号对这三种分量做文章，因此也就有了幅度调制(AM,DSB,SSB)，频率调制(FM)，相位调制(PM)三种不同的调制方式。2 幅度调制：以AM（常规双边带调制）调制方式为例，说明幅度调制的一般性原理。设：Sm(t)

idea关于系统我们将一个空旷的房间类比于一个系统，如果我们在房间内放置一个声源，声音信号经过墙壁，天花板，地面，放置的种种物品的反射，最终会被我们人耳或者声音采集设备收集。这个系统显然对声音具有一定的处理作用，并且这些放置物品以及房间本身结构以及材料的独特性，决定了代表其特征的传递函数。关于传递函数在自动控制原理中我们获悉，一个系统的传递函数可以通过实验的方法获得，一个系统的冲激响应即为其传递函数。 Y(s) = G(s)·L[δ(t)]完美的冲激信号我们无法轻易获得，事

多径传播matlab仿真writer： M宝可梦输入信号 s(t) = Acos(wc*t)经过多条路径时变的衰落和时延得到接收信号接收信号：r(t) = Σ ai(t)cos{wc[t - Ti(t)]}% 根据模拟通道数为100，所以求和次数为100次 = Σ ai(t)*cos[wc*t + PHi(t)] % phase 相位; PHi(t) = -wc * Ti(t) % 仿真起始点 = Σ ai(t)*cos[PHi(t)]

安装与配置下载robtics 工具箱 从官网https://petercorke.com/toolboxes/robotics-toolbox如果不方便建议从资源下载，内部附带函数使用方法“百度云资源”安装时将路径设置为工具箱下执行指令startup_rvc输入指令ver由于资料比较全，所以我安装的版本是9.10...

手撕超调量 与 阻尼系数的关系二阶传感器的单位阶跃响应函数为：为方便理解 给出其图象如下：将y(t)对t求导：由于在指数项中，指数带负号，随k值增大，波峰是渐小的，所以最大值应当出现在第一次波峰处，这个分析结果与图象是相符的。所以第一次出现最大值。超调量即用第一次极大值减去稳定值：由此 能得出 超调量和阻尼系数的关系以及通过t 取最大值时的取值可以得到tp与固定频率的关系，此处不再进行展开其中sin(arctanx)的推导如下：...

前言近期跟随课程进度，学习简单地深度学习部分算法，我将以笔记和感悟的形式记录这一段学习过程，有不当之处欢迎各位批评指正。简介形象感知接触过了一点学习算法之后，大致上可以分为两类。一类是依赖概率模型，一类依赖判别模型，本次学习的感知机属于非常简单的判别模型。它可以用于线性关系的二分类问题，比如我们制作一个分类器，该分类器用于将人的身材进行简单分类，最终分类的类型只有胖或者瘦两种结果。该分类器依赖于两个参数进行分类，身高和体重。那么在一定粗略的程度上，我们大致认为，越高越轻则人越瘦。那么我们可以用这样一

前言应学校暑期课程要求，也作为和小组成员完成一次对51单片机的练手，制作了简易的光电小车，完成了循迹功能，下面包括较为详细的小车搭建过程以及完整代码。硬件部分准备电源可充电的电池组是智能车的唯一动力来源。一般要求额定电压在7.2—9.6V 之间。可充电电池按化学组成分类,有铅酸、镍镉、镍氢、锂离子、锂聚合物等不同类型，其主要指标为电压、容量等。然而在选择可充电电池时，除考虑电压和容量，还应根据应用着重考虑电池的放电能力。电池放电能力习惯上以 C 为单位进行评价，C 即电池容量。智能车竞速