飞龙马的专栏

极限的概念应该是初等数学（定值）和高等数学（无限值）的分水岭。高中以前学的数都是定值，但到大学就开始接触无限的概念，让很多同学晕了不少。只所以引入极限，原因是遇到了无法用定值的方法解决的问题，问题永远是科学进步的催化剂。比如在直角坐标系中，任一不规则曲线与X轴所围区域的面积，用原来的任何一个公式都是不能计算出来的。这时就要用到极限的思想，具体方法大家都是知道的，教课书上都有。我国古代就有极限的

上面的公式是标准正态公布的密度函数，但为什么公式要这样写？下面是相关原因：也就是说，公式这样写可以保证积分为1，那么为什么用e指数函数？下面是e指数函数图像：e指数函数图像特征：过点(0,1),过第二、第一象限。定义域是R,值域是f(x)>0在定义域内f(x)是随着x的增大而增大。当x -> -∞ 时f(x)=0当x -> +∞ 时f(x)=+∞

特征向量确实有很明确的几何意义，矩阵(既然讨论特征向量的问题，当然是方阵，这里不讨论广义特征向量的概念，就是一般的特征向量)乘以一个向量的结果仍 是同维数的一个向量，因此，矩阵乘法对应了一个变换，把一个向量变成同维数的另一个向量，那么变换的效果是什么呢？这当然与方阵的构造有密切关系，比如可 以取适当的二维方阵，使得这个变换的效果就是将平面上的二维向量逆时针旋转30度，这时我们可以问一个问题，有没有

学过矩阵理论或者线性代数的肯定知道正交矩阵（orthogonal matrix）是一个非常好的矩阵，为什么这么说？原因有一下几点：正交矩阵每一列都是单位矩阵，并且两两正交。最简单的正交矩阵就是单位阵。正交矩阵的逆（inverse）等于正交矩阵的转置（transpose）。同时可以推论出正交矩阵的行列式的值肯定为正负1的。正交矩阵满足很多矩阵性质，比如可以相似于对角矩阵等等。　　以上

说实话，知道这些没有任何用处。难不难也看个人的喜欢和思维习惯，有的人学代数就是很难但学分析会觉得简单，有的人又正好相反。简单地说一下；数学中有“三低三高”之说，也就是指分析、代数和几何三个分支，其中三低是指大学的基础课程，分析主要指数学分析（包括实数理论、微积分理论、级数理论、微分方程等），代数主要指高等代数（包括多项式理论、矩阵理论、向量空间、线性空间等），几何主要指空间解析几何（包括投影几何、

我保证这篇文章和你以前看过的所有文章都不同，这是12年还在果壳的时候写的，但是当时没有来得及写完就出国了……于是拖了两年，嗯，我是拖延症患者……这篇文章的核心思想就是：要让读者在不看任何数学公式的情况下理解傅里叶分析。傅里叶分析不仅仅是一个数学工具，更是一种可以彻底颠覆一个人以前世界观的思维模式。但不幸的是，傅里叶分析的公式看起来太复杂了，所以很多大一新生上来就懵圈并从此对

上一篇文章发出来之后，为了掐死我，大家真是很下工夫啊，有拿给姐姐看的，有拿给妹妹看的，还有拿给女朋友看的，就是为了听到一句“完全看不懂啊”。幸亏我留了个心眼，不然就真的像标题配图那样了。我的文章题目是，如果看了这篇文章你“还”不懂就过来掐死我，潜台词就是在你学了，但是没学明白的情况下看了还是不懂，才过来掐死我。另外，想跟很多人抱歉，因为评论太多了，时间有限，不能给每个人回复，还望大家谅解。但是

感谢香港理工大学的Kaihua Zhang，这是他即将在ECCV 2012上出现的paper：Real-time Compressive Tracking。 这里是他的介绍：一种简单高效地基于压缩感知的跟踪算法。首先利用符合压缩感知RIP条件的随机感知矩对多尺度图像特征进行降维，然后在降维后的特征上采用简单的朴素贝叶斯分类器进行分类。该跟踪算法非常简单，但是实验结果很鲁棒，速度大概

线性代数课程，无论你从行列式入手还是直接从矩阵入手，从一开始就充斥着莫名其妙。比如说，在全国一般工科院系教学中应用最广泛的同济线性代数教材（现在到了第四版），一上来就介绍逆序数这个“前无古人，后无来者”的古怪概念，然后用逆序数给出行列式的一个极不直观的定义，接着是一些简直犯傻的行列式性质和习题——把这行乘一个系数加到另一行上，再把那一列减过来，折腾得那叫一个热闹，可就是压根看不出这个东西有嘛用。大

平时的工作就是提特征进行模式识别，在看到PCA时，有点不明白，就是求特征空间的方法没有看明白，后来查相关资料才弄明白，原来特征就是样本，这样模式识别就与概率统计学连接起来了。提取特征时，一般会把一个特征reshape为向量，然后并列排在一起放在矩阵中，这时候，每列是一个样本，而每行就是一维，行数就是维数，同时也是一个随机向量，求PCA找特征空间，每一步就是随机变量的相关矩阵。当然也可把特征resh

z=[1,5;3,4;4,6;5,3];%%%matlab函数结果% b=cov(z)% %     2.9167   -0.8333%    -0.8333    1.6667%%z_mean=mean(z);result = zeros(2,2);for i = 1:2    for j=1:2        result(i,j)=(z(:,i

协方差的定义 对于一般的分布，直接代入E(X)之类的就可以计算出来了，但真给你一个具体数值的分布，要计算协方差矩阵，根据这个公式来计算，还真不容易反应过来。网上值得参考的资料也不多，这里用一个例子说明协方差矩阵是怎么计算出来的吧。记住，X、Y是一个列向量，它表示了每种情况下每个样本可能出现的数。比如给定则X表示x轴可能出现的数，Y表示y轴可能出现的。注意这里是关键，给定了4

比如：5X6，实际上对5进行了f=6x的变换，实际意义可能是长度上延长6倍，速度上加快6倍等。再明显一些的，y=aCOSx，如果是在直角中，是把斜边转换为临边，x表示转过的角度。在图像的几何变换中，正是利用这样的变换实现了图像的移位。变换可以使某些问题简单化，比如最简单的log()对数运算，实际是把乘方运算变换到另一种简单的形式，然后再变回去，傅立叶变换，小波变换复杂些，在图像处理中起着重要的作用

1范数" name="image_operate_16161315444076136" alt="0范数 1范数" src="http://s3.sinaimg.cn/middle/6297bc8b4ac63af959812&690" width="240" height="180">0 范数 1范数  就是绝对值之和

原文：http://wenku.baidu.com/view/b29d9148852458fb770b564a.html#摘要：正所谓学以致用，在长期以来的学习过程中，我们真正能够将所学到的知识运用到生活中的能有多少，我们对课本上那些枯燥的公式虽牢记于心，却不知道它的实际用途。在学习了矩阵论以来，虽然知道很多问题的求法，就如矩阵特征值和特征向量，它们有何意义我们却一点不知。我想纯粹的理知识已经

共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。     一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础。　　设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为Ng

函数y=f(x)在点x0的改变趋于0时，它的函数y0也趋近于0，就说函数y=f(x)在x0处连续。两人个函数（y1=f1(x1),y2=f2(x2)）用一个大花括号括起来，就成为一个函数，不过这个函数的图形有两条线。在初中时直接这样连起来就行，但一定要注意一个前提，就是这两人函数的定义域是一样的，并且在定义域内这两个函数都是连续的。这两条线相交的点一定是相等的。那么，如果有一个不连续，是不是就

根据线性代数的基本知识Ax=λx , x就是特征向量，λ是特征值，信号A乘以x，只改变了λ大小，而方向没有变化。线性时不变系统LTI的特征向量是e^jwt(1)，根据欧拉公式，e^jwt=coswt+jsinwt，从中可以看出，线性时不变系统的特征向量就是正弦（余弦只是正弦改变相位）波，当系统输入正弦波，输出也是正弦波，只是乘了个幅值，这样便以计算。参考链接： (1)https://www.zhi