09 2022 档案
摘要:图像处理领域的计算要求并不是微不足道的,需要一些基本方法简化傅里叶变换的计算,并加快计算速度 二维DFT的可分性 $$ \begin{aligned} F(u,v) &= \sum_{x = 0}^{M - 1}e^{-j2\pi u x / M}\sum_{y = 0}^{N - 1}f(x,y)
阅读全文
摘要:取样和取样函数的傅里叶变换 取样 在用计算机处理之前,需要将连续函数处理成为离散值序列,考虑一个连续函数,模拟取样的一种方法是用一个单位间隔的冲激串作为取样函数去乘以: $$ \tilde{f}(t) = f(t)s_{\Delta T}(t) = \su
阅读全文
摘要:背景 傅里叶指出:任何周期函数都可以表示为不同频率的正弦和/或余弦之和的形式,每个正弦项和/或余弦项乘以不同的系数(现在称该和为傅里叶级数); 傅里叶变换:非周期函数(该曲线下的面积是有限的)也可以用正弦和/或余弦乘以加权函数的积分来表示; 用傅里叶级数或变换表示的函数特征完全可以通过傅里叶反变换来
阅读全文
摘要:线性判别函数 模式识别系统的主要作用:判别各个模式(样本)所属的类别 用判别函数分类的概念 判别函数进行分类依赖的因素: 判别函数的几何性质:线性的和非线性的函数 判别函数的系数 两类问题的判别函数 若是二维模式样本,用作为坐标分量,可以画出
阅读全文
摘要:混合空间增强法 将多种图像增强方法结合起来,完成困难的图像增强任务 使用模糊技术进行灰度变换和空间滤波 目的:例如将人分为年轻人和非年轻人,使用一个确定的阈值例如20岁,那么20岁过1秒的人也属于非年轻人,我们需要更加弹性的在年轻和非年轻之间过渡 模糊集合论原理 是一个元素集,表示
阅读全文
摘要:术语空间域指图像平面本身,这类图像处理方法直接以图像中的像素操作为基础;空间域处理主要分为灰度变换和空间滤波两类,灰度变换在图像的单个像素上操作,主要以对比度和阈值处理为目的;空间滤波涉及改善性能的操作。 背景知识 本章讨论的空间域处理可由下式表示:
阅读全文
摘要:第一节简述人类视觉系统的一些重要方面,包括人眼中图像的生成及人眼适应和辨认灰度的一些能力,第二节讨论光、电磁波谱的其他分量及他们的成像特点,第三节讨论成像传感器及如何使用成像传感器来生成数字图像,第四节介绍均匀图像取样和灰度量化的概念,第五节介绍像素间的各种基本关系 视觉感知要素 目的:图像形成并被
阅读全文
摘要:图像处理的目的: 为解释图像而改善图像信息; 为存储、传输和提取图像信息等任务处理图像数据; 本章的主要目的如下:定义图像处理的范围;通过了解图像处理技术的主要应用领域简介图像处理技术的现状;简要讨论数字图像处理所用的主要方法; 什么是数字图像处理 数字图像:一幅图像可以定义为—个二维函数$f(x,
阅读全文
摘要:数组中的逆序对计数 算法分析 所谓逆序对,是指数组中的两个元素 和 ,其下标 ,但是考察元素的值,却有 。 输入:一个包含 个元素的数组 ; 输出:数组中的逆序对的数目。 从最简单的实例入手:如果数组
阅读全文
摘要:包含对三种支持向量机的介绍,包括线性可分支持向量机,线性支持向量机和非线性支持向量机,包含核函数和一种快速学习算法-序列最小最优化算法SMO。 非线性支持向量机与核函数 核技巧 非线性分类问题 给定一个训练数据集
阅读全文
摘要:包含对三种支持向量机的介绍,包括线性可分支持向量机,线性支持向量机和非线性支持向量机,包含核函数和一种快速学习算法-序列最小最优化算法SMO。 线性支持向量机与软间隔最大化 假设训练集$T = {(x_1,y_1),(x_2,y_2),\cdots,(x_N,y_N)},x_i \in \mathc
阅读全文
摘要:包含对三种支持向量机的介绍,包括线性可分支持向量机,线性支持向量机和非线性支持向量机,包含核函数和一种快速学习算法-序列最小最优化算法SMO。 线性可分支持向量机与硬间隔最大化 线性可分支持向量机 假设一个特征空间上线性可分的训练数据集$T = {(x_1,y_1),(x_2,y_2),\cdots
阅读全文
摘要:原始问题 假设是定义在上的连续可微函数,考虑约束最优化问题 $$ \begin{aligned} \mathop{min}\limits_{x \in R^n}\ &f(x) \ s.t.\ &c_i(x) \leq 0,i = 1,2,\cdots
阅读全文
摘要:题目 当介绍文章时一句话可以概括文章内容的,需要足够吸睛, 不能太泛了,需要体现文章的特点,需要是具体的 最好不要题目太长,可以使用副标题,冒号后面的就是副标题, 首字母大写,冠词、介词、连词除外 可用动名词,不要动词 可以使用疑问句 摘要 目的是提供内容梗概,本身就是一篇高度浓缩的论文,需要充分反
阅读全文
摘要:首先介绍逻辑斯谛模型,然后介绍最大熵模型,最后讲述逻辑斯谛回归与最大熵模型的学习算法,包括改进的迭代尺度算法和拟牛顿法 逻辑斯谛回归模型 逻辑斯谛分布 设是连续随机变量,具有下列分布函数和密度函数:是位置参数,是形状参数,越小,分布函数在中心增长得越快 $
阅读全文
摘要:首先介绍决策树的基本概念,然后通过和介绍特征的选择、决策树的生成以及决策树的修剪,最后介绍算法 决策树模型与学习 分类决策树模型的树结构有两种结点,内部结点表示一个特征或属性,叶结点表示一个类; 决策树所有的从根节点到叶结点的路径构成if-else规则集,这些规则是
阅读全文
摘要:首先介绍感知机模型,然后叙述感知机的学习策略,特别是损失函数,最后介绍感知机学习算法,包括原始模式和对偶模式,并证明算法的收敛性 感知机模型 输入空间(特征空间):,假设 输出空间:$\mathcal{Y}
阅读全文
摘要:给定一个问题,如何求解?首先查看最简单的实例能否求解,假如可以求解的话,下一步就是思考能否将大的实例分解成小的实例,以及能否将小的实例组合成为大的实例,如果都可以的话就称实例能归约,这个问题具有递归结构,可以设计递归算法进行求解 排序问题:对数组的归约 排序问题: 输入:一个包含 个元素的数
阅读全文
摘要:适用于那些关注解状态而不是路径代价的问题,如果到目标的路径是无关紧要的,我们可能考虑不同的算法,这类算法不关心路径。 局部搜索算法从单个当前结点(而不是多条路径)出发,通常只移动到它的邻近状态。一般情况下不保留搜索路径。局部搜索算法家族包括由统计物理学带来的模拟退火法(simulated annea
阅读全文
摘要:本文主要讨论基于目标的Agent中的一种,称为问题求解Agent,要进行问题求解,首先要讨论的是对问题及其解的精确定义,将通过一些实例来说明如何描述一个问题及其解,接着介绍一些求解此类问题的通用的搜索算法,包括无信息搜索算法和有信息的搜索算法。 搜索问题 目标是世界的一个状态集合,是目标被满足的那些
阅读全文
摘要:算法的概念 算法是指给出解决问题的操作步骤之后,无论是人还是机器都可以按照步骤机械性的执行得到问题的结果。 我们在日常生活中回遇到各种的实际问题遇到之后的解决流程如下: 首先在一系列世纪问题中找到一个特定的topic,得到一个实际问题,在这个实际问题的基础之上我们可以抽象出数学问题,之后通过对该数学
阅读全文
摘要:cuda11.3配置open-mmlab环境记录 环境为Linux conda create -n open-mmlab python=3.7 -y conda activate open-mmlab # 从https://download.pytorch.org/whl/cu113/torch_s
阅读全文
摘要:Mac安装mysql # 首先安装mysql brew install mysql # 此时root无密码 mysql -uroot # 初始化密码 mysql -uroot ALTER USER'root'@'localhost'IDENTIFIED BY ‘123456’; flush priv
阅读全文
摘要:Linux服务器安装java 首先查看本机java环境,可以看到显示command not found java -version 下载jdk https://www.oracle.com/java/technologies/javase/javase-jdk8-downloads.html 安装j
阅读全文
摘要:Linux换源安装Docker和nvidia-docker 系统环境为ubuntu18.04,本文主要针对无法拉取镜像的情况,操作的前提是需要一台有跳板机的内网内的机器作为操作的中转。 修改apt源为阿里源 查看当前系统版本,输出为"codename: bionic",不同版本的系统输出不同,需要自
阅读全文
摘要:docker中运行的springboot项目安装SSL证书并配置服务器 申请SSL证书并下载 根据https://cloud.tencent.com/document/product/400/6814可以在腾讯云申请到SSL证书之后在SSL证书控制台下载证书 我这里分别申请了两个证书,分别下载Tom
阅读全文
摘要:docker部署springboot项目 服务器开启mysql 在服务器上开启数据库,之后在本地可以直接使用服务器的ip地址,以及用户名密码远程使用该数据库 # 首先拉取mysql镜像 docker pull mysql:5.7 # 运行mysql docker run -d -p 3000:330
阅读全文
摘要:使用hexo+icarus快速搭建属于自己的博客网站 准备环境 安装nodejs✅安装git✅安装hexo✅ # 此为全局安装,可能需要sudo权限 npm install -g hexo-cli 创建git仓库 直接在github主页创建一个新的仓库,此处假设仓库名称为blog_tensorrt
阅读全文
摘要:总结使用C++刷题时STL的使用 vector 初始化: vector<typename> name; // vector数组: vector<typename> arrayname[size]; 访问: // 通过下标 vec[i]; // 通过迭代器 vector<typename>::iter
阅读全文
摘要:概述 模式:存在于世间和空间中可观察的物体,如果我们可以区别他们是否相同或是否相似,都可以称之为模式。 模式的直观特性: 可观察性可区分性相似性 模式识别:对周围物体的认识、人的识别、声音的辨别、气味的分辨 数据聚类 目标:用某种相似性度量的方法见原始数据组成有意义的和有用的各种数据集 是一种非监督
阅读全文
摘要:数学期望(均值)和方差 随机变量X的数学期望(或称均值)记作 E ( x ) E(x) E(x),它描述了随机变量的取值中心,随机变量 ( X − E ( X ) ) 2 (X-E(X))^2 (X−E(X))2的数学期望称为 X X X的方差,记作 σ 2 \sigma^2 σ2,而 σ \sig
阅读全文
摘要:开始第一个project 创建一个.tax文件或者在overleaf中创建一个project \documentclass{article} \begin{document} First document. This is a simple example, with no extra parame
阅读全文
摘要:基本概念 语言是个体之间由于沟通需要而制定的指令。自然语言:人类之间用于沟通交流的语言。 自然语言的特点 线性:自然语言呈现为一种线性的符号序列。层次性:自然语言内部存在层次结构。歧义性:同一个自然语言句子存在多种不同的理解。演化性:自然语言随着时代不断演化。 典型任务 中文分词 输入:一段不带空格
阅读全文
摘要:作为统计判别问题的模式分类 模式识别的目的就是要确定某一个给定的模式样本属于哪一类输入:被识别对象的特征向量输出:被识别样本的类别 贝叶斯判别原则 两类模式集的分类 目的:要确定 x x x是属于 ω 1 \omega_1 ω1类还是 ω 2 \omega_2 ω2类,要看 x x x是来自于
阅读全文
摘要:正态分布模式的贝叶斯分类器 当已知或有理由设想类概率密度函数 P ( x ∣ ω i ) P(x|\omega_i) P(x∣ωi)是多变量的正态分布时,贝叶斯分类器可以导出一些简单的判别函数 M M M种模式类别的多变量正态类密度函数 具有 M M M种模式类别的多变量正态类密度函数为: P (
阅读全文
摘要:集合与序列 集合的基本概念 集合set:大写字母表示S 集合的元素:小写字母表示a, a ∈ S a \in S a∈S 集合的特点: 能够明确的判断一个元素是或不是属于某集合集合的元素没有顺序集合的元素之间不一定存在什么关系规定:对任意集合A都有 A ∉ A A \notin A A∈/A 特殊集
阅读全文
摘要:命题proposition 非真既假的普通陈述句,真值true/false唯一确定,(本命题是假的)和(本命题是真的)不是命题 命题变元或命题变项proposition variables 小写英文字母表示 原子命题:atom proposition/简单命题 simple proposition复
阅读全文
摘要:对偶式 dual,假设A为仅含有 ∼ , ⋁ , ⋀ \sim,\bigvee,\bigwedge ∼,⋁,⋀的命题公式,若将 A A A中的 ⋀ \bigwedge ⋀换成 ⋁ \bigvee ⋁, ⋁ \bigvee ⋁换成 ⋀ \bigwedge ⋀,若包含 F F F和 T T T则相互取代
阅读全文
摘要:谓词和量词 个体词individual 相当于名词,个体常项 a , b , c a,b,c a,b,c,个体变项 x , y , z x,y,z x,y,z,个体变项的取值范围 D D D称为个体域或论域,全总个体域是指宇宙间一切事物组成的个体域 谓词 一元谓词:表示个体词的性质,属性 P ( x
阅读全文
摘要:微积分 函数 设数集 D ⊂ R D \subset \mathbb{R} D⊂R,则称映射 f : D ⊂ R f : D \subset \mathbb{R} f:D⊂R为定义在 D D D上的函数,通常记为 y = f ( x ) , x ∈ D y = f(x), x ∈ D y=f(x),
阅读全文
摘要:概率论 随机试验 具备以下三个特点的试验称为随机试验: 可以在相同的条件下重复地运行;每次试验的可能结果可能不止一个,并且能事先明确试验的所有可能结果;进行一次试验之前不能确定哪一个结果会出现。 以下是一些随机试验的例子: 抛一枚硬币,观察正面 H H H、反面 T T T出现的情况。抛一颗骰子,观
阅读全文
摘要:线性代数 向量 n n n个有次序的数 a 1 , a 2 , . . . , a n a_1, a_2, ..., a_n a1,a2,...,an所组成的数组称为 n n n维向量。这 n n n个数称为该向量的 n n n个分量,第 i i i个数 a i a_i ai称为第 i i
阅读全文
摘要:信息论 信息量 什么是信息量?假设我们听到了两件事,分别如下: 事件A:巴西队获得了2022年FIFA世界杯冠军。事件B:中国队获得了2022年FIFA世界杯冠军。 仅凭直觉来说,显而易见事件B的信息量比事件A的信息量要大(也就是“大新闻”)。究其原因,是因为事件A发生的概率很大,事件B发生的概率很
阅读全文