07 2023 档案
摘要：for i=1:tiqvduanif i==1shimi=[shimi,duan(:,i)]elsetou=duan(:,i)'*shimi mo=shimi.*shimimo=sum(mo,1)%mo=sqrt(mo)k=tou./mok=repmat(k,[h 1]) alltou=k.*shi
阅读全文
摘要：As an additional note, when ordering the chosen fabrics a mistake was made with the Vineyard Green such that 1/5 of our fabric was the originally chos
阅读全文
摘要：[uniqueData, ~, idx] = unique(positive', 'rows', 'stable'); 而密西西比有重复元素。 因为这里有重复像素即使735个正包数据都去除其依旧有735个正包相同像素。 load('postive_bag')load('all_row')load('
阅读全文
摘要：A = 1:12;B = reshape(A,[2,2,3])repu=reshape(B,4,3) 第三维顺序没变
阅读全文
摘要：高度，宽度，彩色通道维度。只提取有用的像素vca提取端元。 brown。dark green。faux vineyard green。pea green。有可能是标签错误，也有可能这个真实光谱并不一定是这4种物体光谱。论文也说了就这些布，那么就可能是标错了，有一定误差。 那些元素没在提取的光谱里说明
阅读全文
摘要：ismemeber可以查看一行在矩阵的位置。角度是6.2距离是0.6531。
阅读全文
摘要：根据角度相似度选择最优的像素欧式距离1.8736角度11.1405把缺失的负值变为0 根据角度相似度选择最优的像素欧式距离1.7006角度13.6692把缺失的负值变为0，用vca提取的（重复1000次的）
阅读全文
摘要：输入未做任何处理标签负值变为0距离4.0角度45.63 输入负值变为0标签负值变为0距离4.3254角度23.6709
阅读全文
摘要：间隔1 间隔2 间隔4监督角度25.6273距离3.1385 间隔8 2.8462 27.6240
阅读全文
摘要：欧氏距离4.35角度24 欧氏距离3.0174角度26.2438
阅读全文
摘要：总共有440633个特征缺失，数据为109525×72， 暴力删除一些列效果不好，因为有些特征可能有区分性，暴力删除会去掉有区分性的特征，这时候应尽量考虑补全，应该选择有区分性的特征。 去除特定缺失值再补0。 前7列数据缺失值过万了。 缺失值小于10的列共33列距离2.9欧式角37 缺失值小于260
阅读全文
摘要：只把缺失值。1.删除缺失值的列。2.利用平均值、众数、中数补充缺失值。3.用数据预测缺失值。
阅读全文
摘要：用vca在正包中提取像素。欧式距离2.8，角度17.9043。 每隔2个维度选取一个特征最终，欧式距离2.487，角度16 未用vca直接按角度相似分配像素。
阅读全文
摘要：端元数18，1：2：44也就是维度22 欧式角2.0和角度30 端元8角度角度32.63距离2 端元16角度30.0377距离2.5686 端元29角度30.6477距离2.4886 每个距离 每个角度 端元40角度30.6距离2.57 按欧式距离找
阅读全文
摘要：端元8角度32.40距离2.05 端元16角度30.1209距离2.67 端元29距离2.465角度30.5241 端元40角度30.7209距离2.49
阅读全文
摘要：端元8角度39距离8.2 端元16角度30.8571 距离4.0731 端元29角度31.0328 距离3.2722 端元40角度31.3 距离3.2
阅读全文
摘要：端元数8距离2 角度33 端元数16距离2.99 角度30 端元数29距离2.71 角度30.86 端元数40距离2.6 角度30.7
阅读全文
摘要：端元8角度40 距离8.4 端元16距离 3.9 角度32.16 端元29距离3.2205角度32.1438 端元40 距离3.1852 角度33.0585
阅读全文
摘要：端元8 欧式距离4.1 角度32 端元16 距离2.7角度33 端元29 距离2.9 角度33 端元40 距离2.8 角度33.5
阅读全文
摘要：其实用欧式角和欧式距离差不多。这部分没处理缺失值。 降维到8维度后欧式距离2.9，角度是33.6，所以降维影响不大。 端元数29特征值1:44，用欧式距离是2，角度是29 用欧式角提取角度是32距离是3 没循环迭代1000次只运行1次欧式距离是3.4，角度是36 这是未作任何处理的
阅读全文
摘要：无监督和弱监督的结果不稳定可以用方差测，弱监督方差小一些。 做实验会对方法有一些新的理解。 vca降维空间大噪音大。 评价指标不能从多方面兼顾。 数据相似特征多去掉相似特征就会得到一个好结果。 数据有缺失值。 欧式角度和欧式距离选任一评价标准都行差不多。 降维和损失函数是次要的主要是特征工程。这里用
阅读全文
摘要：看论文说应该是21个端元+8个目标端元，而我只有4个目标端元的光谱信号所以25个端元+4个目标端元。 未对缺失值做任何处理，端元数一开始大是因为端元数提取少，而后来端元数大变好了是因为能提取目标端元了，再后来端元数更大维度更大了噪音更多了。 8端元差异角度是42 以欧式距离相似度分配端元差不多距离是
阅读全文
摘要：反射率为什么是负的,出现负数可能是错了啊。反射率是辐射能力占总辐射能量的百分比，R=(n1-n2)*(n1-n2)/(n1+n2)/(n1+n2)。 如果您在使用预处理后的高光谱卫星数据时发现一些非水体像元的反射率存在负值，并且大部分像元都是缺失的，可能存在一些问题。以下是可能导致这种情况的几个常见
阅读全文
摘要：问题是有多少端元是未知的 64个目标端元有遮挡半遮挡。 60个用于端元提取。 4个用于大气模型建模。
阅读全文
摘要：端元数 提取跟真值标签的差异 8，10616，58.7926，5832，4740，5564，67
阅读全文
摘要：最终结果为0。 clc;clear all;close all;load('gulfport_wavelength')load('spectra_truth_lab')w1=gulfport_wavelengthw1=round(w1)w2=w1(1:71)w3=w1(2:72)w4=w3-w2in
阅读全文
摘要：如果字符串使用 ‘’ （单引号）括起来，则使用 A = [], A = [A, str] 这种创建矩阵的方式只会导致“字符串连接” 如果字符串使用 “ ”（双引号）括起来，则使用 A = [], A = [A, str] 这种创建矩阵的方式能够创建矩阵
阅读全文
摘要：从结果看效果不好呢？数据有问题反射率是负的。 clc;clear all;close all;load('spectra_truth_campus_1')load('muufl_gulfport_campus_1_all4TypeLabel')w=hsi.Dataw=reshape(w,325*33
阅读全文
摘要：clc;clear all;close all;load('spectra_truth_campus_1')load('muufl_gulfport_campus_1_all4TypeLabel')rowindice=hsi.groundTruth.Targets_rowIndicescolindi
阅读全文
摘要：325行337列。 把vca提取端元跟真实标签同时标出来，感觉没啥意义。我也不知道这些都是哪些端元啊。也不知道那些端元位置。
阅读全文
摘要：matlab问题：请求的 109525x109525 (44.7GB)数组超过预设的最大数组大小。创建大于此限制的数组可能需要较长时间，并且会导致 MATLAB 无响应。
阅读全文
摘要：spectra_truth_lab波长是200-2500 1nm为单位。muufl_gulfport_campus_1波长是367.7大部分含有小数。但是truth只有四个 端元应该是八种布的谱线。 但是wave_truth_campus_1和wave_truth_campus_3就4种谱线Four
阅读全文
摘要：load('convex_subpixel_ptmean_03_SNR_30_sigma_1_Nb_2_Train')load('最终vca提取mat')duanyuan=[E_t,E_minus]wavelength=wavelength/1000;sum=0for i=1:4 sum=sum+a
阅读全文
摘要：就是隐藏x标签然后用text自己画标签 x=[1,2]y=[389,611]% 直方图bar(x,y);ylabel('像素数');t=text(1,410,num2str(389));t.FontSize = 14t=text(2,631,num2str(611));t.FontSize = 14
阅读全文
摘要：俩种方法tim1=0.007 tim2=2,用矩阵点乘比循环快。 w=rand(4,1000)t1=clock()w1=w.*ww1=sqrt(sum(w1))t2=clock()tim1=etime(t2,t1);shu=zeros([1 1000])t3=clock()for i=1:1000
阅读全文
摘要：x1=1y1=3x2=3y2=4x3=2y3=5sum=0x=zeros(1,5050)y=zeros(1,5050)for i=1:1:100 for j=0:1:100-i for k=0:1:100-i-j if i~=100 | j~=100 | k~=100 if i+j+k==100 s
阅读全文
摘要：作者使用的方法使用俩个教师模型生成较为准确的输出，却发了顶刊感觉可能写作功底很重要。 每个领域可能都是几个流派思路是固定的。
阅读全文
摘要：重点要用变色字体标出，实验结果要列出表格，不要文字堆叠，要分块。
阅读全文
摘要：pre-trained表示已经训练过的模型可能是训练时要导入的骨架，也可能是已经训练完的模型可以直接进行使用。
阅读全文
摘要：长度是338。 ['conv_stem.0.weight:torch.Size([24, 3, 3, 3])', 'conv_stem.1.weight:torch.Size([24])', 'conv_stem.1.bias:torch.Size([24])', 'conv_stem.1.runn
阅读全文
摘要：strict为真时要导入model所有的键值及对应名称。传入空列表报错如下 Error(s) in loading state_dict for PoseHigherResolutionNet: Missing key(s) in state_dict: "features.0.1.weight",
阅读全文
摘要：['features.0.1.weight:torch.Size([24, 3, 3, 3])', 'features.0.2.weight:torch.Size([24])', 'features.0.2.bias:torch.Size([24])', 'features.0.2.running_
阅读全文
摘要：代码读取配置文件创建的网络 ['features.0.1.weight:torch.Size([24, 3, 3, 3])', 'features.0.2.weight:torch.Size([24])', 'features.0.2.bias:torch.Size([24])', 'feature
阅读全文
摘要：zhengshu=x(1:4,1:1000)futou1=x(1:4,1001)futou2=x(1:4,1002)futou3=x(1:4,1003)futou1=futou1/sqrt(sum(futou1.*futou1));fu12=futou1'*futou2futou1mo=sqrt(s
阅读全文
摘要：首先证明这四个端元信号线性无关，无法互相表示。 w=rank(x(1:4,1001:1004))该代码得到的秩为4。因此做3个互相正交的向量。用数据向这个3个向量投影表示，如果剩下的模越多，表示对第四个需求越大。 现在的问题是出现负值了，但是这个负值怎么来的。因为我代码错了，没把这3个向量拆成单位正
阅读全文
摘要：w=X(1:211,setdiff(1:length(X), indices))w1=X(1:211,1:2)w2=repmat([1,2],211,1)%横向把1和2沿着行方向复制211行，列为2行。w3=w1.*w2%矩阵中每一个格子乘以一个格子w4=w1-w3w3=w1-w2
阅读全文
