5 晨凫追风

尚未进行身份认证

我要认证

哎呀,要好好学习呀

等级
TA的排名 1w+

目标检测,目标识别的SAR数据集构建和标注

目标检测,目标识别的SAR数据集构建和标注本文为原创作品,未经本人同意,禁止转载,禁止用于商业用途!本人对博客使用拥有最终解释权欢迎关注我的博客:http://blog.csdn.net/hit2015spring 推荐一个美丽而有情怀的书店:晨凫追风深度学习火热了很多年了,人们利用在自然光照下获取的图片数据进行目标检测和目标的识别也已经到达了一个全新的水平,但是在雷达遥感图片的识别...

2018-03-06 15:25:53

工作的服务器搭建

版权声明:本文为博主原创文章,未经博主允许不得转载。博客不用于商业活动,博主对博客的使用,拥有最终解释权 本文为原创作品,未经本人同意,禁止转载,禁止用于商业用途!本人对博客使用拥有最终解释权 欢迎关注我的网上图书室:晨凫追风 和 微信公众号:青春当追风大家都把自己的工作在一个公用的服务器上面来做,这样既可以让大家共享服务器主机的强大资源,又可以保证大家的工作能得到保存。随着我们实验室的蓬勃

2017-12-29 23:58:17

玩转斐讯K3详细刷机——直接刷LEDE

版权声明:本文为博主原创文章,未经博主允许不得转载。博客不用于商业活动,博主对博客的使用,拥有最终解释权本文为原创作品,未经本人同意,禁止转载,禁止用于商业用途!本人对博客使用拥有最终解释权欢迎关注我的网上图书室:晨凫追风和微信公众号:青春当追风玩了一阵k2了,现在又上车一个K3,拿到之后第一件事情当然是给它刷上最新的系统啦,原版系统没啥好玩的!废话不说上教程!准备工具:1...

2017-12-29 22:59:21

NASA PHM数据集相关

做数据挖掘的朋友们都知道,数据是研究的基本,获得一份有权威的原始数据是科学实验成功的前提。而NASA作为世界顶端的机构,他们的数据用来做PHM的研究所得出的结果肯定是具有非凡的说服力度的,在这里有想跟大家交流一下下喽!这里的15个数据集:1、Algae Raceway Data Set(滚道数据集)数据描述:Experiments were conducted on 3 small...

2017-12-25 23:52:31

大学生活应该这样过

版权声明:本文为博主原创文章,未经博主允许不得转载。博客不用于商业活动,博主对博客的使用,拥有最终解释权 本文为原创作品,未经本人同意,禁止转载,禁止用于商业用途!本人对博客使用拥有最终解释权 欢迎关注我的网上图书室:晨凫追风 和 微信公众号:青春当追风闲来无事的时候总是不能免俗的回忆往事,匆匆四年的本科时光,好像这些书成了一个很美好的回忆了,有些带着功利之心,有些则是怡情而已。也不知道看了

2017-12-22 21:30:31

解决sublime text无法安装插件问题

安装Sublime Text3 之后要安装一些外置的工具包, 1、先用快捷键 Ctrl + ` 后面那个就是键盘上面数字1旁边的那个键,打开工作的控制台。 2、打开下图所示的设置,设置:“debug:true”,这个主要是打开sublime text的调试信息,但不是你编写的程序的调试,是这个软件本身的调试信息 3:打开插件控制:快捷键“Ctrl + shift + P”,如下图所示: 然后

2017-12-02 17:38:08

k近邻算法与kd树的创建和搜索

hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}欢迎关注我的博客:http://blog.csdn.NET/hit2015springk近邻算法是一种常用的监督学习的方法:给定测试样本,基于某种距离度量找出训练集中与其最靠近的k个训练样本,然后基于k个邻居的信息来进行预测。通常:分类任务中用投票,选择k个样本中出现最多的类别标记作为预测结果回归任务中:平均法

2017-07-19 17:27:25

K-means 算法

前期预备知识在无监督的算法中,训练样本的标记信息是未知的,目标是通过对训练样本学习来揭示数据的内在性质和规律。聚类试图将数据集中的样本划分为若干个通常是不相交的子集,每个子集称为一个簇,就是一堆不知道标签的数据样本,这些样本中每一个都包含着一个nn维特征向量xi=(xi1,xi2,⋯,xin)x_i=(x_{i1},x_{i2},\cdots,x_{in}), 就是描述一个事物它具有n个特征,这些特

2017-07-19 13:36:36

朴素贝叶斯

hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}欢迎关注我的博客:http://blog.csdn.NET/hit2015spring贝叶斯与条件概率学习一个分类器主要是对一个损失函数进行优化,使得损失函数最小,这时候得到的分类器对问题的判断就会比较nice。用贝叶斯分类器,就是要建立一个基于概率发生的条件下进行判断的一个基本方法。贝叶斯分类的思想是基于概率统计

2017-07-05 19:21:55

极大似然法估计

hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}欢迎关注我的博客:http://blog.csdn.NET/hit2015spring举个例子: 张无忌和宋青书分别给周芷若送一个糖果,周芷若最后只接受一个糖果,问周芷若接受了谁的糖果。大部分的人肯定会说,当然是张无忌了。 这里面就蕴含了极大似然的思想。因为周芷若接受张无忌的概率大于宋青书呀,而故事的最后周芷若

2017-06-26 10:19:50

概率论的一些基本问题

hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}欢迎关注我的博客:http://blog.csdn.NET/hit2015spring条件概率设AA和BB是任意两个事件,且P(B)>0P(B)>0,则称P(AB)P(B)\frac {P(AB)}{P(B)}为事件AA在事件BB发生的条件下发生的条件概率。记作: P(A|B)=P(AB)P(B)\begin{e

2017-06-25 17:53:25

各种作业的整理目录

机械学课程设计六自由度的多关节坐标测量仪(报告)单片机实验(程序)双机通信 8255 AD DA 矩阵键盘 LCD显示 PC-51通信 定时器 数码管 电话拨码开关 花样流水灯 简单流水灯 秒表 抢答器 门铃 温度传感器自动控制原理大作业(报告)模电大作业数电大作业可逆计数器(verilog+报告) 状态机(verilog+报告)数字电路频率计(报告)数字电路实验自主

2017-06-21 15:29:18

SVM中的核函数

hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}欢迎关注我的博客:http://blog.csdn.NET/hit2015spring在训练样本是线性可分的情况下,这时候直接用原始属性就能把这些特征区分开来。但是有一部分的属性就是无法在其现有属性的基础上分开,于是就要把这些属性通过ϕ(x)\phi(x)映射到一些高维的特征空间中,“横看成岭侧成峰”嘛,原始的xx

2017-06-17 11:28:44

SVM 透彻理解与分析

hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}欢迎关注我的博客:http://blog.csdn.NET/hit2015spring支持向量机问题 问题先按照几何间隔最大化的原则引出他的问题为minw,b12∥w∥2\min\limits_{w,b}\qquad \frac 1 2 \|w\|^2 s.t.yi(wTxi+b)⩾1,i=1,2,⋯,ms.

2017-06-11 21:59:24

KKT条件和拉格朗日乘子法

hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风},转载请注明出处华为面试的时候,部长先生问了这个问题,于是就回来看了一下,补补课,平常学的有点水货,哈哈!希望有帮助!如果你从头到尾拿出笔来写下这里面的公式,我觉得肯定能看懂!最优化问题的最优性条件,最优化问题的解的必要条件和充分条件无约束问题的解的必要条件f(x)f(x)在xx处的梯度向量是0有约束问题的最优性条

2017-06-09 10:26:02

LDA线性判别分析

hit2015spring晨凫追风\frac {hit2015spring}{晨凫追风}给定训练集,设法将样例投影到一条直线上,使得同类样例的投影点尽可能的近,异类样例点尽可能的远,对新样本进行分类的时候,将新样本同样的投影,再根据投影得到的位置进行判断,这个新样本的类别 二分类: 给定数据集D=(xi,yi)mi=1,yi∈0,1D={( x_i,y_i)}_{i=1}^m , y_i \

2017-06-07 18:58:14

从二分类到多分类的迁移策略

hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}一般情况下问题研究为二分类问题,在解决多分类问题时有时可以直接推广到多分类,有时不能,不能推广的时候主要用三种拆分策略对问题进行研究一对一的策略给定数据集DD这里有NN个类别,这种情况下就是将这些类别两两配对,从而产生N(N−1)2\frac{N(N-1)}{2}个二分类任务,在测试的时候把样本交给这些分类器,然后

2017-06-07 18:54:29

SVMtrain的参数c和g的优化

hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}在svm训练过程中,需要对惩罚参数c和核函数的参数g进行优化,选取最好的参数知道测试集标签的情况下 是让两个参数c和g在某一范围内取离散值,然后,取测试集分类准确率最佳的参数不知道测试集标签的情况下(1)利用交叉验证的方法:(k-fold cross validation)StartbestAccuracy =

2017-06-07 18:51:43

Libsvm的一些说明帮助吧

欢迎关注我的博客晨凫追风,转载请注明出处http://blog.csdn.net/hit2015spring hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}这是一篇翻译文章吧,主要是对libsvm里面所带的一些函数进行说明。 下载完libsvm的包,解压缩之后,主要就是一个readme文件,这个文件说明的了这个包该如何使用,还有一个Makefile文件,这

2017-06-04 17:39:07

递归的理解

都说递归的是神,迭代的是人,这个就是学习笔记,记一下我的一些理解 hit2015spring晨凫追风\frac{hit2015spring}{晨凫追风}理解方式11、当$n=0,1$时,结果正确2、假设函数对于$n$是正确的,函数对于$n+1$结果也是正确的,如果这两点是成立的,这个函数对于所有可能的$n$也是成立的像是数学归纳法的理解理解方式2把规模大的问题分解为规模小的问题,大问题的解决

2017-06-03 21:32:14

查看更多

勋章 我的勋章
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!