xueluowutong的博客

原创 内存中存储区分类

问题：内存中到底分几个区？1、栈区（stack）-- 由编译器自动分配释放，存放函数的参数值，局部变量的值等。2、堆区（heap）-- 一般有程序员分配和释放，若程序员不释放，程序结束时可能由OS回收。注意它与数据结构中的堆是两回事，分配方式类似于链表。3、全局区（静态区）（static）-- 全局变量和静态变量的存储是放在一块的，初始化的全局变量和静态变量在一块区域，未初始化的全局变...

原创 深入理解for循环(执行顺序)

for循环的表达式一般如下：for(expression1;expression2;expression3){expression4;}执行的顺序为：1）第一次循环，即初始化循环。先执行expression1（一般为初始化语句），再执行expression2（一般为条件判断语句），判断expression1是否符合expression2的条件，如果符合，则执行expressi...

转载 用C语言简单实现一个可变数组

转载：https://blog.csdn.net/melody_1016/article/details/81948809我们知道，C语言的数组是固定大小的，尽管可以用一个变量来定义数组大小，但是一旦定义了，在大小在运行过程中无法改变。如果一开始就定义一个容量较大的数组，那么由于不知道实际要存放多少元素，可能会造成空间浪费或者还是不够用。所以，本篇博客，我们就用C语言实现一个可以变大小的数组...

转载 B-spline Curves 学习之B样条曲线的导数（8）

Derivatives of a B-spline Curve　　尽管B-样条曲线比贝塞尔曲线复杂得多，它们的导数很相似。假设一个B-样条曲线定义如下：　　　　每个基函数的导数可计算如下：　　　　将这些导数代回曲线方程得到下列结果：　　　　其中Qi定义如下：　　　　因此，一个B-样条曲线的导数是另一个p- 1次...

转载 B-spline Curves 学习之B样条曲线的移动控制点、修改节点分析（7）

B-spline Curves: Moving Control Points　　B-样条曲线：移动控制点　　移动控制点是改变B-样条曲线形状的最明显的方法。在前面页讨论的局部修改方案说明了修改控制点Pi的位置仅影响在区间[ui,ui+p+1)上的曲线C(u)。其中p是B-样条曲线的次数。实际上，形状的改变是在控制点被移动方向上的t平移。更准确地，...

转载 B-spline Curves 学习之B样条曲线的系数计算与B样条曲线特例（6）

B-spline Curves: Computing the Coefficients　　尽管de Boor算法是一个计算对应于给定u的B-样条曲线上的点的标准方法， 我们许多情况下（例如，曲线插值和逼近）真正需要的是这些系数。我们将阐述一个简单方法来做这个。　　给定一个由n+1个控制点P0,P1, ...,Pn, 和m+1个节点u0=u1=...=...

转载 B-spline Curves 学习之B样条曲线性质（5）

B-spline Curves: Important Properties B-样条曲线有很多与贝塞尔曲线一样的重要性质，因为前者是后者的推广。而且，B-样条曲线有比贝塞尔曲线更渴望的性质。下面列出B-样条曲线一些最重要的性质。　　接下来我们假设一个由n+ 1 控制点和一个节点向量U= {u0,u1, ....,um}定义的p次B-...

转载 B-spline Curves 学习之B样条曲线定义（4）

B-spline Curves: Definition　　给定n+ 1个控制点P0,P1, ...,Pn和一个节点向量U= {u0,u1, ...,um},p次B-样条曲线由这些控制点和节点向量U定义　　　　其中Ni,p(u)是p次B-样条基函数。　　B-样条曲线形式与贝塞尔曲线相似 。不像贝塞尔曲线,B-样条...

转载 B-spline Curves 学习之B样条基函数计算实例（3）

B-spline Basis Functions: Computation Examples1.简单节点（Simple Knots ）　　假设节点向量是U= { 0, 0.25, 0.5, 0.75, 1 }. 因此,m= 4 和u0= 0,u1= 0.25,u2= 0.5,u3= 0.75及u4= 1。0次（degree）基函数很简单...

转载 B-spline Curves 学习之B样条基函数的定义与性质（2）

B-spline Basis Functions:Definition贝塞尔基函数用作权重。B-样条基函数也一样；但更复杂。但是它有两条贝塞尔基函数所没有的特性，即(1)定义域被节点细分（subdivided）；(2) 基函数不是在整个区间非零。实际上，每个B样条基函数在附近一个子区间非零，因此，B-样条基函数相当“局部”。　　设U是m+ 1个非递减数的集...

转载 B-spline Curves 学习之前言（1）

　B-spline Curves Notes　　本 教程是关于B-样条曲线（B-spline Curves）的教程。B-样条曲线在计算机视觉(computer vision )，计算机图形学（Computer Graphics ），计算机辅助设计（Computer-Aided Design ），计算几何（Computational Geometry ），可视化（Visualization）等...

原创 Qt creator 编译错误 ：cannot find file .pro qt

其实问题的解决办法很简单：就是Qt不支持中文的路径，把源码的路径全部改成英文即可解决问题。首先问题发生在我运行网上的例子程序时，重新构建编译也是出错，提示：...

转载 七段S形速度曲线轨迹规划

转载 T型速度曲线 S型速度曲线

我又发现以前的笔记被自己保存成了私密模式，难怪一开始找不到！目录0.速度曲线介绍1.梯形速度曲线2.S型速度曲线0.速度曲线介绍1.梯形速度曲线2.S型速度曲线参考：多自由度机器人位姿轨迹规划研究...

转载 机器人学 ： 标准DH和改进DH

转载自知乎首先，标准的 DH 与改进的 DH 的区别就是四个参数的定义有些许不同，具体参数定义详见这里标准DH与改进DH的区别如图：标准（经典）DH是将连杆的坐标系固定在该连杆的输出端（下一关节），也即坐标系i-1与关节i对齐；改进DH是将连杆的坐标系固定在该连杆的输入端（同一关节），也即坐标系i-1与关节i-1对齐，因此他们对应的变换矩阵不同。...

原创 struct和typedef struct的区别

struct和typedef struct分三块来讲述：　　1 首先：//注意在C和C++里不同　　　　在C中定义一个结构体类型要用typedef:　　　　typedef struct Student　　　　{　　　　int a;　　　　}Stu;　　　　于是在声明变量的时候就可：Stu stu1;(如果没有typedef就必须用struct Student stu1;来声明)　　　...

转载 MFC中各字符串类型转换，字符串操作和UNICODE、ANSI字符集

一.CString与LPCWSTR    两者的不同：LPCWSTR 是Unicode字符串指针，初始化时串有多大，申请空间就有多大，以后存贮若超过则出现无法预料的结果，这是它与CString的不同之处。而CString是一个串类，内存空间类会自动管理。    CString转换成LPCWSTR    方法一：CString strFileName;                ...

原创 github上下载资源 for windows

步骤：1. 下载git bash2. 在git bash 终端命令中输入资源所在的网址，如图：3. 在终端所在路径查看资源是否下载成功

转载 代码升级：从多字节到Unicode字符集

    十几年前，还是用VC++6.0开发，使用的是多字节字符集，字符串类型的变量一般用：char[], char*，const char*，CString。随着开发工具的更新，需求的变化，更高版本的系统需要使用Unicode字符集。旧代码的算法逻辑并没有什么问题，只是字符串参数类型和一些字符串操作函数需要修改一下，当然不必重写一遍，只需要对代码进行升级，从多字节字符第一步集升级到Unicode字...

转载 在opencv3.0中的机器学习算法

在opencv3.0中，提供了一个ml.cpp的文件，这里面全是机器学习的算法，共提供了这么几种：1、正态贝叶斯：normal Bayessian classifier    2、K最近邻：k nearest neighbors classifier3、支持向量机：support vectors machine    4、决策树： decision tree5、ADA Boos...

原创 opencv2\flann\lsh_table.h(266): error C2059: 语法错误:“::”

1. 错误输出    c:\program files\opencv-2.4.4\opencv\build\include\opencv2\flann\lsh_table.h(266): error C2059: 语法错误:“::”    ./zlibrary/ui/src/win32/w32widgets/W32VBorderBox.cpp(114) : error C2589: “(”...

转载 学习Opencv2.4.9(四)---SVM支持向量机

先来看一下什么是SVM(支持向量机)1、SVM是一种训练机器学习的算法，可以用于解决分类和回归问题，同时还使用了一种称之为kernel trick（支持向量机的核函数）的技术进行数据的转换，然后再根据这些转换信息，在可能的输出之中找到一个最优的边界(超平面)。简单来说，就是做一些非常复杂的数据转换工作，然后根据预定义的标签或者输出进而计算出如何分离用户的数据。支持向量机方法是建立在统计学习理...

原创 Lua学习笔记 -- Lua数据类型转换

Lua提供了类型转换函数，这些转换函数包括：转换成数字类型和转换成字符串类型等。1.转换成字符串类型tostring()可以将布尔类型和数字类型转换为字符串类型，示例：local bVar = falseprint( tostring(bVar) ) -- 输出"false"local num1 = 10local num2 = 10.0local num3 = ...

转载 Lua学习笔记 -- lua堆栈

首先了解一下C++与lua之间的通信： 假设在一个lua文件中有如下定义-- hello.lua文件myName = "beauty girl"请注意红色数字，代表通信顺序：1)  C++想获取Lua的myName字符串的值，所以它把myName放到Lua堆栈(栈顶)，以便Lua能看到2）Lua从堆栈(栈顶)中获取myName，此时栈顶再次变为空3）Lua拿着这个m...

转载 Lua学习 -- local变量和表

local在lua编程中经常写，lua对local的处理有加速访问的效果，并且将变量定义为局部变量也是一种好的编程习惯。lua对变量和表的local化处理的方式 是不同的============== example ===============foo = {}foo.a = 1;dolocal foo = foofoo.a = 2print(foo, _G["...

转载 Lua学习 -- Lua调用原理(Lua堆栈)

原文：https://blog.csdn.net/zhuzhuyule/article/details/41086745 一、Lua虚拟机的栈1.1先简单介绍下Lua虚拟机的栈，如图：                                                       规则：①若Lua虚拟机堆栈里有N个元素，则可以用 1 ~ N 从栈底向上索引，也可以用...

转载 C++学习 -- string类详解

C++之string类型详解   之所以抛弃char*的字符串而选用C++标准程序库中的string类，是因为他和前者比较起来，不必担心内存是否足够、字符串长度等等，而且作为一个泛型类出现，他集成的操作函数足以完成我们大多数情况下(甚至是100%)的需要。我们可以用 = 进行赋值操作，== 进行比较，+ 做串联（是不是很简单?）。我们尽可以把它看成是C++的基本数据类型。   C++中对于...

转载 编辑距离算法详解：Levenshtein Distance算法

Levenshtein Distance算法，又叫Edit Distance算法，是指两个字符串之间，由一个转成另一个所需要的最小 编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。一般来说，编辑距离越小，两个串的相似度越大。   算法基本原理：假设我们可以使用d[i,j]个步骤（可以用一个二维数组保存这个值），表示将串s[1...i]转换...

原创 Opencv RotatedRect类中的points、angle、width和height详解

在Opencv中的图像处理中，经常要用到minAreaRect()函数求最小外接矩形，该函数的返回值就是一个RotatedRect类对象。RotatedRect类定义如下：class CV_EXPORTS RotatedRect{public: //! various constructors RotatedRect(); RotatedRect(cons...

原创 Machine Learning -- SVM(支持向量机)通俗理解

SVM(支持向量机)：支持向量机算法可以看作是逻辑回归算法的 强化：通过给予逻辑回归算法更严格的优化条件，支持向量机算法可以获得比逻辑回归更好的分类界线。通过和高斯核函数的结合，支持向量机可以表达出非常复杂的分类界线，从而达成很好的分类效果。"核"事实上就是一种特殊的函数，最典型的特征就是可以将低维的空间映射到高维空间。如下图所示：                       ...

转载 Machine Learning第十讲【大规模机器学习】

本部分主要包括如下内容：      Learning With Large Datasets (大数据集训练模型)      Stochastic Gradient Descent (随机梯度下降算法)      Mini-Batch Gradient Descent (小批量梯度下降算法)      Stochastic Gradient Descent Convergence ...

转载 Machine Learning第九讲【推荐系统】-- （三）低秩矩阵分解

一、Vectorization: Low Rank Matric Factorization（向量化： 低秩矩阵分解）我们仍然使用之前movie的例子：将这些数据写成矩阵的形式，即右边的Y矩阵，又因为用户j对电影i的评分预测值为：因此Y矩阵对应的预测值应为：                                              我们记：      ...

转载 Machine Learning第九讲【推荐系统】-- （二）协同过滤

一、Collaborative Filtering（协同过滤）协同过滤能够自行学习所需要使用的特征。来看下面的例子：在之前讲的基于内容的推荐系统中，我们需要事先建立特征并知道特征值，这是比较困难的。假设我们某一用户的喜好，即假如Alice、Bob喜欢romance的电影，carol、Dave喜欢action的电影，则：                      就拿Alice来...

转载 Machine Learning第九讲【推荐系统】--（一）基于内容的推荐系统

符号介绍：对于每一个用户j，假设我们已经通过学习找到参数，则用户j对电影i的评分预测值为：。 对于上面的例子：                                                       假设已知：                                   则Alice（j=1）对Cute pupies of lov...

转载 Machine Learning第九讲【异常检测】-- （三）多元高斯分布

一、Multivariate Gaussian Distribution（多元高斯分布）数据中心例子： 因为上面的原因，会带来一些误差，因此我们引入了改良版的算法：我们不再单独地将p(x1)，p(x2)，p(x3)训练模型，而是将这些参数都放在一个模型里，下面用几张图形象的看一下高斯分布：图一：μ取在原点，改变的值 图二：μ取在原点，改变左下-右上方向的值。...

转载 Machine Learning第九讲【异常检测】-- （二）创建一个异常检测系统

一、Developing and Evaluating an Anomaly Detection System（异常检测系统的衡量指标）对于某一算法，我们可以通过借助某些数字指标来衡量算法的好坏，仍旧以飞机引擎的例子来说：假设有10000个正常的引擎，20个有瑕疵的引擎（异常）我们将这些 引擎分为以下数据集：训练集：使用6000个正常的引擎（y=0） 交叉验证集：使用2000个正...

转载 Machine Learning第九讲【异常检测】--（一）密度估计

一、Problem Motivation（问题引入）异常检测一般应用在非监督学习的问题上，如图，我们可以通过已知的数据集，训练模型根据此模型进行异常检测：在使用这些数据训练的过程中，我们假设这些数据是正常的。我们可以把异常检测应用在网站欺诈预测上，比如可以根据用户平时的打字速度，登录地点，登录时间，下单次数等预测是否用户登录情况异常等，也可以用于工业界或者根据CPU利用率，Me...

转载 Machine Learning第八讲【非监督学习】-- （四）PCA应用

一、Reconstruction from Compressed Representation（压缩特征的复原）本部分主要讲我们如何将已经压缩过的特征复原成原来的，如下图：左边的二维图是未缩减维数之前的情况，下面的一维图是利用缩减之后的情况，我们利用公式可以得到x的近似值，如右图，点全部在直线上，虽然有一定的误差， 但是是大致相等的。 二、Choosing the Number...

转载 Machine Learning第八讲【非监督学习】--（三）主成分分析（PCA）

一、Principal Component Analysis Problem Formulation（主成分分析构思）首先来看一下PCA的基本原理：PCA会选择投影误差最小的一条线，由图中可以看出，当这条线是我们所求时，投影误差比较小，而投影误差比较大时，一定是这条线偏离最优直线。PCA的方向：从图上的分析，我们可能很疑惑PCA和线性回归如此地相似，那么两者是一回事吗？下面...

转载 Machine Learning第八讲【非监督学习】-- （二）动因

一、Motivation I: Data Compression（动因I：数据压缩）下面是2个降维处理的实例：实例1：将cm和inch的2维数据降成1维数据：实例2：降3维数据降成2维数据：二、Motivation II: Visualization（动因II：可视化）对于数据集的可视化，假设数据集本身有n的feature，我们想要可视化这个数据集，则需要进行降维处理，...