原创 （4）Neural Networks: Representation

以下内容源自coursera上的machine learning，同时参考了Rachel-Zhang的博客(http://blog.csdn.net/abcjennifer)在讲完了logisitc regression 和 linear regression的两种常用方法后，考虑到一些弊端，我们需要进一步了解其他的机器学习方法，摘要：（一）（二）:是让我们了解神经网络

原创 （3）Logistic Regression and Regularization

以下内容源自coursera上的machine learning，同时参考了Rachel-Zhang的博客(http://blog.csdn.net/abcjennifer)前面两节讲的主要是线性回归的（单特征和多特征）：最主要的步骤就是得出cost function，求出令cost function最小的的参数theta。至于如何求呢？有两种方法，一种是梯度下降，一种是normal

原创 （2）Linear Regression with Multiple Variables

以下内容源自coursera上的machine learning，同时参考了Rachel-Zhang的博客(http://blog.csdn.net/abcjennifer)上一节讲了只有一个特征的情况，下面聊聊多特征的。（一）：多特征的例子以及多特征的的cost function和得到的函数h（二）：单特征和多特征的梯度算法的比较：

原创 （1）Linear Regression with One Variable

以下内容源自coursera上的machine learning，同时参考了Rachel-Zhang的博客(http://blog.csdn.net/abcjennifer)

转载 灰度图像形态学膨胀与腐蚀

与二值图像有些差异。示例：（1）灰度膨胀>> t=rand(7,8);>> t=ceil(t.*256)%t为灰度图像t =   209   125   191     9   168   246   158    14   232   205   101   113    42   141   122   136    33    37   168    98

原创 imfilter函数，padarray函数

imfilter函数：下面这段是转的翻译：用法：B = imfilter(A,H)B = imfilter(A,H,option1,option2,...)或写作g = imfilter(f, w, filtering_mode, boundary_options, size_options)其中，f为输入图像，w为滤波掩模，g为滤波后图像。filtering_mode

原创 利用机器学习进行分类（梯度算法）

到这里，公式就推导完毕了。看个例子明白点:希望可以将带星号和带加号区分开来下面是主要代码：function [th,ll] = plotdots(x,y,z)% rows of X are training samples% rows of Y are corresponding 0/1 valueshold on;%%

转载 matlab四种图像类型

1、索引图像索引图像包括一个数据矩阵X，一个颜色映像矩阵Map。其中Map是一个包含三列、若干行的数据阵列，其中每个元素的值均为[0, 1]之间的双精度浮点型数据。Map矩阵的每一行分别表示红色、绿色和蓝色的颜色值。在MATLAB中，索引图像是从像素值到颜色映射表值的“直接映射”。像素颜色由数据矩阵X作为索引指向矩阵Map进行索引，例如，值1指向矩阵Map中的第一行，值2指向第二行，以此类

原创 imshow()函数：参数是不同类型的情况

这是昨天的问题：RGB = imread('A.jpg');加入此时得到的RGB是uint8类型的三维数组。那么imshow(RGB)，ok完全没问题，得到的是原图。但是imshow( double(RGB) )或者imshow( uint16(RGB) )亦或是imshow( single(RGB) )得到的都是全黑或全白的。搞半天，感觉可能是

原创 graycomatrix函数生成灰度共生矩阵

灰度共生矩阵的接触知识，http://www.cnblogs.com/tiandsp/archive/2013/03/23/2977673.html初学者再看如此多的公式，可能看也看不懂。那就简单的办法就是直接看图（matlab help文件中的）：刚开始看的人，肯定也摸不着头脑。我这里解释下两边矩阵的含义：（1）左边的矩阵，你可以想成某图像的像素（当然不是rgb的，可以认为是

原创 自组织竞争网络

net= newc(P,S,KLR,CLR) P  - RxQ matrix of Q input vectors.S  - Number of neurons.KLR - Kohonen learning rate, default = 0.01. CLR - Conscience learning rate, default = 0.001.在2010b以后的版本用

原创 优化问题的matlab解法

1.线性优化：   linprog函数的用法，具体可以help下。2.非线性优化：   fmincon函数[x,fval,exitflag,output,lambda,grad,hessian] =fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon,options)fun的用法（1）直接引号内写入方程式，如'-x(1)-x(2)+0.5*x(1

原创 Matlab的libsvm的安装

怕自己忘记。做个笔记，收藏网址。http://www.ilovematlab.cn/thread-35262-1-1.htmlhttp://www.ilovematlab.cn/thread-61234-9-1.htmlhttp://www.ilovematlab.cn/forum.php?mod=viewthread&tid=217493这三个网址基本上都可以解决问题了。

转载 如何在谷歌上搜索？

原创 MATLAB动态神经网络-时间系列预测

看了matlat中文论坛上的用动态神经网络预测时间序列http://www.ilovem http:// a http:// http:// tlab.cn/thread-113431-1-1.html（1）第一种基本知识需要知道训练数据（training data）验证数据（validation data）测试数据（testing data）这三个需要分清，可是我

原创 补零位置的不同对频谱的影响

补零的在很多时候都能用到，然而在不一样的位置补零产生的影响是不一样的。补零主要有前面补零，后面补零和中间补零。我们设原序列为x(n),前面补零后的序列为xq(n)  后面补零后的序列为xh(n)    中间补零后的序列为xz(n) ；四个序列的DTFT分别为X(jw),XQ(jw),XH(jw),XZ(jw)  ；四个序列的DFT分别为X(K),XQ(k),XH(k),XZ(k

原创 matlab实现信号的变换

1.数字信号处理中基本的操作有产生序列（单位阶跃序列，单位脉冲序列，正弦序列，指数序列等等），指数，正弦序列比较简单，只需要简单得公式输入即可单位阶跃，单位脉冲序列利用逻辑数组显得比较好懂易于理解，如需要产生δ(n-n0)：x=（n==n0），阶跃序列同样的道理2.关于序列的一些列变化在处理信号的过程中，会涉及到很多信号处理，信号相加（相乘），信号反转，信号的尺度变换，信号

转载 FFT结果的物理意义

图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。如：大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域，对应的频率值较高。傅立叶变换在实际中有非常明显的物理意义，设f是一个能量有限的模拟信号，则其傅立叶变换就表示f的谱。从纯粹的数学意义上看，傅立叶变换是将一个函数转换为一系列周期函数来处理的。从物

原创 FFT造成的频谱混叠，栅栏效应，频谱泄露，谱间干扰

fft在分析频谱分析的时候，会有下面四个方面的误差：（1）频谱混叠： 奈奎斯特定理已被众所周知了，所以几乎所有人的都知道为了不让频谱混叠，理论上采样频谱大于等于信号的最高频率。那和时域上联系起来的关系是什么呢？采样周期的倒数是频谱分辨率，最高频率的倒数是采样周期。设定采样点数为N，采样频率fs，最高频率fh，故频谱分辨率f=fs/N,而fs>=2fh，所以可以看出最高频率与频谱

原创 FFT频谱分析以及时域频域上参数关系

1.解读时域连续信号离散傅里叶分析的处理步骤：首先，一个时域信号x(t)(频谱为x(jw))通过一个低通滤波器，频谱上就是截断x(jw)在某一频段，至于这频段为多少：为了满足采样定理，x'(t)的频谱2*π*f'而后，经过A/D转换器，时域上的采样在频域上为周期延拓，因此x(n)的离散频谱x(e^jw)为x(jw)的周期延拓，并且x(e^jw)的周期为2π（这是离散傅里叶变换的

原创 DIT和DIF的基2FFT算法

根据课本上分析的DIT和DIF的步骤以及特点，写了两个DIF和DIT的基2fft算法。DIT和DIF，为了方便编程，对于前者将输入按倒位序重新排列，输出几位自然顺序排列；后者的话，输入为自然顺序，输出为倒位序。难点就是倒位序的算法，以及FFT的循环算法。下面是最简单的序列长度为2的整数幂1.倒位序算法，两者都是通用的。（1）折断一半再拼上，再折断一半再拼上，知道

原创 信号与系统12：滤波

是不是没认真听？简单的RC电路就可以充当一些非理想的低通或者高通滤波器，通过RC的不断级联可以得到质量稍好的滤波器。滤波器有递归与非递归的。

原创 信号与系统11：连续，离散傅里叶变换与级数

连续，离散的傅里叶变换与级数还是很混！1.由于离散复指数的周期性，导致离散傅里叶变换是有周期的（2π）。而由于这个原因，导致了一系列的差别性，比如离散的相乘特性：时域上的乘积等于频域上的卷积（此时的卷积为周期卷积！）2.相乘特性时域上的乘积等于频域上的卷积。(以连续信号为例)，离散信号有一点区别。我们考虑如果在输入信号为a^t*u（t），频域上为1/[1-ae^

转载 数学公式的英语表达

加：plus减：minus乘：times/multiplied by除：divided by(不)等于：（not）equals/be （not） equal to大(小)于：be greater（less） than远远大于（小于）：be much/far greater（less）than约等于：be appro

原创 信号与系统10:离散傅里叶级数和变换

与连续信号的傅里叶级数和变换一样，两者都有大多数的相同点，但最重要的区别有，离散信号傅里叶系数是有周期的，离散信号拆分成的复指数信号也是有周期的，而引起这些现象的原因是就是e^(jkwn)和e^(jkwt)的差别，若x(n)=e^(jkwn)与x(t)=e^(jkwt),此时x(n)=x(n+N),x(t)=x(t+T),但是若x(k)=e^(jkwn)与x(k)=x(t)=e^(jkwt

原创 信号与系统9：傅里叶变换性质

讲了很多傅里叶变换的性质，从简单的线性性，以及时域与频域的关系，对偶性，能量的帕斯瓦尔公式，到最重要的卷积性质和相乘性质（调制性质）1.时域与频域的关系：当时间扩大，频域就相应缩小，视频中一个比较好理解的例子：播放录音时，加快播放速度，声音就会变沉重；减缓播放速度，声音就边尖；2.线性性,以及帕斯瓦尔挺好理解的，对偶性好像不是很好理解；3.卷积性质是滤波的基础，相乘性质是调制的基础；

原创 matlab 傅里叶级数不断逼近周期信号

根据傅里叶级数，得知一个周期信号的表达式可以写成：其中ak由分析公式得到为了验证x(t)如何有一系列的指数信号构成的，我们修改下x(t)的表达式为：仅仅是将正无穷大改为整数N，我们通过不断加大N来观察x(t)的情况。取一个周期内以周期T进行周期拖延得到x1(t)，通过分析公式得带ak。下为matlab仿真图这是i=1的情况，就是简单的余弦函数,与信号x1(t

原创 信号与系统8：傅里叶变换

从傅里叶级数如何变换到傅里叶变换，其思想是首先将非周期的信号x(t)以某周期T周期拓延，得到一个周期信号x1(t)，由于周期信号有傅里叶级数我们得到一系列的傅里叶级数a(k)，当T趋向于无穷大，则x(t)=x1(t)此时的傅里叶级数就是傅里叶变换了。有了傅里叶变换的定义，很自然地会想到两者有什么关系呢？我们可以这么理解对于时域的有限在频域上一定是无限的，假定非周期信号x(t)是

原创 信号与系统7：傅里叶级数

lgq说当你第一次看通信原理专业书的时候，肯定是不可能完全看得懂的，只有以后在回顾去翻才能恍然大悟。今天同样的道理总算体现在我身上了，我记得一年前打死我也看不懂的傅里叶级数第一节，今天瞬间就明白了。1.前面讲正弦信号和指数信号的时候说到过，可以将信号分解成一个常用的信号组合，而这个组合需要满足大概两个要求：（1）可以组成大部分的信号；（2）通过一个系统后，还是可以较简单

原创 信号与系统6：差分微分表示系统

利用差分微分方程表示系统，感觉听了一节课，没有什么收获，可能和自己一节课分了还几次听有关，线性常系数差分微分方程的求解，看了高数有光齐次性和非齐次性的线性微分方程的求解：（1）齐次性的求出通解；（2）非齐次性求出相对应的齐次性通解和非齐次性的特解，两者相加变为非齐次性的解两者均有无数个解，所以必须有个初始条件才好办事。通过前面讲到的级联的转换顺序可以减少一些硬件的数目，没有很充

原创 信号与系统5：模拟与数字信号处理

本节将的是线性时不变系统特有的性质（请格外注意：只有LTI系统才满足，其他系统不一定满足！）三个代数性质：交换律，结合律，分配律在串联级联中，满足交换律可随意交换位置，这么举个例子吧，如果不是线性系统，在串联级联中是不可以随意换位置的，比如先求开方再求平方与先求平方再求开方是不一样的。所以，我们在判断系统是否为LTI，可以换种角度来看。即看看是否交换律，（但满足交换律与系统是LTI是否为充

原创 圆周卷积和画图技巧

数字信号处理中讲到圆周卷积，试着写了下matlab程序。根据圆周卷积的公式：x1(m)不需要变，难点是我们如何将x2((n-m))表示出来，既要沿着y轴反转，还要周期拖延，并且用矩形序列将0-N-1数去读取出来就ok了。灵活运用了mod函数的功能，就可以达到目的。这里顺便说下mod与rem的区别，对于整数和0，mod与rem是完全一样的，但对于负数就有区别了，区别在于它们的

原创 信号与系统4：卷积

开头以如何利用系统的线性时不变性质引出怎样将信号分解成基本信号，有两种基本信号，一种延迟脉冲，另一种复指数信号，两者相对应的分别是卷积和傅里叶分析今天着重讲了卷积公式的由来，以及介绍了离散以及连续系统下的卷积例子讲了卷积公式的又来，令我豁然开朗，知道为什么一直强调线性是不变的性质了，以前就是纯记公式了！1.离散系统：因为每一个离散信号都可以表示成延迟脉冲与幅度相乘后之和，即我们

原创 信号与系统3：单位阶跃，单位响应以及系统性质

主要讲了两点，其一，两类函数，单位阶跃和单位响应；其二，系统的一些基本性质1.很自然得，又得将单位阶跃，单位响应分成连续时间和离散时间。此时，注意单位阶跃与单位响应的关系。δ(n)=u(n)-u(n-1),u(n)=负无穷到n的求和（δ(n)）。连续时间的也基本类似，但比较麻烦的就是连续时间的单位阶跃响应，因为一牵扯到极限就比较麻烦，我的理解是将之的性质：面积为1灵活运用会更加利于处理

原创 A律与13折线

今天趁着无聊，试试通信原理上课讲到的用十三折线近似A律对数压缩特性原本以为很快，没想到困难重重。为了验证两者之间近似效果好不好，首先想到的就是将A律与十三折线呈现在一张图上看看效果画十三折线和A律函数图还是简单的，几句代码就搞定了。也达到了目的，但是，这个时候却不能算出两者的差，因为A律的曲线我使用函数做的，而十三折线确实直接画的两个对应的幅度值y是不同维数的，不可以相减！后来

原创 信号与系统2：正弦信号和指数信号

发现奥本海默教授竟然用左手写字诶，突然想到好多美国人都是左手写字的，他们自己见怪不怪了吧。在我们国家用左手吃饭已经够让人惊讶一段时间了，何况是写字呢？这就是different culture吧。想起小时候我用左手吃饭，被我爸死死教训回来，后来和我说在饭桌上吃饭多少难看，想想也挺好的。不同的文化下必须用最适合的方式才是最好的。教授讲了主要两个重要的信号，正弦（余弦）信号，指数信号

原创 信号与系统1：引言

带着学习的态度看了网易的公开课：模拟与熟悉信号处理。本着希望通过记博客来提高自己看视频学习的效率的态度来写该系列。最近又在看实用数字信号处理，发现美国人写书的一个特性就是详细得不得了，就是怕你听不懂，所有已各种括号，有各种比如，各种举个例子。我在看视频是也发现，为了初学者更好的理解各种名字的含义，奥本海默教授不断用距离来给我们介绍连续变量，离散变量，连续时间系统，离散时间系统等等之

原创 Matlab 数据库工具箱函数

看了下数据库函数的书，对于数据源的配置，还有设置之类的，感觉还是不会。加强点对函数的记忆，与用法吧。一般将数据源配好后，为了将数据库连接到matlabconna=database（‘datasourcename’,'A','B'）-----------datasourcename就是你的数据源名，后面的参数A,B一般是空串；而有些时候为了防止数据库一直连接不到matlab，

原创 基于主成分的图像处理

主要解决了在一幅图中的数，如何灵活的变换可以达到自己变化的目的。最重要的就是可以使用元胞数组，比如IM是16*20的元胞数组，而每个元胞中的数又是16*16*3的。如何将每个元胞中的768按顺序排在一行呢？即将IM变换成320*728的矩阵，每一行代表着一个元胞。没接触元胞数组之前，我很自然可以想到用两个for循环:a=[];t=1;for j=1:20for

原创 读入avi文件遇到的问题

AVI=aviread(‘***.avi’);产生以下的错误：Unable to locate decompressor Indeo5 to decompress video stream苦逼的看不懂英文，有道翻译：没有Indeo5的解码器来解码视频流math论坛中也说是因为没有相应的解码器，利用aciinfo函数可以查看需要什么解码器，然后下载就行了。