zpnkwxp2011的博客

原创 参考文献批量上标 参考文献引用出现多级别表的情况

参考文献批量上标：搜索框输入\[([0-9]{1,3})\]，并且启用通配符。替换框输入字体上标。参考文献引用出现多级别表的情况：多级别表，把参考文献的项设置为第一级，

原创 计算机等级考试学生机软件下载网址

相关下载 - 中国教育考试网 (neea.edu.cn)

原创 latex字体蓝色显示

\textcolor{blue}{ELM}{\color{blue}{{\appendix

原创 毕业论文写作技巧

可以把英语word文章翻译成中文图片的word，然后转成pdf格式，然后用极光把pdf每一页转成图片，然后用下面的网址，把图片转换成带mathtype公式的word版，或这转换成latex版本。

原创 L2,1范数理解

参考网址：

原创 验证，为什么DCT变换后能量集中在低频部分？

验证，为什么DCT变换后能量集中在低频部分？

转载 全变分图像理解（使用split bregmen方法求解）

https://zhuanlan.zhihu.com/p/93350544微分方程数值求解——有限差分法 - 知乎 (zhihu.com)

原创 回归加二范数约束和优化过程

回归加二范数约束和优化过程（过程不一定争取，请同仁批评指正）

转载 Fisher线性判别散度矩阵Sb,Sw 另一种表达形式的证明

Fisher线性判别散度矩阵Sb,Sw 另一种表达形式的证明_云水禅心的博客-CSDN博客_散度矩阵公式推导

原创 简单滤波器的理解

从rc滤波器说起，如下图：滤波器的滤波频率，只与滤波器的频率振幅函数相关。频率相位函数只是对原始信号有一个时间的延迟,具体如下图所示：上图第一个是频率振幅函数，第二个是频率相位函数。推导见下图：...

转载 马氏距离理解

https://zhuanlan.zhihu.com/p/46626607先看上面网址，再看下图

原创 向量组等价与极大无关组的理解

解法1：解法2：

原创 KPCA的两点理解

令=为什么模是？这一点的参考文献是：Nonlinear Component Analysis as a Kernel Eigenvalue Problem

原创 对local tensor discriminant analysis的理解，MFA加强版

这是类内和类间的初始值。不管是i在j的k紧邻，还是j在i的k紧邻，Wij，Wji都会有值，Wij=，Wji=1/kw(j). kw(j)是第j行非零元素个数，也就是在j元素邻居范围内的元素个数。虽然不是对称矩阵，但是通过下面是式子表明可以不用对称。此处可以是矩阵，因为tr，这也表示F范数。...

原创 discriminant tensor subspace analysis

论文Face Recognition and Micro-expression Recognition Based on Discriminant Tensor Subspace Analysis Plus Extreme Learning Machine公式理解公式6的理解为什么成立：为什么？？？

转载 2020-12-27

https://blog.csdn.net/lanchunhui/article/details/69053310模拟正态分布的采样过程。

转载 e的复数积分和傅里叶变换的基德正交性

方法1：e^jwt=coswt+jsinwt，他的积分为（coswt+jsinwt）/jw=coswt/jw+sinwt/w,，然后对w的无穷大，就是0。方法2：∫ +∞ = (e^jwt/jw)dt=∫+∞ =(e^jwt)d(jwt)= e^jwt | +∞。因为d(jwt)` =jw*dt 你可以看出d(jwt)与dt存在倍数关系[多了jw]，你可以 除jw以此换成d（jwt），刚好这个式子有除jw，所以正好可以替换，这就是凑微法。当l为无穷大时，就为...

转载 共轭梯度算法理解（CG）

https://blog.csdn.net/weixin_37895339/article/details/84640137?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-1&utm_source=distribute.pc_relevant.none-task-blog-Blog...

转载 word分栏 公式居中对齐 自动编号

word分栏后如何实现公式居中、编号右对齐？https://jingyan.baidu.com/article/27fa7326db71bd07f9271f79.htmlWORD中公式的自动编号和交叉引用方法https://jingyan.baidu.com/article/4dc408486da1e1c8d946f133.htmlWord中曾经创建的题注标签全部消失了_怎么办？...

转载 史上最直白的ICA教程之一

史上最直白的ICA教程之一https://blog.csdn.net/lizhe_dashuju/article/details/50263339?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task

转载 极大似然估计的数学意义及例题

https://blog.csdn.net/GENGXINGGUANG/article/details/102550841

转载 近端梯度下降算法 和迭代阈值收缩算法（ISTA）和 软阈值

近端梯度下降算法(Proximal Gradient Algorithm)https://blog.csdn.net/qq_38290475/article/details/81052206?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task...

转载 离散傅里叶变化

原创 腾讯网上共享excel使用总结

要先在自己的电脑上用excel创建一个如下图所示的文件然后把这个含有五张表的excel文件导入到网上，然后把编辑权限赋予计科院教师群。

原创 2d-ssa示意图

原图，以2*2的窗口从左向右滑动，然后组成列向量，然后排列，如下图所示：同样颜色方框的矩阵对称，恢复的时候，先对称矩阵相加，除以二，得到最上面的两行，然后然后对每一个矩阵单独用对角平均化恢复，例如矩阵的恢复是，1，6，11，16，21；然后转到下一行，恢复2，7，12，17，22；以此类推，可以恢复出原始信号。如果按照3*3的window滑动，轨迹矩阵如下：如果按照4*4的串口...

原创 matlab字符串作为变量被load加载

i=20 as='PaviaU_index_nSample' te = ['paviaU_index_nsample20','.mat'] load (te)

原创 GAN理论的理解

连续分布的x值有如下推导过程：x是连续的值，Pdata(x)和PG(x)是一个特定的x值的概率密度，当原始图片和生成的图片的概率密度一样的时候，生成图片生成的都是原始图片里面的图片，而且个个图片的概率密度也是相同的，不会生成其他图片。然后用一个batch采样的方法，极大似然估计的方法，使得生成图片逼近原始图片。如下图所示的算法：上图蓝线是不同的G，分别是G1，G2，G3...

原创 KMFA理解

由=的推导过程。其中====重点在于令。=表示每一个元素映射的公式。=刚好就是，所有的映射后的样本的平方和。这样的所有样本的平方和就是1，就是一个归一化过程。=。...

原创 谱聚类 lda MFA

拉普拉斯特征映射的一点证明：谱聚类从修剪边最小化，且使得修剪后的边除以这一类的样本数最小。随后用高斯函数构造边矩阵，模拟出ratio图，松弛为拉普拉斯矩阵的最小特征值问题。LDA从欧式距离构造出协方差矩阵，然后求出特征值。MFA选取k1邻近作为类内的每个像素点的邻接像素点，构造邻接矩阵，注意这个矩阵是对称的，也就是只要i是j的k1邻近点，则wij=wji=1。同理类间的k2邻...

原创 矩阵0空间，0度，核子空间

核子空间对应0度0空间定义为：0空间用的是矩阵A的解空间，核子空间是矩阵A的部分列向量张成的空间。

原创 协方差矩阵与pca pca的矩阵优化解法

参考协方差矩阵的物理意义：https://blog.csdn.net/guyuealian/article/details/68922981一维的正态分布，方差表示分布的离散程度。如上图右下角子图。二维正态分布，如果协方差矩阵为，表示两个维度的向量分布分别沿着x轴和y轴，且相互垂直，则分别求出x数据集和y数据集的方差就是协方差矩阵的特征值，进而可以表示二维数据的分布。如果二维数据分...

转载 一范和核范数与F范数的联合优化方法的理解

对不满足a+u<0或a-u>0条件时的理解红框理解因此再用乘回去就是最小值。奇异值收缩证明方法2

原创 奇异值收缩算法（SVT）的理解（核范数优化）

这个问题的解是，这就是奇异值收缩方法，也就是大于的奇异值减去，然后再乘回去得到问题的解，具体证明参考A Singular Value Thresholding Algorithm for Matrix Completion第5页。问题的解是，Y0=0，第一步就是奇异值收缩，第二部是拉格朗日参数的梯度递增算法，具体证明看A Singular Value Thresholding Algorith...

原创 矩阵迹的微分和求导

一些优化中的应用：对的求导如下图所示：结果就是：

转载 拉格朗日函数、对偶上升法、对偶分解法 ADMM的理解

参考三篇博客【优化】对偶上升法(Dual Ascent)超简说明https://blog.csdn.net/shenxiaolu1984/article/details/78175382?locationnum=6&amp;fps=1%20%E5%8F%82%E8%80%83%E9%93%BE%E6%8E%A5凸优化：ADMM(Alternating Direction Method ...

转载 PCANET理解

参考《（论文精读）PCANet：一种简单的图像分类的深度学习基线》第一步，先对N图像分块，每个分块向量化，所有图像的分块向量进行pca，得到最大的前m个特征向量，每幅图像的每个分块乘以每一个特征向量得到N*m幅图像。假设第二部去前h个最大的特征向量，和第一步一样，最终得到N*m*h幅图像。 将第一层的每个输出矩阵，分成b块的原因是，如果不分块，就会出现全局直方图相同，...

转载 拉普拉斯聚类和特征映射的理解

参考聚类https://www.cnblogs.com/pinard/p/6221564.html#!comments参考特征映射https://blog.csdn.net/xbinworld/article/details/8855796根据聚类的文章，两种切图：因为切图时，距离近的点之间的权重w更大，所以按照Ncut切图更能反映事物的本质联系，原始的推导是把yi赋予或者，其...

原创 迪杰斯特拉（dijkstra）算法 理解

每次循环找到最小的点，其他点的距离都是暂时的，以后循环这个最小的点的距离不会变化；再一次循环是以上一次循环得到的最小点位定点，在找到一个最小点，和之前这些点的距离比较，在所有这些点中找到距离次短的那个点，因为下一次循环是以这个次短的点开始的，这个次短的点会变化吗？从最短的点到一个点再到次短的点的距离肯定比直接得到的次短的距离要长，所以这个次短的点不会变化。结果就是可以找到一条从原始点到各个顶点的最...

原创 支持向量机 使用说明

[Ypre_svm] = SVMclassify(testImages',images', labels', gammaval,C);这一句是整体引用。C=10.^[1:5];sigmaval = 2.^[-4 : 4];  gammaval = 1./(2*sigmaval.^2);for p = 1 : length(gammaval)    for q = 1 : lengt...

原创 支持向量机算法的理解

先引用两篇好博客：https://blog.csdn.net/u011239443/article/details/77170119https://blog.csdn.net/willbkimps/article/details/54697698对原始问题的拉格朗日乘子法得到其“对偶问题”，因为原始问题时凸问题，所以是强对偶，而且这个对偶问题也是凹的，所以可以用凸优化工具解决，为了提高...