一.平稳随机过程 1.严平稳随机过程 clc clear n=0:1000; x=randn(1,1001); subplot(211),plot(n,x); xlabel('n');ylabel('x(n)'); grid on subplot(212),hist(x,50) grid on 2. 3.随机相位正弦信号 3.1 %随机相位正弦信号clc clear t=0:0.01:30; w=pi/2; x1=cos(w*t+2*pi*rand*ones(1,3001)); x2=cos(w

若干年前读研的时候,学院有一个教授,专门做群蚁算法的,很厉害,偶尔了解了一点点.感觉也是生物智能的一个体现,和遗传算法.神经网络有异曲同工之妙.只不过当时没有实际需求学习,所以没去研究.最近有一个这样的任务,所以就好好把基础研究了一下,驱动式学习,目标明确,所以还是比较快去接受和理解,然后写代码实现就好了.今天就带领大家走近TSP问题以及群蚁算法. 机器学习目录:[目录]数据挖掘与机器学习相关算法文章总目录 本文原文地址:群蚁算法理论与实践全攻略——旅行商等路径优化问题的新方法 1.关于旅行商(

位置传感器:旋转编码器          MCU:STM32F405RGT6          功率MOS驱动芯片:DRV8301 全文均假设在无弱磁控制的情况下 FOC算法理论 首先,我们要知道FOC是用来干什么的?有什么用?相比于BLDC的六步方波驱动有什么优点? 传统的六步方波驱动由于产生的磁场旋转运动不连续,导致电机转子受的驱动力矩发生突变(转矩脉动),即使通过增加电机极对数也不能的很好解决这一问题.另外由于方波驱动产生的驱动力不能全部的用于转子切线方向的转矩,还有一部分力损失在转子径向

今天实现了<一类求解方程全部根的改进差分进化算法>(by 宁桂英,周永权),虽然最后的实现结果并没有文中分析的那么好,但是本文依然是给了一个求解多项式全部实根的基本思路.思路是对的,利用了代数原理. 求解全部根的理论还是很有必要说一下的.就是利用了多项式综合除法,在matlab中可以采用deconv(A,B)直接实现.同时为了确定多项式方程根的范围,还采用了代数方程根的分布理论,个人觉得这两点是值得借鉴的一种方法. % 首先定义常量,包括最大迭代次数.搜索范围.个体维度.缩放因子等.程序如下

公号:码农充电站pro 主页:https://codeshellme.github.io KNN 算法的全称是K-Nearest Neighbor,中文为K 近邻算法,它是基于距离的一种算法,简单有效. KNN 算法即可用于分类问题,也可用于回归问题. 1,准备电影数据 假如我们统计了一些电影数据,包括电影名称,打斗次数,接吻次数,电影类型,如下: 电影名称 打斗次数 接吻次数 电影类型 黑客帝国 115 6 动作片 功夫 109 8 动作片 战狼 120 9 动作片 恋恋笔记本 5 78 爱情

背景就不介绍了,REINFORCE算法和AC算法是强化学习中基于策略这类的基础算法,这两个算法的算法描述(伪代码)参见Sutton的reinforcement introduction(2nd). AC算法可以看做是在REINFORCE算法基础上扩展的,所以这里我们主要讨论REINFORCE算法中算法描述和实际代码设计中的一些区别,当然这也适用于AC算法: 1.  时序折扣项为什么在实际代码中不加入  REINFORCE算法中是需要对状态动作对出现在episode内的顺序进行折扣加权的,即 γt

主要内容: 动机 FM算法模型 FM算法VS 其他算法   一.动机 在传统的线性模型如LR中,每个特征都是独立的,如果需要考虑特征与特征直接的交互作用,可能需要人工对特征进行交叉组合:非线性SVM可以对特征进行kernel映射,但是在特征高度稀疏的情况下,并不能很好地进行学习:现在也有很多分解模型Factorization model如矩阵分解MF.SVD++等,这些模型可以学习到特征之间的交互隐藏关系,但基本上每个模型都只适用于特定的输入和场景.为此,在高度稀疏的数据场景下如推荐系统,FM(

Matlab 自带PCA函数形式为 [mappedX, mapping] = pca(X, no_dims) 自己编写PCA函数的步骤 %第一步:输入样本矩阵%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% data=rand(10,8)+randn(10,8)+ones(10,8); %现对其进行pca降维 %% %第二步:计算样本中每一维的均值,然后计算观察值与均值之间的偏差,再计算协方差矩阵 data=bsxfun(@minus,data,mean(data)

全称 perceptron learning algrithm 用武之地 二值分类问题,资料线性可分 算法核心(以二维平面为例) 找到一条直线WTX=0,一边全为+1,另一边全为-1.找到了这条线(即,向量W)就得到了分类器. 如何找到这条线? 每次选取分类出错的样本点,迭代执行:Wt+1T=WtT+yn(t)Xn(t)  (t代表第t次迭代) 直观理解:改变分界线的方向,尽量在下一次预测的时候将当前预测出错的这个点出现在线的另一边. 我的问题 这里是不是默认原点就在分界线上,因为都是围绕原点进

function [best_solution,best_fit,iter] = mySa(solution,a,t0,tf,Markov) % 模拟退化算法 % ===== 输入 ======% % solution 初始解 % a 温度衰减系数 0.99 % t0 初始温度 120 % tf 最终温度 1 % Markov 马尔科夫链长度 10000 % ====== 输出 =====% % best_solution 最优解 % best_fit 最优解目标值 % iter 迭代次数 n

EM算法(Expectation-maximization),又称最大期望算法,是一种迭代算法,用于含有隐变量的概率模型参数的极大似然估计(或极大后验概率估计) 从定义可知,该算法是用来估计参数的,这里约定参数为  .既然是迭代算法,那么肯定有一个初始值,记为  ,然后再通过算法计算  通常,当模型的变量都是观测变量时,可以直接通过极大似然估计法,或者贝叶斯估计法估计模型参数.但是当模型包含隐变量时,就不能简单的使用这些估计方法 举个具体的栗子: 永远在你身后:Matplotlib输出动画实现K

大家可以在网上搜索相关的主题啊,你可以搜索到一堆,不过似乎没有那一个讲的很全面,我这里抽空整理和测试一下数据,分享给大家. 我们假定有2个32位的图层,图层BG和图层FG,其中图层BG是背景层(位于下部),图层FG是前景层(位于上部),我们摸索其混合后的颜色的计算公式. 我们取一个点的像素做分析: 其中BG层某点的颜色为: B1 = 168    G1 = 99     R1= 114    A1 = 70 其中FG层某点的颜色为: B2= 80       G2 = 71     R2= 16

接下来几篇文章我们将稍微简单的探索下PS中多种图层混合模式的算法内部原理,因为毕竟没有这方面的官方资料,所以很多方面也只是本人自己的探索和实践,有可能和实际的情况有着较大的差异. 在PS的实践中,图层样式的存在使得一个简单的图形蜕变为一个丰富的样式成为可能,而在PS的各个版本中,图层样式的选项也越来越丰富, 功能也越来越强大.作为一个成功的图形和图形编辑软件,图层样式功能是否缺失也可以看成其是否具有强大生命力的一个典型标志,比如作为图像开源界的扛把子 GIMP 就没有这个功能.而平时我们能看到的

问题引入 下面的三个超平面都起到分类的效果,哪个最好? 答案显然是第三个.为什么? 直觉上,如果现在我们有个测试点,非常靠近右下角的那个红叉叉,也就是说这个点的特征与那个红叉叉非常接近,这时候,我们希望我们的分类器能够将这个测试点划分为与红叉叉相同的类. 也就是说,我们希望,找到的超平面能够远离所有的点,也就是要最小化超平面到离它最近的那个点的距离. 于是,用公式表达就是: 第一行是我们要求的东西,最大margin(margin的定义在第二个约束条件给出)的分割超平面.实质上我们要求的是使得ma

最近一直在看Deep Learning,各类博客.论文看得不少 但是说实话,这样做有些疏于实现,一来呢自己的电脑也不是很好,二来呢我目前也没能力自己去写一个toolbox 只是跟着Andrew Ng的UFLDL tutorial 写了些已有框架的代码(这部分的代码见github) 后来发现了一个matlab的Deep Learning的toolbox,发现其代码很简单,感觉比较适合用来学习算法 再一个就是matlab的实现可以省略掉很多数据结构的代码,使算法思路非常清晰 所以我想在解读这个too

分水岭算法理论 从意思上就知道通过用水来进行分类,学术上说什么基于拓扑结构的形态学...其实就是根据把图像比作一副地貌,然后通过最低点和最高点去分类! 原始的分水岭: 就是上面说的方式,接下来用一幅图进行解释---->>> 把图像用一维坐标表示,二维和三维不好画,必须用matlab了,我不会用,意思可以表述到位 第一步:找到图像的局部最低点,这个方法很多了,可以用一个内核去找,也可以一个一个比较,实现起来不难. 第二步:从最低点开始注水,水开始网上满(图像的说法就是梯度法),其中那些最低

FCM算法的matlab程序2 在“FCM算法的matlab程序”这篇文章中已经用matlab程序对iris数据库进行实现,并求解准确度.下面的程序是另一种方法,是最常用的方法:先初始化聚类中心,在进行迭代(此方法由于循环较多,时间复杂度相对较高,但更严谨.就时间性而言,推荐使用“FCM算法的matlab程序”这个程序). 作者:凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/ 1.采用iris数据库 iris_data.txt 5.1 3.5 1.4 0

一步步教你轻松学支持向量机SVM算法之理论篇1 (白宁超 2018年10月22日10:03:35) 摘要:支持向量机即SVM(Support Vector Machine) ,是一种监督学习算法,属于分类的范畴.首先,支持向量机不是一种机器,而是一种机器学习算法.在数据挖掘的应用中,与无监督学习的聚类相对应和区别.广泛应用于机器学习,计算机视觉和数据挖掘当中.(本文原创,转载必须注明出处.) 目录 1 机器学习:一步步教你轻松学KNN模型算法 2 机器学习:一步步教你轻松学决策树算法 3 机器学

一.聚类的概念 聚类分析是在数据中发现数据对象之间的关系,将数据进行分组,组内的相似性越大,组间的差别越大,则聚类效果越好.我们事先并不知道数据的正确结果(类标),通过聚类算法来发现和挖掘数据本身的结构信息,对数据进行分簇(分类).聚类算法的目标是,簇内相似度高,簇间相似度低 二.基本的聚类分析算法 1. K均值(K-Means): 基于原型的.划分的距离技术,它试图发现用户指定个数(K)的簇. 2. 凝聚的层次距离: 思想是开始时,每个点都作为一个单点簇,然后,重复的合并两个最靠近的簇,直到尝