协方差矩阵

OpenCV人脸识别Eigen算法源码分析

1理论基础学习Eigen人脸识别算法需要了解一下它用到的几个理论基础，现总结如下：1.1协方差矩阵首先需要了解一下公式：共公式可以看出：均值描述的是样本集合的平均值，而标准差描述的则是样本集合的各个样本点到均值的距离之平均
weixin_34087301·2020-06-28 11:17

matlab练习程序（对应点集配准的四元数法）

3.由P和X构造协方差矩阵sigma。4.由协方差矩阵sigma构造4*4对称矩阵Q。5.计算Q的特征值与特征向量。其中Q最大特征值对应的特征向量即为最佳旋转向量q。6.通过四元数q得到旋转矩阵R。
weixin_33995481·2020-06-28 09:13

马氏距离理解

标准差与方差是衡量一维数据的,当存在多维数据时,要知道每个维度的变量之间是否存在关联,就需使用协方差.协方差是衡量多维数据中,变量之间的相关性.若两个变量之间的协方差为正值,则两个变量间存在正相关,若为负值,则为负相关.3协方差矩阵
weixin_30732487·2020-06-28 00:35

PCA

PCA主成分分析简介通过析取主成分显示出最大的个别差异，也用来削减回归分析和聚类分析中变量的数目，可以使用样本协方差矩阵或相关系数矩阵作为出发点分析，将特征值小于1的成分放弃，只保留特征值大于1的成分，
Nelocage·2020-06-27 15:03

典型相关分析如何分析两组变量的关系

前言我们在分析两组变量之间的相关性时，比如X=[X1,X2,...,Xm]和Y=[Y1,Y2,...,Yn],最原始的方法就是直接计算X和Y的协方差矩阵，矩阵有m*n个值。
超人汪小建(seaboat)·2020-06-27 13:52

使用EM算法估计GMM参数的原理及matlab实现

相关数学概念协方差矩阵多维高斯分布其中k=n，即x的维度。GMM的原理GMM，高斯混合模型，是一种聚类算法。1.GMM概念：-将k个高斯模型混合在一起，每个点出现的概率是几个高斯混合的结果。
vivian_ll·2020-06-27 11:32

向量的表示及协方差矩阵

引言当面对的数据被抽象为一组向量，那么有必要研究一些向量的数学性质。而这些数学性质将成为PCA的理论基础。理论描述向量运算即：内积。首先，定义两个维数相同的向量的内积为：(a1,a2,⋯,an)T⋅(b1,b2,⋯,bn)T=a1b1+a2b2+⋯+anbn内积运算将两个向量映射为一个实数。其计算方式非常容易理解，但是其意义并不明显。所以，我们分析内积的几何意义。假设A和B是两个n维向量，我们知道
松子茶·2020-06-27 10:23

MatLab功率谱估计

转载：http://blog.sina.com.cn/gjchunqiu随机信号处理随机变量分布特征量均值mean协方差矩阵cov相关系数矩阵corrcoef[R,P]=corrcoef(X)，P值用于检验相关性
Fan2g·2020-06-27 08:15

使用Commons math做数值计算

使用Commonsmath做数值计算觉得有用的话,欢迎一起讨论相互学习~FollowMe最近使用jmetal做多目标的时候，想用一些简单的方法求最大值最小值方差和协方差矩阵，但是原生代码真的是非常慢啊，
武科大许志伟·2020-06-27 07:49

数据降维--------主成分分析（PCA）算法原理和实现学习笔记

1主成分分析背景'''PCA计算步骤（思想是把数据投影到方向向量使数据集的特征向量到方向向量的垂线长度最短）1.去平均2.计算协方差矩阵3.计算协方差矩阵的特征向量和特征值4.将特征值从小到大排列5.保留最上面的
千语_肉丸子·2020-06-27 04:13

最通俗易懂的PCA主成分分析推导

terrifyzhao.github.io/2018/06/30/PCA%E4%B8%BB%E6%88%90%E5%88%86%E5%88%86%E6%9E%90.html前言说到PCA你是不是第一时间想到的是对协方差矩阵做特征值分解
爱编程真是太好了·2020-06-27 04:36

常用算法（机器视觉方向）

目录1、GMM..12、AHP.13、HMM..14、KNN..15、K-Means：...16、Mean-shift方法...17、协方差矩阵...18、SIFT.19、SFM..210、回归问题：.
谢谢喵·2020-06-27 03:18

协方差矩阵的实例与意义

在机器学习中经常需要计算协方差矩阵，本科时没学过这个概念，一直对此非常头疼。现在试图通过实例的计算、图形化的表示来梳理一下什么是协方差矩阵。
mengxiaozuo·2020-06-27 02:41

PCA - python实现（二）

std()函数之间是不同的1.2np.linalg.svd()1.3PCA的应用二、PCA计算过程2.1FeatureNormalization特征归一化2.2计算降维矩阵2.2.1首先计算样本特征的协方差矩阵
小麦粒·2020-06-26 23:26

机器学习(10)--PCA 和LDA

PCA，LDA——简述要求：原数据协方差矩阵变换成对角矩阵（非对角线数据全为零）Ps：非对角线矩阵为零是因为特征线性无关原数据协方差矩阵不是对角矩阵是因为现在选择的基向量不好，变换后，选择好的基向量原理
SpringHeather·2020-06-26 21:32

特征值和特征向量

此外，特征值分解形成协方差矩阵几何解释的基础。在这篇文章中，我将简单的介绍这个数学概念，并且展示如何手动获取二维方形矩阵的特征值分解。特征向量是一个向量，当在它上面应用线性变换时其方向保持不变。
会敲键盘的猩猩·2020-06-26 21:35

非监督学习——PCA

——从特征分解到协方差矩阵：详细剖析和实现PCA算法一：前言1.1方差（Variance）方差是概率学和统计学中用来衡量随机变量或一组数据离散程度的度量。
StevenJane·2020-06-26 21:50

机器学习的降维和聚类

主要是通过计算原始数据集的协方差矩阵，并求得协方差最大时的特征值，及其所对应的特征向量，这些特征向量就是更重要的特征向量。
oleg·2020-06-26 12:31

MLLT（最大似然线性变换）

MLLT的作者给出了在最大似然准则下（ML）使用对角协方差矩阵的缺点，及其对训练数据集描述似然度的损失。在原特征空间，建立模型，匹配训练数据，得到似然度P。
Shmily_Young·2020-06-26 09:41

matlab中的协方差函数

仿照方差的定义可以给出协方差的公式：据公式很容易得出有cov(X,X)=var(X)、cov(X,Y)=cov(Y,X)注意：计算样本矩阵的协方差矩阵时牢记是计算不同维度间的协方差，如样本矩阵A（m行n
shiyongraow·2020-06-26 09:57

我所理解的协方差矩阵

1.前言看论文的时候又看到了协方差矩阵这个破东西，以前看图像处理的书籍的时候就特困扰，没想到现在还是搞不清楚，索性开始查协方差矩阵的资料，恶补之后决定马上记录下来。
沈子恒·2020-06-26 09:18

The CMA（Covariance matrix Adaptation） Evolution Strategy

TheCMAEvolutionStrategy最近，学习一些优化算法，看到一种自适应协方差矩阵进化算法，抽点时间研究一下。CMA是一种随机的，不需要计算梯度的数值优化算法。
超级替补·2020-06-26 06:57

主成分分析的步骤应用及代码实现

步骤1.将数据用矩阵形式表示2.求出矩阵的协方差矩阵3.计算其特征值和特征向量4.根据特征值和特征来确定降维后的维数5
水亦寒sama·2020-06-26 03:45

利用PCA，SVD原理实现对图片的特征提取（矩阵降维）

PCAPCASVD区别具体实现步骤(算法简述)PCASVD程序源码：以matlab语言为例实现对图片的降维存储运行结果原图片截图命令行输出图片处理结果简述SVD和PCAPCAPCA是通过计算原始数据的协方差矩阵来将原始的数据构造成方阵
A-DC-P·2020-06-26 01:57

Eigen计算协方差矩阵

今天遇到了一个求矩阵协方差的问题，记录如下对于向量X，方差公式如下：1.png对于向量X,Y来说，协方差公式如下：2.png对于一个由n个列向量构成的矩阵，分别按列得到零均值的列向量X1,...Xn，协方差公式如下：3.png因此利用C++中的eigen对协方差进行求解//输入为Eigen::MatrixXfinput输出为covMat//求取列向量均值Eigen::MatrixXfmeanVec
daiw·2020-06-25 23:35

干货|（含实例） 一文详解模型选择准则之BIC和AIC

最近在撰写笔记【Sklearn源码学习笔记】(含官网样例解读)无监督学习之高斯混合模型的过程中，官方Sklearn源码中有用BIC来估计高斯混合模型不同协方差矩阵和分量数下的得分，遂将BIC和AIC相关知识进行总结记录
书上猴爵·2020-06-25 12:16

图像增强和数据增强

ColorJittering：对颜色的数据增强：图像亮度、饱和度、对比度变化（此处对色彩抖动的理解不知是否得当）；PCAJittering：首先按照RGB三个颜色通道计算均值和标准差，再在整个训练集上计算协方差矩阵
alanjia163·2020-06-25 09:18

机器学习——概率论

概率论事件的关系与运算条件概率，全概率公式，贝叶斯公式随机变量的期望，方差协方差，相关系数，协方差矩阵概率分布：0-1分布，二项分布，高斯分布极大似然函数估计大数定律，伯努利大数定律，中心极限定理概率密度函数围城面积为
hellobigorange·2020-06-25 08:18

主成分分析在python上的实现

主成分分析（PCA）是一种基于变量协方差矩阵对数据进行压缩降维、去噪的有效方法，PCA的思想是将n维特征映射到k维上（k
阳望·2020-06-25 01:45

[数学模型]主成分分析法python实现

featmeanVals=mean(dataMat,axis=0)#计算平均值meanRemoved=dataMat-meanValscovMat=cov(meanRemoved,rowvar=0)#计算协方差矩阵
Yihui_He·2020-06-25 01:47

PCA算法的学习

PCA算法的学习数学原理相关知识1.协方差矩阵2.基变换过程已知有m个n维的向量，如boston数据集则为503个3维的向量，第一维表示该房的NOX，第二维表示该房的RM，第三维表示该房的AGE，把每间房子的数据当作一个列向量
mark_and_sky·2020-06-24 13:14

协方差矩阵之主成分分析

PCA的缘起PCA大概是198x年提出来的吧，简单的说，它是一种通用的降维工具。在我们处理高维数据的时候，为了能降低后续计算的复杂度，在“预处理”阶段通常要先对原始数据进行降维，而PCA就是干这个事的。本质上讲，PCA就是将高维的数据通过线性变换投影到低维空间上去，但这个投影可不是随便投投，要遵循一个指导思想，那就是：找出最能够代表原始数据的投影方法。这里怎么理解这个思想呢？“最能代表原始数据”希
luckxu·2020-06-24 09:40

矩阵理解（转）

当然书中主要是针对有限维的情况来讨论的，这样的话就可以用向量和矩阵来表示线性空间和线性变换，同其他的数学形式一样，矩阵是一种表达形式（notation），而这一方面可以简洁地表达出我们平时遇到的如线性方程和协方差关系的协方差矩阵等
jiqiujia·2020-06-23 22:45

西瓜书学习资料

1.通俗理解协方差与相关系数：https://www.zhihu.com/question/20852004/answer/1349020612.协方差矩阵的计算方法https://blog.csdn.net
她说巷尾的樱花开了·2020-06-23 17:20

超全面的协方差矩阵介绍

阅读本文需要具备一定的线性代数基础，通过本文，你将对协方差矩阵有全面的理解。
hustqb·2020-06-23 16:55

Kalman 滤波算法导论

(k+1)=AX(k)+Bu(k)+w(k)其中X为系统的状态变量A为状态转移矩阵（矩阵设计和定义一般由物理意义产生）B为作用在控制器向量u(k)上的输入-控制模型w为过程噪声，并假定其符合均值为0，协方差矩阵为
生活在此处·2020-06-23 14:36

(转）再谈协方差矩阵之主成分分析

看完这篇博客，我获得了两个收获：1：我理解了为什么pca为什么是根据协方差矩阵，而不是其他；2：我知道了原始数据与投影后数据之间的关系；转自：http://pinkyjie.com/2011/02/24
好似无似有·2020-06-23 12:14

无人驾驶高精度定位技术(2)-卡尔曼滤波

本质上卡尔曼滤波(KalmanFilter)是一置信度为正态分布的贝叶斯(BayesFilter)滤波器，它的置信度可以表示为一个均值向量和协方差矩阵的形式，均值向量表示可能的状态，协方差矩阵表示该状态的不确定度
ggggeekkk·2020-06-23 11:53

scikit-learn机器学习——第十章 复习题

归一化和缩放计算协方差矩阵的特征向量数据降维和恢复3.PCA算法的物理含义是什么？投影4.是否可以用PCA算法来解决过拟合问题？为什么？
0点51 胜·2020-06-23 05:26

《优化阵列信号处理》学习笔记（第四章）

www.yushuai.xyz/2019/10/16/4442.html第四章：波束稳健性分析在实际中，由于各种误差（如观察方向误差、阵型标定误差、通道幅度与相位误差等）的影响，造成导向向量存在误差；另外，由于接收数据协方差矩阵无法精确计算
davidcheungchina·2020-06-23 03:34

协方差矩阵剖析

今天看论文的时候又看到了协方差矩阵这个破东西，以前看模式分类的时候就特困扰，没想到现在还是搞不清楚，索性开始查协方差矩阵的资料，恶补之后决定马上记录下来，嘿嘿~本文我将用自认为循序渐进的方式谈谈协方差矩阵
cuigezhi4490·2020-06-23 01:57

主成分分析（pca）算法的实现步骤及代码

2.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，再计算协方差矩阵根据协方差函数首先要求出每一维的均值，然后再计算观察值与均值之间的偏差，再计算协方差矩阵
chenyu19880302·2020-06-22 22:06

PCA、SVD、协方差矩阵求解的关系和对比（例子说明）

基本上看下面这个图就知道了，如果想要验证，可以接着看下面的数据计算实例。源数据X：9*20,9个样本,20维源数据平均值数据中心化：PCA方法求解[PCA_coeff,PCA_score,PCA_latent]=pca(X)//默认一行为一个数据样本，matlab自动进行数据中心化PCA_coeff：主成分向量，每一列是一个成分，对应一个基向量PCA_latent：特征值PCA_score：新基下
babywong·2020-06-22 16:56

【原创】极大似然估计中，信息矩阵、Hessian矩阵和协方差矩阵的关系

1.FisherInformationMatrix和HessianofLogLikelihood这个博客根据FisherInformation的定义，非常清晰地证明了为什么FisherInformationMatrix和负的Hessianofloglikelihood是相等的（关键步骤是二阶导运算符和积分可以互换位置！）。2.HessianofNegativeLogLikelihood和Covar
anruoxi3236·2020-06-22 14:39

MUSIC算法

MUSIC算法介绍MUSIC算法叫做多信号分类算法(MultipleSignalclassification),MUSIC算法的基本思想则为将任意阵列输出数据的协方差矩阵进行特征分解，从而得到与信号分量相对应的信号子空间和信号分量相正交的噪声子空间
Wilder_ting·2020-06-22 08:53

[cv] P2—Tracking-Learning-Detection（Two stage Detection）

需要提供的参数初始化Fk+1:状态转移矩阵statetransitionmatrix(nn)Hk+1:度量矩阵measurementmatrix(kn)(从状态映射到观测的矩阵)Rk+1:度量噪声协方差矩阵
熊熊的小心心·2020-06-22 07:26

PCA算法之对鸢尾花数据降维处理并可视化

原理：矩阵的主成分就是协方差矩阵对应的特征向量，按照对应的特征值大小进行排序，最大的特征值就是第一主成分，其次是第二主成分，以此类推。importmatplotlib.pypl
SuperBetterMan·2020-06-22 06:58

再谈协方差矩阵之主成分分析

上次那篇文章在理论层次介绍了下协方差矩阵，没准很多人觉得这东西用处不大，其实协方差矩阵在好多学科里都有很重要的作用，比如多维的正态分布，再比如今天我们今天的主角——主成分分析(PrincipalComponentAnalysis
尼小摩·2020-06-21 23:07

【Python金融量化】VaR系列（五）：Copula模型估计组合VaR

1.资产组合VaR建模方法回顾文章中总结了通过DCC模型估计组合向前一日VaR的方法，整体思路如下：●通过Garch族模型估计各资产的波动率●通过DCC模型估计各资产间的相关系数，结合1得到资产组合的协方差矩阵
weixin_33884611·2020-06-21 10:32

matlab练习程序（对应点集配准的四元数法）

3.由P和X构造协方差矩阵sigma。4.由协方差矩阵sigma构造4*4对称矩阵Q。5.计算Q的特征值与特征向量。其中Q最大特征值对应的特征向量即为最佳旋转向量q。6.通过四元数q得到旋转矩阵R。
b10l07·2020-06-21 10:29
上一页 16 17 18 19 20 21 22 23 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他