SVD

CMSIS-SVD Reference

http://www.keil.com/pack/doc/cmsis/svd/html/modules.html SVD File Schema Levels Device Level 　　Peripherals
·2015-10-30 12:44

CMSIS-SVD 系统视图说明

CMSIS 到底是什么？ 先来看看ARM公司对CMSIS的定义： ARM® Cortex™ 微控制器软件接口标准 (CMSIS) 是 Cortex-M 处理器系列的与供应商无关的硬件抽象层。 CMSIS 可实现与处理器和外设之间的一致且简单的软件接口，从而简化软件的重用，缩短微控制器开发人员新手的学习过程，并缩短新设备的上市时间。 软件的创建是嵌入式产品行业的一个主要成本因素。通过
·2015-10-30 12:44

主成分分析（Principal components analysis）-最大方差解释

在写这篇之前，我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点。本篇打算先介绍PCA，至于他们之间的关系，只能是边学边体会了。
·2015-10-30 12:18

特征值分解，奇异值分解（SVD）

特征值分解和奇异值分解在机器学习领域都是属于满地可见的方法。两者有着很紧密的关系，我在接下来会谈到，特征值分解和奇异值分解的目的都是一样，就是提取出一个矩阵最重要的特征。 1. 特征值：     如果说一个向量v是方阵A的特征向量，将一定可以表示成下面的形式： 写成矩阵形式：     这时候λ就被称为特征向量v对
·2015-10-30 12:35

数学之美之SVD分解

所谓SVD，就是要把矩阵进行如下转换：A = USVT the columns of U are the eigenvectors of the AAT matrix
·2015-10-30 11:25

协同过滤算法的几篇文章PFM/svd/ svd++

协同过滤CollaborativeFiltering(CF)算法是推荐算法的一个大分支，基本思想是推荐相似的物品，或者推荐相似用户（隐式或者显式）评分过的物品。CF方法主要可以分为两类：基于邻域和基于隐语义。①基于邻域的方法利用“两个用户共同评分过的物品”(user-based)或者“共同评价两个物品的用户”（item-based）分别计算用户间的相似度和物品间的相似度。而相似度的计算有余弦相似度
winone361·2015-10-29 15:00

matlab学习：人脸识别之PCA（ Principal Component Analysis ）

PCA的推荐链接：http://www.cnblogs.com/LeftNotEasy/archive/2011/01/08/lda-and-pca-machine-learning.html 关于理解SVD
·2015-10-27 14:35

Notes About Singular Value Decomposition

A brief summary of SVD: An original matrix Amn is represented as a muliplication of three matrices:
·2015-10-27 11:33

Machine Learning in Action – PCA和SVD

降维技术， 首先举的例子觉得很好，因为不知不觉中天天都在做着降维的工作 对于显示器显示一个图片是通过像素点0，1，比如对于分辨率1024×768的显示器，就需要1024×768个像素点的0，1来表示，这里每个像素点都是一维，即是个1024×768维的数据。而其实眼睛真正看到的只是一副二维的图片，这里眼睛其实在不知不觉中做了降维的工作，把1024×7
·2015-10-26 15:06

matlab练习程序（PCA<SVD>）

; img2=imread('Corner1.png'); img3=imread('Corner2.png'); img1=imresize(img1,[35 90]); %Matlab的svd
·2015-10-21 13:27

CMSIS-SVD Example (Schema Version 1.1)

-- File naming: <vendor>_<part/series name>.svd --> <!
·2015-10-21 12:06

CMSIS-SVD Schema File Ver. 1.1 (draft)

http://www.keil.com/pack/doc/cmsis/svd/html/group__schema__1__1__gr.html   <?
·2015-10-21 12:05

CMSIS-SVD Schema File Ver. 1.0

<?xml version="1.0" encoding="UTF-8"?> <!-- date: 07.12.2011 Copyright (C) 2011 - 2012 ARM Limited. All rights reserved. Redistribution and use in source
·2015-10-21 12:04

matlab练习程序（c/c++调用matlab）

首先写一个函数mysvd.m: function [s v d]=mysvd(a) [s v d]=svd(a); end 在matlab终端输入mbuild -setup来选择要使用的编译器
·2015-10-21 10:44

Spark MLlib之机器学习（三）

本篇介绍的内容有：KMeans、PCA（PrincipalConponentAnalysis）和SVD（SingularValueDecomposition）。
u010376788·2015-10-05 17:00

基于SVD实现PCA的图像识别

       本文实现基于SVD奇异矩阵分解的PCA主成分分析，使用该算法来完成对人脸图像的识别，主要讲解SVD实现PCA的原理，如何利用SVD实现图像特征的降维，以及SVD在文本聚类方面的使用，例如弱化同义词
初雪之音·2015-10-04 00:00

主成分分析（Principal components analysis）-最大方差解释

在写这篇之前，我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点
Hareric·2015-10-03 19:00

机器学习---学习首页

数学偏差与方差拉格朗日核函数凸优化协方差矩阵Hessian矩阵CDF（累计分布函数）高斯概率密度函数中心极限定理2.机器学习Java机器学习工具&库1.处理小数据效果好2.深度学习—大数据，超过500w；图像，语言方面效果奇好SVD
绝黛雨儿·2015-09-29 17:00

SVD 梯度下降

花絮：非常抱歉，之前我没有严格的分清梯度下降和随机行走的区别，导致前一篇SVD的博客部分说法上有点小问题。
阿宣22·2015-09-25 21:30

强大的矩阵奇异值分解(SVD)及其应用

强大的矩阵奇异值分解(SVD)及其应用版权声明：   本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com,本文可以被全部的转载或者部分使用，但请注明出处，如果有问题
mydear_11000·2015-09-25 11:00

图像处理的常用方法

SOBI这个方法我想和SVD分解差不多，只是使用了多个时延，改善和确保性能。
凌风探梅·2015-09-24 13:09

图像处理的常用方法

SOBI这个方法我想和SVD分解差不多，只是使用了多个时延，改善和确保性能。
Real_Myth·2015-09-24 13:00

图像处理的常用方法

SOBI这个方法我想和SVD分解差不多，只是使用了多个时延，改善和确保性能。
Real_Myth·2015-09-24 13:00

基于SURF特征提取和金字塔LK光流法的单目视觉三维重建

1.单目视觉三维重建问题    在前面的文章中，笔者用SIFT提取特征后用radio测试剔除了匹配中异常的特征点，然后根据匹配合格的特征点计算基础矩阵和本征矩阵，对本征矩阵SVD分解来估计和构造透视矩阵
mydear_11000·2015-09-23 10:00

机器学习算法

1、SVD（奇异值分解）SVD可以简化数据，去除噪声！对于简化数据，使用SVD，可以用小得多的数据集表示原有数据集。这样实际上是去除了噪声和冗余信息。比如有一个32*32的图像，通过SVD的公式分解。
宁静致远_淡泊明志·2015-09-16 20:41

Matrix Decomposition / Factorization 相关重点 (特征值特征向量)

SVD?Howaboutiseigenvaluesandeigenvectors?isit
xyqzki·2015-09-12 21:00

SVD奇异值分解

在本文中讨论的矩阵都是实数矩阵。基础知识1.矩阵的秩：矩阵的秩是矩阵中线性无关的行或列的个数2.对角矩阵：对角矩阵是除主对角线外所有元素都为零的方阵3.单位矩阵：如果对角矩阵中主对角线上的元素都为一，该矩阵称为单位矩阵4.特征值：对一个MxM矩阵C和向量X，如果存在λ使得下式成立 则称λ为矩阵C的特征值，X称为矩阵的特征向量。非零特征值的个数小于等于矩阵的秩。5.特征值和矩阵的关系：考虑以下矩阵该
qrlhl·2015-09-10 08:00

PCA

在写这篇之前，我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点。本篇打算先介绍PCA，至于他们之间的关系，只能是边学边体会了。
yezonggang·2015-09-09 14:00

奇异值分解(SVD)

WeRecommendaSingularValueDecomposition我们推荐奇异值分解奇异值分解可以方便地把一个矩阵（包含我们感兴趣的数据）分解得更加简单和有意义。本文讲解了奇异值分解的几何解释，顺便也介绍了一些应用。Fromhttp://www.ams.org/samplings/feature-column/fcarc-svdDavidAustin，GrandValleyStateUn
zyh821351004·2015-09-08 15:00

Eigen解线性方程组

一.矩阵分解：矩阵分解(decomposition,factorization)是将矩阵拆解为数个矩阵的乘积，可分为三角分解、满秩分解、QR分解、Jordan分解和SVD（奇异值）分解等，常见的有三种：
u013354805·2015-09-08 09:00

机器学习---学习首页

数学偏差与方差拉格朗日核函数凸优化协方差矩阵Hessian矩阵CDF（累计分布函数）高斯概率密度函数中心极限定理2.机器学习Java机器学习工具&库1.处理小数据效果好2.深度学习—大数据，超过500w；图像，语言方面效果奇好SVD
绝黛雨儿·2015-09-02 09:59

机器学习---学习首页

数学偏差与方差拉格朗日核函数凸优化协方差矩阵Hessian矩阵CDF（累计分布函数）高斯概率密度函数中心极限定理2.机器学习Java机器学习工具&库1.处理小数据效果好2.深度学习—大数据，超过500w；图像，语言方面效果奇好SVD
alive2012·2015-09-02 09:00

推荐系统读书笔记

推荐系统1标签（空格分隔）：算法推荐系统1协同过滤算法1基于用户最近邻推荐2基于物品的最近邻推荐3关于评分41基于SVD推荐系统42关联规则挖掘43基于概率分析的推荐算法51SlopeOne预测器52Google
a358463121·2015-08-13 20:00

K-SVD简述——字典学习，稀疏编码

K-SVDRachelZhang 1.k-SVDintroduction1.     K-SVDusage:Design/Learnadictionaryadaptivelytobetterfitthemodelandachievesparsesignalrepresentations.2.     MainProblem:Y=DXWhere Y∈R(n*N),D∈R(n*K),X∈R(k*N),
geekmanong·2015-08-11 17:00

PCA的数学原理Matlab演示

关于PCA(Principalcomponentanalysis)主成分分析，是SVD(Singularvaluedecomposition)奇异值分析的一种特殊情况。主要用于数据降维，特征提取。
bluecol·2015-08-10 16:00

MATLAB下使用libsvm （三）

原因就是之后要进行PCA降维，这个过程之前如果不将数据中心化，那么之后测试数据集映射出来的点就不对啦~具体看图啦~至于是否要归一化，这个并不是必要的步骤，所以看心情咯2、PCA降维，这个最好是以矩阵短的那一边进行SVD
Sun7_She·2015-07-31 11:00

新发现--台湾周志成 线代启示录

最近在找一些关于奇异值分解的文章SVD，无意中发现台湾学者--周志成的线代启示录周的目录(部分)：基本矩阵运算的定义奇异值分解SVDSVD于矩阵的应用线性代数的基本定理(四)机器学习/概率统计专题马尔科夫专题周写了很多好文
coder_oyang·2015-07-31 09:18

新发现--台湾周志成 线代启示录

最近在找一些关于奇异值分解的文章SVD，无意中发现台湾学者--周志成的线代启示录周的目录(部分)：基本矩阵运算的定义奇异值分解SVDSVD于矩阵的应用线性代数的基本定理(四)机器学习/概率统计专题马尔科夫专题周写了很多好文
coder_oyang·2015-07-31 09:00

如何计算两个文档的相似度

二、SVD和LSILSA(潜在语义分析)的基本思路：LSA希望通过降低传统向
傻傻小菜鸟·2015-07-29 18:00

如何计算两个文档的相似度

二、SVD和LSILSA(潜在语义分析)的基本思路：LSA希望通过降低传统向
傻傻小菜鸟·2015-07-29 18:00

Mathematica SVD分解

Mathematica进行SVD分解，利用Help帮助获取SVD分解的函数SingularValueDecomposition[] 导入数据：G=Import[“D:\\mathmatica\17.txt
火焰溶解·2015-07-20 10:40

Mathematica SVD分解

Mathematica进行SVD分解，利用Help帮助获取SVD分解的函数SingularValueDecomposition[]导入数据：G=Import[“D:\\mathmatica\17.txt
火焰溶解·2015-07-20 10:40

scikit-learn：通过TruncatedSVD实现LSA（隐含语义分析）

decomposition.html#lsa第2.5.2部分：2.5.2.Truncatedsingularvaluedecompositionandlatentsemanticanalysis（截断SVD
mmc2015·2015-07-13 21:00

Armadillo C++ linear algebra library 学习笔记（5）——矩阵的分解

1、矩阵的SVD分解A、通过调用”svd(U,S,V,X)”函数进行矩阵X的奇异值分解(svd)。
jnulzl·2015-07-09 22:00

范数、奇异值

的不同可得到不同的范数以下是Matlab中helpnorm的解释NORMMatrixorvectornorm.Formatrices…NORM(X)isthelargestsingularvalueofX,max(svd
adminabcd·2015-07-08 16:00

范数、奇异值

的不同可得到不同的范数以下是Matlab中helpnorm的解释NORMMatrixorvectornorm.Formatrices…NORM(X)isthelargestsingularvalueofX,max(svd
adminabcd·2015-07-08 16:00

特征选择之SVD分解

优缺点优点：可去除噪声，降维缺点：只适用数值型数据理论知识SVD是讲原始数据矩阵Data分解成三个矩阵⋃,∑,VT若原始矩阵D是m*n则⋃是m*m∑是m*nVT是n*nDm∗n=Um∗m
qunxingvip·2015-07-02 22:00

机器学习实战——第十三/十四章：利用PCA和SVD来简化数据

本系列目的在于总结每一个分类器的特点（优点、缺点、使用数据类型、使用时的注意事项等）。相关代码自己搜。python：建议使用2.7python常用函数库：NumPy、scikit-learn等python集成环境：anaconda毕业季，玩了20天。降维的好处：使数据集更易使用；降低算法开销；去除噪声；使结果更易理解。常见的降维技术：主成分分析（principalcomponentanalysis
mmc2015·2015-06-30 08:00

[综] Sparse Representation 稀疏表示

训练字典的方法：MOD，K-SVD，Online ... MOD (Method&nbs
·2015-06-28 00:00

奇异值分解基础(SVD)

最近要了解一下IncrementalPCA的一些知识，然后看到一篇论文里面讲到了SVD（奇异值分解），奈何自己以前没有把机器学习的课好好上，现在很多东西还是要补回来。
瑟荻·2015-06-27 18:15
上一页 36 37 38 39 40 41 42 43 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他