RANSAC鲁棒算法 RANSAC过程与通常的光滑技术相反：不是用尽可能多的点去获得一个初始解并在以后消除无效点，RANSAC是使用满足可行条件的尽量少的初始数据集并在可能时用一致性数据集扩大它。 目标：一个模型与一个含有野值的数据集S的鲁棒拟合 算法： 随机地从S中选择s个数据点
PCL - ICP代碼研讀（二 ） - Registration架構 前言usingpublic函數constructor和destructorsetter和getterregisterVisualizationCallbackgetFitnessScorehasConvergedaligngetClassNameinitCompute和initComputeReciprocalCorrespondenceRejector相關函數 protected成員變數p
CART 决策树的生成是递归地构建二叉树的过程。对回归树用平方误差最小化>准则，对分类树用基尼指数最小化>准则。 给定训练集 $D\ ={(x_1,\ y_1),\ (x_2,y_2),\ ...(x_N,y_N)}$ 考虑如何生成回归树。 假如数据空间被划分为 $R_1$~$R_m$ 单元，每个单元有一个固定的输出值 $C_m$。 CART
词法分析的作用 读取字符流，输出词法单元给语法分析器 在1的过程中去掉不必要的内容(空白符、注释)，查错报错 与符号表交互，插入符号的相关内容 虽然词法分析和语法分析是两个独立的部分，但它们通常在同一趟 为什么要独立词法分析 模块化 词法分析很简单，实现也很简单 PPT把1+2又说
一致连续定理 一致连续定义 设函数 \(f(x)\) 在区间 \(I\) 上有定义，如果，\(\forall \epsilon > 0, \exist \delta >0\)，使得对于在区间 \(I\) 上的任意两点 \(x_1, x_2\)，当 \(|x_1 - x_2| < \delta\) 时，恒有 \(|f(x_1) - f(x_2)|<\epsilon\)，则称函数 \(f(x)\) 在区间 \(I\) 上一致连
DBSCAN算法理解 1.DBSCAN简介 DBSCAN（Density-Based Special Clustering of Application with Noise），它是基于密度聚类算法，密度可以理解为样本点的紧密程度，而紧密度的衡量则需要使用半径和最小样本量进行评估，如果在指定的半径内，实际样本量超过给定的最小样本量阈值，则认为是密度
1. 概述 导读：滤波器是图像处理中常用的算子，具有保边属性的滤波器在某场景下是极具使用价值的。这篇文章提出了一种保边滤波算法，它采用多向窗口设计，在滤波器的中心采用多个窗口计算值滤波值，之后argmin的形式对输出的值进行组合，从而得到最后的滤波结果。文章的方法简洁直接，可
为了验证BP 梯度是否有问题可以用 进行检验,对于每一个权重theta,计算 [J(theta+epsilon)-J(theta-epsilon)]/(2*epsilon),每一个结果都保存在一个矩阵里,然后同样的,将每一个theta实际的梯度按同样规则保存在矩阵里,最后求解两者的欧式距离然后和阈值比较
IfcSameAxis2Placement 该函数比较两个ifcaxis2位置并确保它们是相同的（具有epsilon精度因子）。 IFC2x2中的新函数 EXPRESS Specification FUNCTION IfcSameAxis2Placement (ap1, ap2 : IfcAxis2Placement; Epsilon : REAL) : LOGICAL ; RETURN (IfcSameDirection(ap1.P[
机器学习总结 0 前言1理论部分1.1 优化问题1.2 泛化1.3 过拟合1.4 优化算法 2 应用2.1 SVM2.2 decision tree 0 前言 机器学习是人工智能的核心，从历史数据中学习信息，总结规律。 学会概率论与数理统计，矩阵分析以及凸优化，机器学习就掌握了大部分。 其中贝叶斯，梯度下降，sv
目录概主要内容本文的模型Identifiability Khemakhem I., Kingma D. P., Monti R. P. and Hyv"{a}rinen A. Variational autoencoders and nonlinear ICA: a unifying framework. In International Conference on Artificial Intelligence and Statistics (AISTATS), 2020. 概
每一个神经层都用下述方法对输入数据进行变换： output = relu(dot(w, input) + b ) 在这个表达式中，W 和 b 都是张量，均为该层的属性。它们被称为该层的权重（weight）或可训练参数（trainable parameter），分别对应 kernel 和 bias 属性。这些权重包含网络从观察训练数据中学到的信息。 一
文章目录 极限：静态的理论难以解释动态的现实，所以需要动态的理论数列极限：ε-N 语言函数极限：ε-δ 语言 微积分是建立在 极限、无穷小、连续性 等等概念的基础上的，所以要学会微积分，就要先理解这些概念。 从 无穷大、无穷小 到 极限；从 极限 到 连续；从 连续 到 导数；
Reinforcement Learning: An Introduction (second edition) - Chapter 1,2 Chapter 1 1.1 Self-Play Suppose, instead of playing against a random opponent, the reinforcement learning algorithm described above played against itself, with both sides learning. Wha
该函数比较两个IfcCartesianPoint并确保它们相同（具有epsilon精度因子）。 IFC2x2中的新函数 EXPRESS Specification FUNCTION IfcSameCartesianPoint (cp1, cp2 : IfcCartesianPoint; Epsilon : REAL) : LOGICAL; LOCAL cp1x : REAL := cp1.Coordinates[1]; cp1
前置知识 Part0 积性函数与完全积性函数 \(\quad\)找数学老师去...... Part1-1 莫比乌斯函数\(\mu\) \(\quad\)首先先给出莫比乌斯函数的定义 \(\mu_{n}=1\quad(n=1)\) \(\mu_{n}=(-1)^{k}\quad(n=\prod_{i=1}^{k}{p_{i}})(p_{i}互质)\) \(\mu_{n}=0\quad(其他情况)\) \(\quad\)
文献链接： https://arxiv.org/abs/1607.02533 摘要 现有的大多数机器学习分类器极易受到对抗样本的攻击。当前，很多对抗样本是直接将数据输入至分类器中，但是在现实中，并不能直接将图片数据输入系统，而是通过相机等传感器将信号输入系统的。本文在基于此类现实环境做出相关研究。
pytorch版DQN代码逐行分析 前言 入强化学习这个坑有一段时间了，之前一直想写一个系列的学习笔记，但是打公式什么的太麻烦了，就不了了之了。 最近深感代码功底薄弱，于是重新温习了一遍几种常用的RL算法，并打算做一个代码库，以便之后使用。 正文 这是第一站-----DQN的代码解读 源代码
Context-Free Language Most compilers and interpreters contain a component called a parser that extracts the meaning of a program prior to generating the compiled code or performing the interpreted execution. Context-Free Grammer Following is an example of
弦截法是一种求方程根的基本方法，在计算机编程中常用。他的思路是这样的：任取两个数x1、x2，求得对应的函数值f(x1）、f(x2）。如果两函数值同号，则重新取数，直到这两个函数值异号为止。连接（x1,f(x1））与（x2,f(x2））这两点形成的直线与x轴相交于一点x，求得对应的f(x），判断其与f(x1）、f(x2）中的哪个
论文——Understanding Black-box Predictions via Influence Functions 1. 介绍2. 方法2.1 一些定义2.2 更新（扰动）一个训练点 未完待更新 1. 介绍 《Understanding Black-box Predictions via Influence Functions》 这篇paper是来自2017年的ICML best paper的，其背景在摘
数学分析（二）预习 零、数分（二）预习准备 预习数分（二）主要使用： 伍胜健《数学分析（第二册）》北京大学出版社 谢惠民等《数学分析习题课讲义》高等教育出版社 [俄]卓里奇、李植译《数学分析（第7版）》高等教育出版社 1、定积分（1）：定积分定义与微积分基本定理 一、定积分的定义
场能密度 假设有两个平行板，上面一块带正电荷 \(+Q=\text{\)\sigma \(A}\)，下面带负电荷 \(-Q=-\text{\)\sigma \(A}\) $\sigma $ 为电荷密度，\(A\) 为表面积。两块板距离为 \(h\) 。 电场接近恒定（在对称原则下，可以使用高斯定理，\(EA=Q/\epsilon _0\)，板外电场处处为0），电场大小为 \[E
Push and pull search for solving constrained multi-objective optimization problems 1.摘要 本文提出了一种求解约束多目标优化问题的推拉搜索(PPS)框架。所提出的PPS将搜索过程分为两个不同的阶段：推和拉搜索阶段。 在推送阶段，采用多目标进化算法(MOEA)在不考虑任
实数完备性的几个定理可以互相推导，这里给出了一个比较简单的完整推导链条 对于没有写到的推导可以通过旁敲侧击推导出这里的条件再继续（迂回战术） 1. 有界必有确界 如果\(\exists u\)使得\(\forall x\in S\)都有\(x\le u\),那么\(S\)有上确界 上确界：记\(U=\sup\left\{S\right\}\)，则
