一、主成分分析
主成分分析流程
1、原始数据标准化。
2、计算标准化变量间的相关系数矩阵。
3、计算相关系数矩阵的特征值和特征向量。
4、计算主成分变量值。
5、统计结果分析，提取所需的主成分。
相关系数公式
主成分计算公式
其中Y是主成分变量矩阵，X是原始数据标准化后的矩阵，U是相关系数矩阵的特征向量。
特征值和特征向量的关系
主成分变量对应...
分类：
其他好文 时间：
2015-05-15 17:43:46
阅读次数：
1957
转自：http://blog.csdn.net/wangxiaojun911/article/details/6737933矩阵的基础内容以前已经提到，今天我们来看看矩阵的重要特性——特征向量。矩阵是个非常抽象的数学概念，很多人到了这里往往望而生畏。比如矩阵的乘法为什么有这样奇怪的定义？实际上是由工...
分类：
其他好文 时间：
2015-05-14 11:41:37
阅读次数：
115
OpenCV入门 - 关键点描述子匹配Brute-force
对图片提取特征向量之后进行keypoint descriptors matching,从而可以判断特定图像与训练集中图片的匹配程度，BFMatcher暴力匹配类继承自抽象类DescriptorMatcher,"Brute-force descriptor matcher. For each descriptor in the ...
分类：
其他好文 时间：
2015-05-12 15:36:14
阅读次数：
377
这是 Quora上的一篇文章：http://www.quora.com/What-is-an-eigenvector-of-a-covariance-matrix 协方差矩阵最大特征值对应的特征向量的方向，就是数据变化最大的方向。其他特征向量依次正交。
分类：
其他好文 时间：
2015-05-12 09:13:55
阅读次数：
986
OpenCV入门 - 提取SIFT特征向量
为了确保旋转不变性，会以关键点为中心，以关键点的方向建立坐标轴，不是单独考察单一的这个关键点，而是需要一个邻域。邻域中每个小格的方向代表该像素的梯度方向，长度是梯度模大小，在每个4X4的小块上计算8个方向的梯度方向直方图，统计每个方向的累加值，形成一个种子点。David G.Lowe建议对每个关键点使用4X4=16个种子点进行描...
分类：
其他好文 时间：
2015-05-11 20:09:02
阅读次数：
168
Perceptron - 感知机，是一种二元线性分类器，它通过对特征向量的加权求和，并把这个”和”与事先设定的门槛值(threshold)做比较，高于门槛值的输出1，低于门槛值的输出-1。其中sign是取符号函数，括号中所包含的内容大于0时，取+1；小于0时，取-1。对h(x)做一些数学上的简化。变...
分类：
其他好文 时间：
2015-05-08 12:34:14
阅读次数：
140
特征值，奇异值，相关分解是矩阵分析中一个非常重要的概念，我再网上找了些资料，很多人已经对此分析的非常纯熟，为了尊重原创作者，首先贴几个链接，大家欣赏下：
外文链接：http://www.ams.org/samplings/feature-column/fcarc-svd
翻译文章：http://blog.csdn.net/dinosoft/article/details/37884597
数学...
分类：
其他好文 时间：
2015-05-08 00:05:00
阅读次数：
291
调用matlab生成的网格水印特征向量矩阵 从文件中读取的原始网格的特征向量矩阵 好吧，之前得出的结果不正确是因为代码写错了。因为实现论文中的提取方案时代码写错了，自己想了另外一个方法，结果方向两者在本质上是一样的。
分类：
编程语言 时间：
2015-05-06 09:10:07
阅读次数：
231
昨天在修改了可以调试出来的错误之后，提取出的水印和嵌入的仍然相去甚远。这个时候我觉得有必要整理一下嵌入和提取的整个过程。 嵌入过程： Step1，嵌入的时候对网格的拉普拉斯矩阵L进行特征值分解，得到特征值和特征向量； Step2，将特征向量单位化； Step3，解方程：R . E = V（1），E，...
分类：
编程语言 时间：
2015-05-05 23:17:54
阅读次数：
177
朴素贝叶斯：有以下几个地方需要注意：1. 如果给出的特征向量长度可能不同，这是需要归一化为通长度的向量（这里以文本分类为例），比如说是句子单词的话，则长度为整个词汇量的长度，对应位置是该单词出现的次数。2. 计算公式如下：其中一项条件概率可以通过朴素贝叶斯条件独立展开。要注意一点就是的计算方法，而由...
分类：
编程语言 时间：
2015-05-03 11:52:54
阅读次数：
248
