摘要：
在前面的博文中，我们介绍了线性判别分析用于分类，在这篇博文中，我们介绍高斯判别分析。高斯判别分析也是一种用于分类的方法，在样本数据服从多元高斯分布以及类别标签$y$服从伯努利分布的假设条件下，然后再由贝叶斯公式求出一个新样本分别属于两类别的概率。 对于给定的数据集$D=\{(x_1,y_1),\cd 阅读全文
posted @ 2020-04-29 10:56
Tingwei_chen
阅读(715)
评论(0)
推荐(0)
摘要：
在前面的博文中，我们介绍了一种经典的用于线性分类的方法 感知机。这篇博文中，我们介绍另外一种用于线性分类的方法：线性判别分析。其主要思想就是找到一条直线，把所有的样本投影到该直线上，使得同类型的样本尽可能近，非同类型的样本尽可能远。对于数据集$D=\{((x_1,y_1), \cdots,(x_ 阅读全文
posted @ 2020-04-25 22:12
Tingwei_chen
阅读(546)
评论(0)
推荐(0)
摘要：
在前面的博文中，已经介绍了阵列信号处理的一些基本概念，并介绍了线阵的导向向量结构以及波束相关的基本概念。在这篇博文，主要基于线阵介绍一些权值对波束的影响，这些加权的主要目的就是降低旁瓣，并使主波束的宽度增长最小。 均匀加权 均匀加权下的权值为 $$ w_n=\frac{1}{N},n=0,\cd 阅读全文
posted @ 2020-04-24 14:45
Tingwei_chen
阅读(3483)
评论(0)
推荐(0)
摘要：
对于数据集$D={(x_1,y_1),\cdots,(x_N,y_N)}$而言，其中$y_i$取值为$({+1, 1})$。而感知机就是寻找一个超平面，可以将上述数据集完全分开成两类。而完成输入空间到输出空间的映射函数如下 $$ f(x)=sign(\mathbf{w}^T\mathbf{x}+b) 阅读全文
posted @ 2020-04-23 16:42
Tingwei_chen
阅读(769)
评论(0)
推荐(0)
摘要：
假设一平面波传播方向为$\mathbf{a}$，频率为$w$,那么经过空间中的麦克风阵列系统处理后，可以得到该麦克风阵列对平面波的响应为 $$ y(t,\mathbf{k})=\mathbf{H}^T\mathbf{v}_{k}(\mathbf{k})e^{jwt} $$ 其中$\mathbf{H} 阅读全文
posted @ 2020-04-20 14:28
Tingwei_chen
阅读(5404)
评论(0)
推荐(0)
摘要：
假设对于数据集$D=\{(x_{1},y_{1}),\cdots,(x_{N},y_{N})\}$,然后定义矩阵$X$如下 $$ \mathbf{X} = \left[ \begin{matrix}x_{11}&\cdots&x_{1p}\\\vdots & \cdots & \vdots\\x_{ 阅读全文
posted @ 2020-04-19 15:06
Tingwei_chen
阅读(178)
评论(0)
推荐(0)
摘要：
高斯分布 对于单维高斯分布而言，其概率密度函数可以表示成 $$ p(x)=\frac{1}{\sqrt{2 \pi}\sigma}e^{ \frac{(x u)^2}{2\sigma^2}} $$ 其中$u$表示均值，$\sigma^2$表示方差。 对于多维高斯分布而言，其概率密度函数可以表示成 $ 阅读全文
posted @ 2020-04-19 10:11
Tingwei_chen
阅读(1188)
评论(0)
推荐(0)
摘要：
线性代数 范数 范数是一个表示向量长度大小的量函数，对于一个 N 维向量 a ，一个常见的范数函数为$l_{p}$范数 $$ l_{p}(\mathbf{a})=\lvert \lvert \mathbf{a} \rvert \rvert_{p}= (\sum_{n=1}^{N}\lvert \ma 阅读全文
posted @ 2020-04-18 22:20
Tingwei_chen
阅读(152)
评论(0)
推荐(0)
摘要：
机器学习是指 从有限的观测数据中学习出具有一般性的规律，并利用这些规律对未知数据进行预测的方法 。利用机器学习来解决问题的主要步骤如下 数据预处理：比如对数据的去噪。 特征提取：从原始数据中提取有效的特征。 特征转换：对特征进行一定的变换，如降维、升维。 预测：学习一个函数进行预测。 局部表示和分布 阅读全文
posted @ 2020-04-12 22:03
Tingwei_chen
阅读(340)
评论(0)
推荐(0)
浙公网安备 33010602011771号