XM_no_homework的博客

https://blog.csdn.net/sunshuai_coder/article/details/83658625

https://www.cnblogs.com/wangguchangqing/p/10333370.html

https://blog.csdn.net/sinat_35512245/article/details/55051306

二维码识别库简介Zxing库可以识别的条形码和二维码种类UPC_A，UPC_E，EAN_13，EAN_8，RSS_14，RSS_EXPANDED，CODE_39，CODE_128，ITF，CODABAR，AZTEC，DATA_MATRIX，MAXICODE，PDF_417，QR_CODE...

时域（时间域-time domain）——自变量是时间,即横轴是时间,纵轴是信号的变化（振幅）。其动态信号x（t）是描述信号在不同时刻取值的函数。频域（频率域- frequency domain）——自变量是频率,即横轴是频率,纵轴是该频率信号的幅度（振幅）,也就是通常说的频谱图。时域分析函数的参数是时间t，也就是y=f(t)，频域分析时，参数是w，也就是y=F(w)两者之间可以互相转...

在机器学习学习中， 经常遇到 均值和期望 ，这两个词很容易混淆，也有说法均值就是期望，这可能是中英文的问题。均值(mean) ：是统计学概念，是在你有一定量的数据后，加权平均后计算出的数值。加 权 平 均 数 ：统计学概念中带有权重的平均数期望(expected) ：概率论的概念中带有概率的平均数期望(expected) ：是概率论的概念，是对随机变量的概率进行估计后，求出的预期数值。...

反向传播算法（Back propagate）隐藏层误差计算关于反向传播的推导已经很多了，理解起来也很简单就是 链式法则大部分推导主要是输出层到隐藏层的计算,这时的误差Error就是简单的输出output和标签target的差可以简单记为：E = O - T至于中间层的Error大多一语带过，这里输出结果有两个，可以得到eo1 和 eo2设hidden 层 误差为eh1和eh2 ,则：...

使用SVM进行癫痫检测背景：这是一片论文的简单复现，只是还原思想，不知道是不是我看的不够仔细，我觉得论文说的也就是这样简单的操作论文名称：Seizure prediction with spectral power of EEG using cost-sensitive support vector machines有需要的同学可以好好看一下，论文中不仅仅只是检测，还有预测功能。...

通俗理解Faster R-CNN和RPN最近在学习Faster R-CNN，有一些心得，希望可以给大家以启发。我之前对比过R-CNN，SPP-Net ， Fast R-CNN， Faster R-CNN 的区别和理解，有需要的朋友可以看一下：https://blog.csdn.net/XM_no_homework/article/details/88712991下面进入正题谈一下我对Fast...

R-CNN,SPP-net,Fast R-CNN,Faster R-CNN区别和基本理解最近学习目标检测，入手当然首先要看RNN系列，其中有一些启发，和大家分享一下，有理解偏差希望大神给与指正。这张图对我的理解帮助很大，特意贴出。可以发现他们是环环相扣发展过来的，主要区别在于卷积模型、候选框、分类回归方式（Classification + Localization）：首先我们先搞清一些小的...

机器学习脑电图.edf格式数据处理最近做了一个关于脑电图进行癫痫检测的项目，其中我用了CNN和SVM进行检测，刚开始就遇到了小问题，就是怎样获得.csv数据，水平不高，但是解决了问题下面给个简单的教程。我这里介绍如何把原始.edf按频率过滤出准备：1.Matlab 安装并安装 EEGLab2.安装EDFbrownser：Download Url: http://dl-t1.wmzhe....

KNN基础中 L1 和 L2 距离是最核心的两个公式1、L1距离L1距离很简单，就是矩阵I1和矩阵I2每个元素（aij） 相减的绝对值，这一点CS231中给出了很明确的计算：L1 Numpy实现：for i in range(num_test): a = X_test[i]-X_train[j] b = np.fabs(a) dists[i][j] = np.sum(b)2、...