搜索结果
查询Tags标签： 协方差，共有 18条记录-
slam14(2) v1 概率论知识 期望 方差 协方差
https://blog.csdn.net/qq_39521554/article/details/79633207总体方差（variance）：总体中变量离其平均值距离的平均。一组数据样本方差（variance）：样本中变量离其平均值距离的平均。一组数据 总结一下： 分母是m-1的情况下，估计值是总体方差的无偏估计 分母是m的情…
2022/9/16 23:18:33 人评论 次浏览 -
协方差
001、 协方差（Covariance）： 可以通俗的理解为：两个变量在变化过程中是同方向变化？还是反方向变化？同向或反向程度如何？计算公式： 公式简单翻译一下是：如果有X,Y两个变量，每个时刻的“X值与其均值之差”乘以“Y值与其均值之差”得到一个乘积，再对这每时刻的乘积…
2022/9/8 23:53:19 人评论 次浏览 -
验证协方差矩阵和信息矩阵之间的关系
实验一验证信息矩阵和协方差矩阵的是互逆的关系。验证Schur completion的成立性。给定一个系统： \[x_1 = w_1x_2+v_1\\ x_2 = v_2\\ x_3 = w_3x_2+v_3\\ 给定数据:w1 = 2; w3 = 3;\\v1,v2,v3分别服从N1(0,0.01),N2(0,0.04),N3(0,0.09) \]求该系统的对应的协方差矩阵和对应…
2022/5/5 6:12:52 人评论 次浏览 -
期望,方差,协方差,协方差矩阵
1.期望 定义 \[E(x)=\sum\limits_{k=1}^{\infty}x_kp_k-离散型 \]\[E(x)=\int_{-\infty}^{+\infty}xf(x)dx-连续型 \]性质\(E(C)=C,C是常数\) \(E(CX)=CE(X),C是常数\) \(E(X+Y)=E(X)+E(Y)\) \(若X,Y相互独立，有E(XY)=E(X)E(Y)\)2.方差 定义 \[D(X)=\sum\limits_{k=1}^{\…
2022/5/1 23:14:21 人评论 次浏览 -
卡尔曼滤波的原理（Python实现)
https://blog.csdn.net/weixin_43956732/article/details/107023254我们假设有一辆运动的汽车，要跟踪汽车的位置 p 和速度 v，这两个变量称为状态变量，我们使用状态变量矩阵 来表示小车在 t 时刻的状态，那么在经过 Δt 的时间之后，当前时刻的位置和速度分别为：（式1…
2022/2/22 9:53:49 人评论 次浏览 -
卡尔滤波
预测值有高斯噪声，测量值也有高斯噪声，这2个噪声相互独立，单独的利用任何一个都不能很好的得到真实值，所以在2者之间有个信赖度的问题，应该相信谁更多些，这也就是卡尔曼算法的核心，这个信赖度就是卡尔曼增益，卡尔曼增益通过测量值和真实值之间的协方差最小时确定的…
2022/2/17 6:14:53 人评论 次浏览 -
卡尔曼滤波算法，究竟是个啥？
说到卡尔曼滤波，想必很多读者都用过，或者听说过，是一种应用非常广泛的滤波算法。 在网上看了不少与卡尔曼滤波相关的博客、论文，要么是只谈理论、缺乏感性，或者有感性认识，缺乏理论推导。能兼顾二者的少之又少，直到看到了国外的一篇博文，讲的非常详细，今天跟大家…
2022/1/18 14:05:31 人评论 次浏览 -
卡尔曼滤波算法，究竟是个啥？
说到卡尔曼滤波，想必很多读者都用过，或者听说过，是一种应用非常广泛的滤波算法。 在网上看了不少与卡尔曼滤波相关的博客、论文，要么是只谈理论、缺乏感性，或者有感性认识，缺乏理论推导。能兼顾二者的少之又少，直到看到了国外的一篇博文，讲的非常详细，今天跟大家…
2022/1/18 14:05:31 人评论 次浏览 -
推荐系统笔记： 基于邻居的协同过滤问题 中的降维
1 介绍 降维方法可用于在质量和效率方面改进基于邻域的协同过滤方法。特别是，在稀疏评分矩阵中很难稳健地计算成对相似性，但降维提供了在潜在因素方面的密集低维表示。因此，此类模型也称为潜在因子模型 latent factor model。即使两个用户的共同评分项目很少，也…
2021/12/20 23:50:33 人评论 次浏览 -
推荐系统笔记： 基于邻居的协同过滤问题 中的降维
1 介绍 降维方法可用于在质量和效率方面改进基于邻域的协同过滤方法。特别是，在稀疏评分矩阵中很难稳健地计算成对相似性，但降维提供了在潜在因素方面的密集低维表示。因此，此类模型也称为潜在因子模型 latent factor model。即使两个用户的共同评分项目很少，也…
2021/12/20 23:50:33 人评论 次浏览 -
Python数据的相关性和标准化
1、相关性分析协方差：Cov(X，Y)=E(XY)-E(X)E(Y) 或 cov(X, Y) = E(X-EX)(Y-EY)，表示两个变量总体误差的期望，范围在负无穷到正无穷。协方差为0时，两者独立。协方差绝对值越大，两者对彼此的影响越大，反之越小公式简单翻译一下是：如果有X,Y两个变量，每个时刻的“X值…
2021/8/3 12:36:26 人评论 次浏览 -
Python数据的相关性和标准化
1、相关性分析协方差：Cov(X，Y)=E(XY)-E(X)E(Y) 或 cov(X, Y) = E(X-EX)(Y-EY)，表示两个变量总体误差的期望，范围在负无穷到正无穷。协方差为0时，两者独立。协方差绝对值越大，两者对彼此的影响越大，反之越小公式简单翻译一下是：如果有X,Y两个变量，每个时刻的“X值…
2021/8/3 12:36:26 人评论 次浏览 -
【笔检测】基于模板匹配+PCA笔检测matlab源码
一、简介 1 PCAPCA（Principal Component Analysis）是常用的数据分析方法。PCA是通过线性变换，将原始数据变换为一组各维度线性无关的数据表示方法，可用于提取数据的主要特征分量，常用于高维数据的降维。 1.1 降维问题数据挖掘和机器学习中，数据以向量表示。例如某…
2021/7/7 1:05:03 人评论 次浏览 -
PCA算法原理：为什么用协方差矩阵以及协方差矩阵的特征值特征向量降维
参考来源：https://www.pianshen.com/article/8345891130/ 1.PCA（Principal Components Analysis）降维： PCA作用：用于数据预处理，降低数据维度 PCA目的：去除无用数据，减少计算量 2.PCA为什么要用协方差矩阵以及协方差矩阵的特征值特征向量降维 既然是降维，就要考虑…
2021/6/30 22:50:58 人评论 次浏览 -
FE之DR之线性降维：PCA/白化、LDA算法的数学知识(协方差矩阵)、相关论文、算法骤、代码实现、案例应用等相关配图之详细攻略
FE之DR之线性降维：PCA/白化、LDA算法的数学知识(协方差矩阵)、相关论文、算法骤、代码实现、案例应用等相关配图之详细攻略目录 PCA 1、PCA的数学知识 1、协方差矩阵计算 2、PCA算法相关论文
2021/6/17 1:21:04 人评论 次浏览
