其他

基於LBF方法的人臉對齊，出自Face Alignment at3000 FPS via Regressing Local Binary Features，由於該方法提取的是局部二值特徵（LBF），所以特徵提取這個過程速度非常快，導致整個的演算法都速快相當快，論文作者的LBF fast達到了3000fps的速度，網上熱心網友分享的程式也達到了近300fps的速度，絕對是人臉對齊方面速度最快的一種演算法。因此，好多網友也將該方法稱為，3000fps。  

資料的準備工作是訓練模型前的必要工作，顯然這也是非常耗時的，所以在入門階段我們完全可以用現有的開源圖片庫快速完成前期的準備工作： ImageNet   ImageNet是根據WordNet階層（目前只有名詞）組織的映像資料庫，其中階層的每個節點都由數百和數千個映像描繪。 目前，資料庫中每個節點平均擁有超過五百幅映像。 我們希望ImageNet將成為研究人員，教育工作者，學生以及分享我們對圖片熱情的所有人的有用資源。   ImageNet的一些特點：

http://blog.csdn.net/junzhu213/article/details/6420256 參考上面的文章，我再轉過來吧。 一、先執行sudo apt-get install libx11-dev  安裝x11，否則不能顯示圖形。   若不安裝，則會出現，在gnuplot,在終端下輸入gnuplot後顯示terminal set to unknown

我想，對大多數時候，尤其是將HMM用在視頻資料的處理中時，主要是利用BaumWelch演算法進行學習訓練的應用，即HMM的第三個問題的解決。根據樣本訓練HMM中的三組參數。  

既然我堅持了那麼久，看懂了，把我博士工作耽誤的其實也不少，也不算耽誤，主要是基礎差，這個演算法又麻煩，所以一直看到現在也沒出成果。我想如果當時有人能夠指導我，告訴我這個很難，需要專業的理論背景等知識，我可能不會繼續下去。而如果有人一起學習討論，可能現在也會好多了。但是，這些都是假設，不是嗎。   但是，既然做了，實現了，就還是要繼續關注下去。     首先，HDP模型，不是萬能的，但是至少目前在我看來是非常靈活的一個模型。從HDP延伸出來的模型，

流程績效模型建立的方法   卡方檢驗是用途很廣的一種假設檢驗方法，常在分類資料統計推斷中的應用，包括：兩個率或兩個構成比比較的卡方檢驗；多個率或多個構成比比較的卡方檢驗以及分類資料的相關分析等。 卡方檢驗可以檢驗單個多項分類名義型變數各分類間的實際觀測次數與理論次數之間是否一致的問題，這裡的觀測次數是根據樣本資料得到的實計數，理論次數則是根據理論或經驗得到的期望次數。這一類檢驗稱為擬合性檢驗。

假設檢驗 分布檢驗 位置檢驗 彌散實驗 Ansari-Bradley 在matlab中，可使用ansaribradley進行Ansari-Bradley檢驗。 Bartlett’s test 巴特利特球形（Bartlett’s

建立假設   統計檢驗是將抽樣結果和抽樣分布相對照而作出判斷的工作。取得抽樣結果，依據描述性統計的方法就足夠了。抽樣分布則不然，它無法從資料中得到，非利用機率論不可。而不對待概括的總體和使用的抽樣程式做某種必要的假設，這項工作將無法進行。   求抽樣分布  

1. 定義挖掘目標         通過瞭解相關行業領域，熟悉背景知識，瞭解使用者真正的需求，確定資料採礦的目標，及模型建立後想要達到的效果。 2. 資料擷取與處理        明確挖掘目標後，需要從業務資料系統中抽取與挖掘目的相關的樣本資料子集。             抽樣的三個標準：

轉載請注意出處：http://blog.csdn.net/hwhua1986/article/details/62426560 參考資料，請參照sonar官網參數分析頁：https://docs.sonarqube.org/display/SONAR/Analysis+Parameters 上一次是通過修改sonar管理系統的標識 最近發現一個更好的方法，就是在增加“branch”參數。 1、在Jenkins的構建操作增加“SonarQube analysis with

卡方檢驗就是統計樣本的實際觀測值與理論推斷值之間的偏離程度，實際觀測值與理論推斷值之間的偏離程度就決定卡方值的大小，卡方值越大，越不符合；卡方值越小，偏差越小，越趨於符合，若兩個值完全相等時，卡方值就為0，表明理論值完全符合。 注意：卡方檢驗針對分類變數。 （1）提出原假設： H0：總體X的分布函數為F(x). 如果總體分布為離散型，則假設具體為 H0：總體X的分布律為P{X=xi}=pi， i=1，2，...

目的： 從樣本提出問題，對總體作出推斷，然後研究拒絕還是接受作出的推斷 基本想法： 1.全稱命題不被本證明但易用舉反例證偽–>在此基礎上–>2.極小機率發生的事若發生證可用來證偽小機率原理 　　解釋為： 　　如果對總體的某種假設是真實的，那麼不利於或不能支援這一假設的事件A（小機率事件）在一次實驗中幾乎不可能發生的；要是在一次實驗中A竟然發生了，就有理由懷疑該假設的真實性，拒絕這一假設。 假設的形式： H0——原假設

%正態性分布檢驗 %%C.S. Ruan x; figure; hist(x);%頻數長條圖(肉眼看是否左右對稱，中間多，兩邊少) figure; histfit(x);%正態曲線擬合 normfit(x);%正態性檢驗（離散點是否分布在一條直線上，表明樣本來自常態分佈，否則是非常態分佈） %參數估計 

進行參數估計和假設檢驗時，通常總是假定總體服從常態分佈，雖然在許多情況下這個假定是合理的，但是當要以此為前提進行重要的參數估計或假設檢驗，或者人們對它有較大懷疑的時候，就確有必要對這個假設進行檢驗， 進行總體正態性檢驗的方法有很多種，以下針對MATLAB統計工具箱中提供的程式，簡單介紹幾種方法。 1）Jarque-Bera檢驗

正態性分布檢驗 1.觀察法 x為你要檢驗的資料。 hist(x);  %頻數長條圖(肉眼看是否左右對稱，中間多，兩邊少) 2.觀察法 histfit(x);%正態曲線擬合 normplot(x);%正態性檢驗（離散點是否分布在一條直線上，表明樣本來自常態分佈，否則是非常態分佈）

不同的代碼分支怎麼在 Sonar 上做程式碼分析呢。舉個例子，一個項目有 master、mysql、xiangxiang三個分支， 在Jenkins上分別建了3個代碼檢查的job，預期是三個分支的代碼檢查結果區分開顯示。但是sonar會把3個分支的結果統計到一個項目裡面，不能分成3個項目統計。 那麼如何解決這個問題。經常多次的摸索發現sonar管理系統裡面有一個“更新標識”的功能，使用該功能可以實現3個分支3個代碼檢查結果。下面進行圖片示範。

【分布的擬合】 把樣本的分布函數（也稱為“經驗分布函數”），與某種理論的分布函數（如常態分佈）疊放在一起，進行比較。 例如： score = xlsread('examp02_14.xls','Sheet1','G2:G52');% 去掉總成績中的0，即缺考成績score = score(score > 0); %樣本figure; % 建立圖形視窗% 繪製經驗分布函數圖，並返回圖形控制代碼h和結構體變數stats，%

最初以為用一個簡單的for迴圈就解決了，但忽略了移除後會改變集合的大小發生一些越界的錯誤或者資料不對； 正確的方式：迭代器Iterator；下面是網上的一個小例子；最後貼出自己錯誤的代碼協助記憶。 import java.util.ArrayList;import java.util.Iterator;public class TestList {public static void main(String[] args)

ArrayList是java開發時非常常用的類，常碰到需要對ArrayList迴圈刪除元素的情況。這時候大家都不會使用foreach迴圈的方式來遍曆List，因為它會拋java.util.ConcurrentModificationException異常。比如下面的代碼就會拋這個異常： List list = new ArrayList(); list.add("1"); list.add("2"); list.add("3"); list.add("4"); list.add(

package com.hadoop.sample; import java.io.IOException; import java.util.Iterator; import java.util.StringTokenizer; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import