其他

Ant差點找死的原因     搭建Ant時，我弄了半天，在命令列裡還是報錯：ANT_HOME is set incorrectly or ant could not be located. Please set ANT_HOME.我檢查步驟： 1、jdk安裝了呀，JAVA_HOME配置了呀: JAVA_HOME:E:\Java\jdk1.5.0_06; 2、Ant解壓在E:盤了呀

代碼純屬原創，如有雷同，純屬巧合。 #include <stdio.h>int main(void){double i,a=0;scanf("%lf",&i);if(i<=100000)a=i*0.1;else if(i<=200000)a=10000+(i-100000)*0.075;else if(i<=400000)a=10000+7500+(i-200000)*0.05;else if(i<=600000)a=10000+7500+1000

% % 在進行天軟COM調用，首先需要先建立一個天軟 COM 物件clc,clearts=actxserver('TSExpert.CoExec');% % % % 執行天軟語句% ts.RemoteExecute ('天軟語句')data2 = ts.RemoteExecute(['ret2:=rdo2 importfile(ftStream(),"","E:\\360安全瀏覽器下載\\3.STM",data2);'... ,'return data2;']);for

Rotate using Flex BitmapData and Matrix by Mister Recently, I found myself in need of an image rotation component in Flex so that the rotation takes place on the client and saves the image back to the server.  The image source I

對於非線性方程組F(X)=0，用fsolve函數求其數值解。fsolve函數的調用格式為： X=fsolve('fun',X0,option)

我們有兩個常態分佈：N(2,4)和N(3,5)，現在想求出靠近兩者均值的等機率點，如圖所示： 其中Difference=N(2,4)-N(3,5)，即為我們下列代碼中的函數f #! /usr/bin/python3#-*-coding:utf-8-*-from scipy.optimize import fsolveimport numpy as npimport math#定義函數（方程f(x|arg)=0）def f(x,*arg): #len(arg)=4, arg=(miu_

轉自： http://geodesy.blog.sohu.com/273714573.html 1. 自迴歸模型的定義           自迴歸模型（Autoregressive Model）是用自身做迴歸變數的過程，即利用前期若干時刻的隨機變數的線性組合來描述以後某時刻隨機變數的線性迴歸模型[1]，它是時間序列中的一種常見形式[2]。 2. &

1.自迴歸 之前說了，分析時間序列和迴歸一樣，目的都是預測。在迴歸裡面，我們有一元迴歸於多元迴歸，在時間序列裡面，我們有自迴歸。與一元、多元一樣，我們分為一階與多階自迴歸。其實還是那樣的理念，只不過之前是變數與應變數，現在則是存在時滯的序列之間的關係而已。 先來看一下一階自迴歸AR(1)，也就是，Yt=b*Yt-1+ut。

AR(Autoregressive)模型（自迴歸模型）：用同一變數之前的表現情況來預測該變數現在或未來的表現情況，這種預測方法只與變數自己有關，而與其他變數無關，所以稱作是自迴歸。 數學定義模型:假定AR模型是p階的，對於一組時間序列有觀測值{x[1],x[2],.....x[N]}，計算t時刻x的預測值x[t]，其自迴歸方程：     x[t]=a[1]*x[t-1]+a[2]*x[t-2]....+a[p]*x[t-p]+u[t],1<=

import numpy as npimport scipy.stats as st 幾率（odds） p(B)=120 ：二十場比賽只贏一場 odds against B winning: o(B)=1−p(B)p(B)=19 ： A贏19場比賽，B才會贏一場 1. 建立隨機變數（rv：random variable） 泊松分布： F_true = 1000N = 50F = st.poisson(F_true).rvs(N)

此學習筆記來自於王燕老師編著的《時間序列分析-基於R》          對一個時間序列預先處理後檢驗出該序列為平穩時間序列說明該模型有提取資訊的價值，就要進行下一步的模型建立來擬合該模型然後做出預測。下面介紹擬合時間序列的三個重要模型。 一、AR模型         AR（p）模型得簡記形式如下，其中p為自迴歸階數。           &

scipy.stats模組中有不少涉及計算統計量的子模組 如 scipy.stats.uniform scipy.stats.norm scipy.stats.t scipy.stats.chi2 scipy.stats.f 更多子模組參見這裡 其中scipy.stats.f內有如下方法： 來自於這裡 這些方法在其他子模組中都大同小異。這裡重點介紹求F統計量的p值和分位元，t統計量，卡方，正態，的求法基本類似。 例1：求 Pr(F4,58>1.67)=?

嶺迴歸用於處理下面兩類問題： 1.資料點少於變數個數 2.變數間存在共線性 變數間存在共線性是，最小二乘迴歸得到的係數不穩定，方差很大，這是因為係數矩陣x與它的轉置矩陣相乘得到的矩陣不能求逆，而ridge regression通過引入lamda參數，使得該問題得到解決。在R語言中，MASS包中的函數lm.ridge()可以很方便地完成。它的輸入矩陣x始終為n*p維，不管是否包含常數項。

一個序列經過預先處理被識別為平穩非白色雜訊序列，那就說明該序列是一個蘊含著相關資訊的平穩序列。在統計上我們通常是建立一個線性模型來擬合該序列的發展，藉此提取該序列中的有用資訊，ARMA是目前最常用的平穩序列擬合模型。 AR模型 具有下列結構的模型稱為p階自迴歸模型：

ICCV,2015, DEX: Deep EXpectation of apparent age from a single image 文章3個insight： （1）分享了IMDB-WIKI資料集，包含524230張從IMDB 和Wikipedia爬取的名人資料圖片。 具體資料分布如下圖： （2）一個新穎的化迴歸為分類的年齡演算法。本質就是在0-100之間的101類分類後，對於得到的分數和0-100相乘，並將最終結果求和，得到最終識別的年齡。

出自論文，Holistically-Nested Edge Detection ，ICCV2015,Marr獎提名，非常值得看的一篇。     邊緣檢測的工作分為以下3個研究方向： (1)傳統的檢測運算元：Sobel ,Canny (2)基於資訊理論設計的手工特徵：Statistical Edges ,Pb ,gPb (3)基於學習方法設計的手工特徵：BEL , Multi-scale , Sketch Tokens, Structured

出自論文Spatial Transformer Networks   Insight： 文章提出的STN的作用類似於傳統的矯正的作用。比如Face Service中，需要先對檢測的圖片進行關鍵點檢測，然後使用關鍵點來進行對齊操作。但是這樣的一個過程是需要額外進行處理的。但是有了STN後，檢測完的人臉，直接就可以做對齊操作。關鍵的一點就是這個矯正過程是可以進行梯度傳導的。想象一下，臉部偵測完了，直接使用ROI pooling取出人臉的feature

常用映像資料庫 1， http://www.multitel.be/cantata/ 這個網址提供了大量的視頻和映像的資料庫下載索引，並有相應的介紹，強烈推薦。大家慢慢去找尋自己的驚喜吧 2， http://www.cvpapers.com/datasets.html CVDatasets on the web ， 主要好像是直立行人檢測.... 3，

1、Vedio and Image Datasets Index 這個網址提供了大量的視頻和映像的資料庫下載索引，並有相應的介紹，強烈推薦。大家慢慢去找尋自己的驚喜吧 2、CV Datasets on the web 這裡主要有檢測、分類、識別、追蹤(tracking)、分割、顯著性檢測、視頻監測……內容特別豐富，強烈推薦。 3、FIR Sequence. Pedestrian Dataset 裡面又有好幾種資料庫可以下載：CVC Virtual Pedestrian Dataset、

一、知識圖譜                 互連網、大資料的背景下，Google、百度、搜狗等搜尋引擎紛紛基於該背景，建立自己的知識圖譜Knowledge Graph（Google）、知心（百度）和知立方（搜狗），主要用於改進搜尋品質。 1、什麼是知識圖譜