其他

很多音樂播放軟體都有均衡器，例如千千靜聽的數字均衡器效果如下：這是一個10段均衡器。 均衡器實際上就是一組帶通濾波器。對於學過數字訊號處理的人，要設計這樣一組濾波器並不是什麼難事情。這裡我做了一個簡單的均衡器，這個均衡器只有3段，即對低頻，中頻和高頻進行調整。 1. 均衡器相關結構定義如下： 1 typedef struct 2 { 3 // Filter #1 (Low band) 4 5 double lf; // Frequency 6 double f1p0

 看別人的會聲會影視頻教程看著非常的累，自己總結了下製作要點。這個過程完全可以自己編寫一個簡單的程式去實現。需要用到3條覆疊軌總共需要6張照片，圖片必須是PNG格式，並且事先經過PS處理成一半是透明的格式，一般採用右半部分是透明的。起始翻轉只用到2張照片，翻轉結束的時候也是2張照片；故這個時間區間只用到2條覆疊軌最下面一條覆疊軌處理翻轉的動畫中間一條覆疊軌用於翻轉之後的照片最上面一條覆疊軌處理最新出現但還沒有翻轉的照片。 製作過程1. 插入第1張照片到第二條覆疊軌，添加矩形遮罩和畫中畫濾鏡   

4. 執行個體      將3維空間上的球體樣本點投影到二維上，W1相比W2能夠獲得更好的分離效果。            PCA與LDA的降維對比：            PCA選擇樣本點投影具有最大方差的方向，LDA選擇分類效能最好的方向。      LDA既然叫做線性判別分析，應該具有一定的預測功能，比如新來一個範例x，如何確定其類別？      拿二值分來來說，我們可以將其投影到直線上，得到y，然後看看y是否在超過某個閾值y0，超過是某一類，否則是另一類。而怎麼尋找這個y0呢？     

[pdf版本] 典型相關分析.pdf1. 問題      線上性迴歸中，我們使用直線來擬合樣本點，尋找n維特徵向量X和輸出結果（或者叫做label）Y之間的線性關係。其中，。然而當Y也是多維時，或者說Y也有多個特徵時，我們希望分析出X和Y的關係。      當然我們仍然可以使用迴歸的方法來分析，做法如下：      假設，，那麼可以建立等式Y=AX如下            其中，形式和線性迴歸一樣，需要訓練m次得到m個。     

引言：機器學習領域中所謂的降維就是指採用某種映射方法，將原高維空間中的資料點映射到低維度空間中。降維的本質是學習一個映射函數 f : x->y，其中x是未經處理資料點的表達，目前最多使用向量表達形式。 y是資料點映射後的低維向量表達，通常y的維度小於x的維度（當然提高維度也是可以的）。f可能是顯式的或隱式的、線性或非線性。當然還有一大類方法本質上也是做了降維，叫做feature

 好吧，其實我也不是IR專家，但是我喜歡IR，最近幾年國內這方面研究的人挺多的，google和百度的強勢，也說明了這個方向的價值。當然，如果你是學IR的，不用看我寫的這些基礎的東西咯。如果你是初學者或者是其他學科的，正想瞭解這些科普性質的知識，那麼我這段時間要寫的這個"資訊檢索X科普"系列也許可以協助你。（我可能寫的不是很快，見諒）至於為什麼名字中間帶一個字母X呢？

matlab繪圖的時候只用plot函數出來的圖不一定符合自己最想要的格式， 經常要對座標的數字、範圍、間隔做處理。雖然不是什麼很難的操作，但是確實常用，也容易忘記，所以就放在這裡說明一下：   x = (1:50);y = sin(x);plot(x,y,'-r*');xlabel('x name');% x軸名稱ylabel('y name'); legend('xxx'); %線條注釋,多條的話: legend('xxx','xxx2','xxx3'）xlim([2,

Ubuntu 顯卡驅動安裝nVidia 顯卡: 源安裝 $sudo gedit /etc/apt/sources.list 添加一行 deb http://nvidia.limitless.lupine.me.uk/ubuntu edgy stable-9631 $sudo apt-get update $wget http://nvidia.limitless.lupine.me.uk/ubuntu/root@lupine.me.uk.gpg -O- | sudo apt-key add –

主要解決方案參見了：http://www.palfans.net/a-issue-of-apmserv5-2-6/最近APMServ很火，先大致介紹一下：APMServ 5.2.6 是一款擁有圖形介面的快速搭建Apache 2.2.9、PHP 5.2.6、MySQL 5.1.28 ＆4.0.26、Nginx 0.7.19、Memcached 1.2.4、phpMyAdmin

1、右擊“我的電腦”，依次單擊“屬性/進階/效能設定”在“視覺效果”頁中將“在案頭上為表徵圖標籤使用陰影”選中，單擊確定即可。 2、有時會出現上述設定也不能解決問題，我們就可以通過建立一個使用者的辦法解決，但案頭表徵圖、快速啟動欄以及環境變數等等設定會恢複為預設狀態，需要重新設定。 3、其實在第一種方法無效時，我們不用建立使用者，問題一樣可輕鬆解決：右擊案頭空白處，依次單擊“屬性/案頭/自訂案頭/web”選項，將“網頁”欄中的“當前首頁”以及“http//......”等所有各項前面的勾全部去掉

        目前，手機上各種圖片特效的軟體應用App盛行，典型的如camare360，美圖秀秀，powercalm等。上述映像特效軟體最初發布的版本的特效實現基本上是基於調色的技術，在後續發布的版本中有少量的比較好的演算法。     

MMX指令有8個64位寄存器(MM0~MM7),不過可惜都是借的FPU的, FPU原來有8個80位寄存器(st(0)~st(7)),現在用在了MMX上,所以用之後要加上一條EMMS指令,用以複位.MMX寄存器有64位,可以同時進行8對位元組或4對字或2對雙字同時相同操作,還可以進行飽和運算,不會溢出,當然也可以進行普通運算.特別要注意的一點是：在x86上，一個字，WORD的長度是16位，而在ARM上，一個WORD的長度是32位。描述約定：  MM表示64位MMX寄存器. 

今天開始學Pattern Recognition and Machine Learning (PRML)，章節1.2，Probability Theory （下）今天把1.2寫完，這一節講了很多重要的基礎內容。1.2.3

實際上，搞彙編最佳化的很多時間是在處理如何有效組織資料，以適應並行計算指令的資料結構。本小結描述的是資料混洗指令，這類指令使用起來相當的靈活。具體如下：    1.  shufps  XMM,XMM/m128,imm8(0~255)       描述：           從指令尾碼來看，這是一條SSE1指令。           該指令把源儲存空間與目的寄存器按雙字32位劃分, 由立即數imm8八個二進位位(00~11,00^11,00~11,00~11)指定排列,         

6. 資料壓縮指令    packuswb MM,MM/m64   把目的寄存器按字有符號數壓縮為飽和位元組無符號數放入目的寄存器低32位，   把源寄存器字有符號數壓縮為飽和位元組無符號數放入目的寄存器高32位。   簡單的說，就是16位有符號壓縮為飽和8位無符號數。 　　　　　　　　　　           高32位  | 低32位 　　目的寄存器:                  a0 | a1 | a2 | a3 　　源寄存器:        

這裡簡要描述幾個重要的算數運算指令。1.  水平相加指令      SSSE3指令集增加的主要是針對整數進行水平方向上相加的指令，與SSE3的浮點指令類似。　　phaddd　　寄存器水平方向上按照無符號32位整數進行加法 　　phaddw   　寄存器水平方向上按照無符號16位整數進行加法 　　phaddsw　　寄存器水平方向上按照16位整數進行飽和加法　 

6. SSE整數運算指令　　pavgb  MM,MM/m64       pavgb XMM,XMM/m128　　把源儲存空間與目的寄存器按位元組無符號整數相加,再除以2,結果四捨五入為整數放入目的寄存器。　　源儲存空間為m128時,記憶體變數地址必須16位元組對齊. 　　pavgw MM,MM/m64　　pavgw XMM,XMM/m128　　把源儲存空間與目的寄存器按字無符號整數相加,再除以2,結果四捨五入為整數放入目的寄存器,　　源儲存空間為m128時,記憶體變數必須對齊記憶體16位元組.

SSE2與SSE1使用相同寄存器，指令描述約定： MM指64位MMX寄存器XMM指128XMM寄存器m32 指32位記憶體變數m128指128位記憶體變數SSE2主要是雙精確度浮點運算指令 1.  資料搬移指令        movapd XMM,XMM/m128        movapd XMM/m128,XMM                把源儲存空間內容值送入目的寄存器,當有m128時,記憶體變數地址必須16位元組對齊.                movupd XMM,XMM/m1

前言：有一段時間沒有寫部落格了(發現這是我部落格最常見的開頭，不過這次間隔真的好長），前段時間事情比較多，所以耽擱得也很多。現在準備計劃寫一個新的專題，叫做《hadoop雜記》，裡面的文章有深有淺，文章不是按入門-中級-進階的順序組織的，如果想看看從入門到深入的書，比較推薦《the definitive guide of hadoop》。今天主要想寫寫關於map-reduce v2(或者叫map-reduce next

【轉載請註明出處】http://www.cnblogs.com/jerrylead6 拉格朗日對偶（Lagrange duality）     先拋開上面的二次規劃問題，先來看看存在等式約束的極值問題求法，比如下面的最佳化問題：              目標函數是f(w)，下面是等式約束。通常解法是引入拉格朗日運算元，這裡使用來表示運算元，得到拉格朗日公式為              L是等式約束的個數。