double delta11= E偏导zII * wcnn[1][0]*dsigmoid(aI[0]);double delta12= E偏导zII * wcnn[1][1]*dsigmoid(aI[1]);wcnn[1][i] = wcnn[1][i] - 常数a * wcnn的偏差[1][i];wcnn[0][i] = wcnn[0][i] - 常数a * wcnn的偏差[0][i];wcnn

/此处是32位灰度图像（黑白）;//640*480转227*227。我们打开电脑自带的摄像头软件，放置在left=0，top=0的地方，然后程序中。然后遮住摄像头，识别了一下，softmax处理后的结果是7左右，还行！//不用glob_rgbValues[nn * 4+3]alpha分量。，实时截屏rect=（0，0，640，480）区域，然后我们调用。训练后，识别了一下，softmax处理后的结

通过前面的实践，我们已经可以通过正态分布函数生成样本点，这是什么意思呢？其实也就是说，任意图像上的样本点如果能和我们的模板重合，我们就认为，这样的样本满足了正态分布，我们已经掌握，调整参数，生成不同的同心圆或者同心椭圆来框定这些样本，这样我们就可以很好的把样本从图像中分离出来，或者说我们掌握了图像的特征，如果图像中有正负两种样本，均满足高斯正态分布，只是参数不同，那么我们就可以很好的把这两种样本分

参考书目：机械最优设计技术，孟兆明 常德功编著namespace 牛顿法改进版//求函数minF（X）=x0^2+x1^2-x0*x1-10*x0-4*x1+60{//1,如何求偏导数？//2,如何求黑塞矩阵逆矩阵？public partial class Form1 : Form{public Form1(){InitializeComponent();}int ...

通过前面的实践，我们已经可以通过正态分布函数生成样本点，这是什么意思呢？其实也就是说，任意图像上的样本点如果能和我们的模板重合，我们就认为，这样的样本满足了正态分布，我们已经掌握，调整参数，生成不同的同心圆或者同心椭圆来框定这些样本，这样我们就可以很好的把样本从图像中分离出来，或者说我们掌握了图像的特征，如果图像中有正负两种样本，均满足高斯正态分布，只是参数不同，那么我们就可以很好的把这两种样本分

人脸识别已经遇到好几年了（2013），在opencv中，今天终于抄过来了，发现不完美，但以后可以慢慢改进，家里先用上再说，干什么？开关灯呗，在工作上，程序驱动开关，已经不算什么，但对于家用，可以激活父母孩子的好奇心，时代嘛，应该是老百姓的嘛！电脑有了，摄像头有了，不可能再花个电脑的价钱买个开关吧（机器视觉的开关好贵啊！）？某宝淘到一个usb继电器开关（不到十五元），有硬件，有源代码，可以二次开发，

在前面基础上，代码增加了通用性，样本点增加到八个，运行效果如下：c#代码如下：（对比参考前面的代码，前面运行没有show出来）namespace smo改进3{public partial class Form1 : Form//核函数仍然保持使用简单点积，没有使用高斯核函数，202009161816改进{public Form1(){InitializeComponent();}...

有了标定的关键尝试，自动化标定就可以再进化，第一步，见图第二步，见图，一毫米59个ccd像素第三步，见图第四步，见图第五步，见图第六步，见图第七步，见图，他大爷的，径向参数在数量级上是对的，为什么是负值？应再查最小二乘法!第八步，见图，他大爷的，程序中方正ok，截图下来就怂（变形）了！所有步骤连起来，标定自动化就完成了。在这个过程中，你...

前面一篇，花费了很大力气的代码来实现显示一幅bmp图像和感兴趣区域（ROI）图像截取，它是值得的，因为你不能光说不练。借这个东风，自动对焦的代码如下：int[,] 差分图像x = new int[_RoiH, _RoiW];//感兴趣区域（ROI）的高度和宽度int[,] 差分图像y = new int[_RoiH, _RoiW...

在前面基础上，代码增加了通用性，样本点增加到八个，运行效果如下：c#代码如下：（对比参考前面的代码，前面运行没有show出来）namespace smo改进3{public partial class Form1 : Form//核函数仍然保持使用简单点积，没有使用高斯核函数，202009161816改进{public Form1(){InitializeComponent();}...