根据多年的经验，以下计算机EI源刊可以说是百发百中(只要有工作量，并不需要什么创新性均可录用):Journal of Computers (JCP, ISSN 1796-203X),Journal of Networks (JNW, ISSN 1796-2056),Journal of Software (JSW, ISSN 1796-217X).Journal of Computational

开发十年，就只剩下这套Java开发体系了>>>   ...

本文结构如下：1：多元正态分布及可视化2：双高斯独立分布可视化3：从零开始推导多元高斯分布4：多元正态分布性质5：高斯判别分析模型6：高斯判别分析模型Demo1： 多元正态分布及可视化多元正态分布也叫多元高斯分布，这个分布的两个参数分别是平均向量  和一个协方差矩阵 其中： ，且是对称、半正定的。若 ，则其概率密度是：下面用python进行可视化多元正...

相信，这是各位在投稿英文刊物时碰到的一个现实问题。当然很多人觉得没有什么问题，已经在有意无意、自然不自然地用一些不知道规范与否的汉语拼音转化为的英文代码了。但是，如果认真考察一下，发现还是存在许多问题的。本文就是想针对这个问题进行讨论，并提出我自己的建议。在谈论这个问题的时候，我想先申明一下。“人生而自由，却无往不在枷锁之中”，我们现在谈论这个规则，并不是想限制各位“姓名拼写”的“自由”。人人有捍

笔者在调试代码的过程中发现，程序进程总是莫名其妙掉线，并且报错：Connection closed by foreign host. Disconnected from remote host究其原因，是linux系统设置了终端默认断开时间，需要修改该配置文件，并重启sshd服务。流程如下：#vim /etc/ssh/sshd_config找到下面两行#ClientAliveInterval 0#

前面，我们讨论了贝叶斯方法，使用概率对不确定性建模做出最优决策。现在我们考虑如何从给定的训练集估计这些概率。引言    参数化方法是指我们假设样本取自服从某种一直模型的某个分布。我们利用最大似然和样本数据近似的估计这个分布的参数信息，从而得出这个分布的一般模型。换言之，一旦从样本中估计出这些参数 ，就知道了整个分布，然后使用它进行决策。一、最大似然估计   最大似然估计的假设前提，...

1.0 什么是卡尔曼模型理论推导过于复杂，看个知乎上的解释吧 假设你有两个传感器，测的是同一个信号。可是它们每次的读数都不太一样，怎么办？ 取平均。 再假设你知道其中贵的那个传感器应该准一些，便宜的那个应该差一些。那有比取平均更好的办法吗？ 加权平均。 怎么加权？假设两个传感器的误差都符合正态分布，假设你知道这两个正态分布的方差，用这两个方差值，（此处省略若干数学公式），你可以得到一个“...

tensorflow 与cuda、cudnn的对应版本关系

   一、回归    回归的基本含义是，通过多项式插值的方式获取一个能够拟合样本数据的函数，用来反映数据的一般性和通用性。在回归中，我们可以将函数的准确数值输出和随机噪声的和：                                                                 其中，f(x)是位置函数，将用定义在参数的集合上估计类似然来近似它（直接对后验概率...

1、简介本文主要讲解朴素贝叶斯及其推理，并实现鸢尾花数据的分类问题2、算法解释朴素贝叶斯最初来源于统计科学领域。根据朴素贝叶斯公式：由于类似然涉及到多个特征的组合求解较为困难。所以为了简化运算，降低计算复杂度，我们假设每个特征具备统计独立性，即特征间不存在关联性。这样就可以简化上述贝叶斯公式为：上述公式即为朴素贝叶斯通用公式，我们进一步化简去除无关证据项得：根据...