全称：Karhunen-Loeve变换（卡洛南-洛伊变换）前面讨论的特征选择是在一定准则下，从n个特征中选出k个来反映原有模式。这种简单删掉某n-k个特征的做法并不十分理想，因为一般来说，原来的n个数据各自在不同程度上反映了识别对象的某些特征，简单地删去某些特征可能会丢失较多的有用信息。如果将原来的特征做正交变换，获得的每个数据都是原来n个数据的线性组合，然后从新的数据中选出少数几个，使其尽可能多

感知器算法只是当被分模式可用一个特定的判别界面分开时才收敛，在不可分情况下，只要计算程序不终止，它就始终不收敛。即使在模式可分的情况下，也很难事先算出达到收敛时所需要的迭代次数。这样，在模式分类过程中，有时候会出现一次又一次迭代却不见收敛的情况，白白浪费时间。为此需要知道：发生迟迟不见收敛的情况时，到底是由于收敛速度过慢造成的呢，还是由于所给的训练样本集不是线性可分造成的呢？最小平方误差(

Vertx学习什么是vertx？Vert.x最大的特点就在于异步（底层基于Netty），通过事件循环（EventLoop）来调起存储在异步任务队列（CallBackQueue）中的任务，大大降低了传统阻塞模型中线程对于操作系统的开销。因此相比较传统的阻塞模型，异步模型能够很大层度的提高系统的并发量。核心点1：异步模型框架Vert.x除了异步之外，还提供了非常多的吸引人的技术，比如EventBus，

折腾了一天，把调试Hotspot踩过的坑分享出来，注意使用root权限，切记！！！首先说下环境：Centos 7 ，jdk1.7u80.获取为官网，可参考此博客的获取方式：https://blog.csdn.net/weixin_39917216/article/details/81296006openjdk 源码获取网址：http://hg.openjdk.java.net/jd...

SecureCRT是一款支持SSH（SSH1和SSH2）的终端仿真程序，简单地说是Windows下登录UNIX或Linux服务器主机的软件。这样操作的时候不必进入到linux桌面，可以更方便的在命令行下进行操作。此次操作的环境为：SecureCRT 8.3Linux Centos 7 VMware 14 pro一、检查网路配置形式    首先检查一下安装的Linux系统的网

模式识别的目的就是要确定某一个给定的模式样本属于哪一类。可以通过对被识别对象的多次观察和测量，构成特征向量，并将其作为某一个判决规则的输入，按此规则来对样本进行分类。       在获取模式的观测值时，有些事物具有确定的因果关系，即在一定的条件下，它必然会发生或必然不发生。例如识别一块模板是不是直角三角形，只要凭“三条直线边闭合连线和一个直角”这个特征，测量它是否有三条直线边的闭合连线并有一个直角

特征选择和提取是模式识别中的一个关键问题：前面讨论分类器设计的时候，一直假定已给出了特征向量维数确定的样本集，其中各样本的每一维都是该样本的一个特征；这些特征的选择是很重要的，它强烈地影响到分类器的设计及其性能；假若对不同的类别，这些特征的差别很大，则比较容易设计出具有较好性能的分类器。特征选择和提取是构造模式识别系统时的一个重要课题：在很多实际问题中，往往不容易找到那些最重要的特征，或受客观

线性判别函数和广义线性函数     用判别函数分类的概念：模式识别系统的主要作用；判别各个模式所属的类别对一个两类问题的判别，就是将模式x划分成ω1和ω2两类。两类问题的判别函数（以二维模式样本为例）若x是二维模式样本x = (x1 x2)T，用x1和x2作为坐标分量，得到模式的平面图：这时，若这些分属于ω1和ω2两类的模式可用一个直线方程d(x)=0来划分d(x) = w1x1 + w2x2 +

前段时间在学习期间学习了机器学习和模式识别相关的内容，今天真理梳理一下知识点，用做自己的参考资料和学习资料，同时，若整理的资料中出现错误还恳请各位批评指正，共同学习，共同进步。由于自己基础比较差，整理了两部分的内容，一部分为本部分整理的基础知识点内容，归属为“PRML基础”，另一部分为“PRML学习”，希望有兴趣的读者共同交流进步。一.概率理论概率理论提供了一个量化与处理不确定性的数学框架，这是

应用统计方法解决模式识别问题时，一再碰到的问题之一就是维数问题。在低维空间里解析上或计算上行得通的方法，在高维空间里往往行不通。因此，降低维数有时就会成为处理实际问题的关键。