logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

OpenGL学习(二)

目标:OpenGL 中的坐标变换和颜色的使用。具体任务:利用矩阵操作实现视图变换、模型变换和投影变换;利用函数指定颜色模式。三种变换。

文章图片
#学习
五、增量平滑与地图构建

HouseHolder对于大量引进零元素是有用的,例如,消去一个向量中除第一个分量外的所有分量,然而,在许多计算中,必须有。消去顺序会决定贝叶斯树的层级:最后消去的变量会成为根团的成员,而较早消去的变量分布在树的底层。a.由于x₁没有依赖其他变量(无父节点)且不被其他变量依赖(无子节点),移除x₁后,剩余变量的联合分布仅保留与x₂、x₃等的相关性,无需调整其他变量的依赖关系。而是,通过扩展系统实现

文章图片
#人工智能#图论#机器人 +2
六、流形优化

(这节不是很熟悉,只做了概念和公式上的梳理)

文章图片
#机器学习#算法#人工智能 +3
五、增量平滑与地图构建

HouseHolder对于大量引进零元素是有用的,例如,消去一个向量中除第一个分量外的所有分量,然而,在许多计算中,必须有。消去顺序会决定贝叶斯树的层级:最后消去的变量会成为根团的成员,而较早消去的变量分布在树的底层。a.由于x₁没有依赖其他变量(无父节点)且不被其他变量依赖(无子节点),移除x₁后,剩余变量的联合分布仅保留与x₂、x₃等的相关性,无需调整其他变量的依赖关系。而是,通过扩展系统实现

文章图片
#人工智能#图论#机器人 +2
三、稀疏结构

马尔科夫随机场(Markov Random Field,MRF)是一种无向图,其节点表示变量,边表示变量之间的依赖关系。MRF的核心特性是满足局部马尔科夫性(Local Markov Property):一个变量在给定其所有邻居节点的条件下,独立于图中的其他节点。这条性质可以让我们在马尔科夫随机场中轻松的识别出变量之间的独立性关系。其联合概率可表示为所有团的势函数乘积的归一化形式:其中Z是归一化常

文章图片
#人工智能#算法#图论 +1
四、消除顺序

对于向量x,要将其投影到指定y方向(y可以是[X 0 0 0 0],[X X 0 0 0]等)上,这里的限制条件是x和y长度相等,我们需要找到一个反射面(紫色平面),通过几何关系建立方程得到y的最终表达式。这里我理解的嵌套分割排序是:首先先确定分隔集C(相邻区域间的边界点如门廊、交叉路口、道路和绿化带等可以作为分隔集),由C分割开的A、B两区域互不相连,接着,在A、B区域分别再进行分割,直到分割到

文章图片
#算法#人工智能#图论 +3
到底了