问题描述：在notebook中打开.ipynb文件后网页提示500: Internal Server Error终端显示： AssertionError: wrong color format ‘var(–jp-mirror-editor-variable-color)’按照网上大部分博客描述，是因为nbconvert 和pandoc不兼容问题，更新nbconvert 版本：pip install

无参密度估计：KDE和KNN最大似然估计和贝叶斯估计应用于数据的密度函数形式已知但参数未知的情况，然而并非所有的情况下数据的密度函数的形式是已知的。针对于这种情况，我们可以选择一些无参密度估计方法。直观上，我们对于概率密度的理解就是单位区域数据出现的概率，公式表示如下：p(x)≅kNVp(x) \cong \frac{k}{{NV}}p(x)≅NVk​其中，k是面积是V的区域内数据的个...

解决国内访问IEEE xplore慢的办法。

韦伯分布(Weibull)参数矩估计MATLAB实现二参数韦伯分布概率密度函数f(x)=βη(xη)β−1e−(xη)β,β>0,η>0,x≥γ≥0f(x)=\frac{\beta}{\eta}\left(\frac{x}{\eta}\right)^{\beta-1} e^{-\left(\frac{x}{\eta}\right)^{\beta}}, \beta>0, \eta&

梯度幅度相似性偏差(Gradient Magnitude Similarity Deviation)是2014年zhang lei等人在论文《Gradient Magnitude Similarity Deviation: A Highly Efficient Perceptual Image Quality Index》提出的一种图像全参考评价(FR-IQA)方法，具有准确度高、计算量少的特点。

广义高斯分布(generalized Gaussian distribution,GGD)和非对称广义高斯分布( asymmetric generalized Gaussian distribution,AGGD)被经常使用与图像/视频信号的统计分析，其形状参数常被用为图像的特征进行分类或回归。如在图像质量评价任务中，Anish Mittal等人提出的BRISQUE模型利用GGD拟合归一化后图像(

引言自然场景统计(NSS)经常被应用于图像的质量评价。人们发现，用高质量设备采集的自然图像(自然场景)有着一定的统计特征(如服从一些类高斯分布)，而图像的失真会使这些统计特征发生改变，因此利用图像的一些统计特征作为图像特征，可以完成图像的无参考评价。BRISQUE来自于论文《No-Reference Image Quality Assessment in the Spatial Domain》..

引言自然场景统计(NSS)经常被应用于图像的质量评价。人们发现，用高质量设备采集的自然图像(自然场景)有着一定的统计特征(如服从一些类高斯分布)，而图像的失真会使这些统计特征发生改变，因此利用图像的一些统计特征作为图像特征，可以完成图像的无参考评价。BRISQUE来自于论文《No-Reference Image Quality Assessment in the Spatial Domain》..

这篇文章介绍使用开源社区的onedrive-d，使Linux系统实现微软的onedrive同步功能。除了Ubuntu之外，onedrive-d还支持CentOS、Fedora等Linux系统。文章发布时使用的系统版本：Ubuntu 18.04.2 LTS文章发布时使用的Python版本：Python 3.6.7依赖：gccpython3-devlibssl-devinotify-t...

贝叶斯决策学习了一个学期的模式识别课程，老师讲的很好，深入浅出，无奈我脑子不够用没有理解到其中精髓，现在整理了一下听课笔记，以备以后需要时翻阅。这篇文章记录的是贝叶斯决策，其中包括最大后验、最大似然和贝叶斯决策的直观理解和数学理论。关于先验和后验关于什么是先验概率和后验概率， 余生最年轻在他的博客里解释的很好。先验(Priori )概率直观上理解，所谓“先”，就是在事情之前，即在事情发生之前...