最近在看Yang大牛稀疏表示论文的代码，发现里面很多的操作的用到了矩阵的列归一化，这里谈一谈列归一化的实现，以及其带来的好处。矩阵的列归一化，就是将矩阵每一列的值，除以每一列所有元素平方和的绝对值，这样做的结果就是，矩阵每一列元素的平方和为1了。举个例子，矩阵[1,2,3]',将其归一化的结果就是[0.2673,0.5345,0.8018]。其平方和就为1了。Y

异方差性（heteroscedasticity ）是相对于同方差而言的。所谓同方差，是为了保证回归参数估计量具有良好的统计性质，经典线性回归模型的一个重要假定：总体回归函数中的随机误差项满足同方差性，即它们都有相同的方差。如果这一假定不满足，即：随机误差项具有不同的方差，则称线性回归模型存在异方差性。对于异方差性的回归问题，需要用到加权最小二乘法。以下内容转自：https://zhua

转自：http://blog.csdn.net/wsj998689aa/article/details/39547771上学的时候，就一直很好奇，模式识别理论中，常提到的正则化到底是干什么的？渐渐地，听到的多了，看到的多了，再加上平时做东西都会或多或少的接触，有了一些新的理解。1. 正则化的目的：防止过拟合！2. 正则化的本质：约束（限制）要优化的参数。

随着这两年深度学习的火爆，在超分辨率重建领域也有着越来越多关于深度学习相关方法的文章涌现出来。对于之前没有接触过机器学习之类的人，看起来确实会有些一头雾水，所以这里整理了一下三个关于此的热词。深度学习、机器学习以及模式识别。模式识别（Pattern recognition），机器学习（machine learning），深度学习（deep learning）。其中模式识别是最古老的，可以说是最