9.3. K均值算法的优化
K均值算法的优化
多次随机初始化
初始化的状态不同，可能最后得到的结果是不一样的。
随机初始化聚类中心的其中一种方法为：
随机选择K个样本\(μ_1...μ_k\)作为\(K\)个聚类中心。
但是按如上的随机初始化方式可能导致最后的分类的结果不同，并且有可能使得代价函数\(J\)落入局部最优解而不是最小值。
解决这个问题的方法是多次（比如50-100次）随机初始化聚类中心并运行K-
卷积神经网络简介
卷积神经网络简介
针对用于图像识别的卷积神经网络而言
卷积神经网络的识别
卷积神经网络的结构分为输入层，隐含层和输出层。其中隐含层包括了卷积层（矩阵通过卷积层后还需要经过激活函数处理），池化层和全连接层。图像依次通过这三个层，然后通过softmax函数输出最终的概率。
输入层
彩色图像在输入层被分离为RGB三通道的三个大矩阵。
隐含层
卷积层
卷积的实质是图滤波，通过卷积核
9.2. K均值算法的过程与实现
K均值算法的过程与实现
K均值算法（K-Means）是一种流行的聚类算法。
执行过程
以如下数据集的例子来说明K均值算法的执行过程：
对于如图所示的数据集，使用K均值算法将其分成两类数据。
K均值算法的第一步是在数据集中随机生成两点，称为聚类中心（Cluster Centroid）。（要分为多少类，就要生成多少个聚类中心）
K均值算法是一个迭代算法，每一次迭代过程分为两部分：
9.1. 非监督学习的概念
非监督学习的概念
非监督学习
回顾： 监督学习
数据集有一系列的标签，监督学习的目的是找到空间中不同类数据标签之间的决策边界。
数据集的表示：\(\{(x^{(i)},y^{(i)}),...\}\)
非监督学习
在非监督学习中，数据集没有事先预设好的标签。非监督学习的目的是先要自动根据数据的特征对数据进行分类，再找到不同类数据之间的决策边界。
数据集的表示：\(\{(x^{(i
遗传算法（GA）导论
遗传算法导论
A genetic algorithm tutorial, Darrell Whitley, 1994
遗传算法的概念
遗传算法是一类将特定问题潜在的解决方案编码并组织到形如染色体（chromosome）结构的数据结构（下文直接称之为染色体）上，然后应用推荐算子(recommend operators)对数据结构中的特定信息进行保留的算法。
遗传算法的操作对象是一组这
天线知识点总结
知识点总结
author: Kigha Oreki/ Hikari Kobayashi （Hikari Kobayashi的博客）
基本理论*
传输线模型
传输线模型中的幅值电压反射系数\(Γ\)： \[Γ=\frac{Z_L-Z_0}{Z_L+Z_0}\] 其中\(Z_L\)为天线负载的阻抗，\(Z_0\)为传输线上的阻抗。
驻波比：
\[SWR=\frac{V_{max
常考知识点总结
常考知识点总结
针对Brunel University 2021: EE2622 Fundamentals of Signals and Systems 的期末复习笔记
Lecturer: Dr. Ruiheng Wu (武瑞恒)
信号的基本分类*
连续信号：x轴，y轴都连续 离散信号：x轴连续的信号 数字信号：x轴，y轴都连续的信号
三角离散信号的采样周期和周期
对于离散
计算机接口程序（C语言）
计算机接口程序（C语言）
讲义复习
BUL EE2623 Computer Architecture and Interface
Dr. Hongying Meng
单片机程序概要
程序的主要结构
单片机程序的主要结构：
对于任何的单片机程序，其算法结构由三部分组成：
重置（Reset）：清空单片机现有的内容并重置单片机设置。
初始化（Initialise）：声明