gaussian

0열

1답변

SIFT 알고리즘에 대한 연구 논문을 쓰고 있는데, 이산 프로세스를 설명하기 전에 연속 함수의 컨텍스트에서 가우시안 블러 개념을 설명하는 데 도움이되는 그래픽을 만들고 싶습니다. 내가 만들고자하는 그래픽은 사인 함수와 컨 벌브 된 표준 가우스의 그래프입니다. 나는 가우시안 (Gaussian)을 음모를 꾸밀 수 있고, 나는 사인을 그릴 수 있지만, 나는 그

2열

1답변

많은 가우시안 혼합의 PDF 값을 계산하는 알고리즘

평균, 공분산 행렬로 정의 된 2D 가우스를 혼합했다고 가정합니다. 혼합물의 각 가우시안의 무게는 동일합니다. 이제 확률 밀도 함수의 값을 계산하려고합니다. 그래서 분명히 저는 혼합 된 각각의 가우시안에 대한 가치를 계산하고 평균을 취할 것입니다. 그러나 필자의 혼합물은 많은 가우시안들 (> 10^4)과 모순되어서 PDF의 각 지수에서 지수를 계산할 때 이

0열

2답변

도움이 필요하십니까 파이썬 y = 0에서 x 축을 따라 있지 않은 데이터에 가우스를 맞추기

나는 적당한 양을 찾고 아직 내 질문에 대한 명확한 해결책을 찾지 못했습니다. 현재 Gaussian 피팅 자습서를 볼 때 볼 수있는 일반적인 데이터 집합 인 x 축을 따라있는 모든 데이터에 가우스를 맞출 수 있습니다. 이제는 X 축 위에 일정량 올려 진 데이터가 있으므로 Gaussian fit을 x 축에 맞출 수 없습니다. 내 솔루션 그냥 추가 + y0 상

2열

1답변

RGB 이미지 용 Matlab 저역 통과 필터

이미지에 가우스 필터 (저역 통과 필터)를 수행하는 코드가 있습니다. 그러나이 필터는 그레이 스케일 이미지에서만 작동합니다. 컬러 이미지에서 작동하도록 어떻게 향상시킬 수 있습니까? 내장 된 함수가 많이 있지만 이미지 처리가 처음인데 기본을 배우려고합니다. %Read an Image Img = imread('peppers.png'); Im = rgb2g

0열

1답변

Python의 다 변수 일반 CDF

다 변수 정규 분포에 대해 CDF를 계산하는 함수를 찾고 있습니다. 나는 scipy.stats.multivariate_normal가 (샘플 x 경우) PDF를 계산하는 유일한 방법이 발견가 아닌, CDF multivariate_normal.pdf(x, mean=mean, cov=cov) 나는 CDF, 같은 계산하는하지만 같은 일을 찾고 : multivari

2열

1답변

매개 변수 초기화 skyearn을 사용하여 Python의 가우스 혼합

sklearn을 사용하여 Gaussian Mixture를 정말 열심히 노력하고 있지만 확실히 작동하지 않기 때문에 뭔가 빠졌다고 생각합니다. 내 원래 datas는 다음과 같다 : Genotype LogRatio Strength AB 0.392805 10.625016 AA 1.922468 10.765716 AB 0.22074 10.405445 B

1열

1답변

은 파이썬에서 하나의 값을 기반으로하는 '일반적인 분포'와 같은 데이터를 생성합니다.

저는 var temp가 하나 있습니다. 예를 들어 temp = 100입니다. 내가 원하는 것은 8 개의 데이터 포인트를 생성하는 것입니다. 이 8 점은 그림과 같이 표시됩니다. 정상 분포처럼 보이지만 은 임의의 값을 많이 추가하여을 완벽하게 정규 분포로 보이지 않게하고 싶습니다. 최종 데이터 (곡선 아래 영역)는 이 임시에 합산되어야합니다. 누군가 파이썬에

-1열

1답변

어떻게 오류율을 병합 또는 결합합니까?

9 개의 연속 데이터 열과 4 개의 범주 데이터가 포함 된 데이터 집합이 있다고 가정 해 보겠습니다. Matlab에서는 열을 두 그룹으로 나누어 개별적으로 교육/테스트 (순진한 베이)를 수행하고 연속 열의 오류율이 0.45이고 범주 형 열의 오류가 0.33임을 확인합니다. 내 질문은 - 어떻게 결합 오류를 결정합니까? 편집 - 간단한 의사 개요 추가 : f

4열

1답변

파이썬에서 이산 가우스 커널 구현하기?

나는 규모 공간 이론에 관한 그의 연구에서 Lindeberg가 정의한대로 discrete Gaussian kernel을 구현하려고합니다. 이것은 T_ (n, t) = exp (-t) * I_n (t)로 정의되며 여기서 I_n은 modified Bessel function of the first kind이다. Numpy와 Scipy를 사용하여 Python으로

0열

1답변

피팅 반 곡선/데이터에 정상화 그래서 같은, 내가 분산 플롯에서 플롯 할 수있는 데이터의 두 개의 목록이

포인트 가우스 : from matplotlib import pyplot as plt x = [0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20] y = [22.4155688819,22.3936180362,22.3177538001,22.1924849792,21.7721194577,21.1590235248,20.