lps_683的博客
lps_683 · 共 59 篇文章
懒人法宝:定时订票详解
前言 暑假闲来无事,每天上午的宝贵时间想去游泳,减减肚子,练练耐力,正好我们那个地方游泳馆上午提供免费的票,但是,需要前一天早上七点开始预定第二天上午 的免费游泳票。往年暑假,我是每天早上六点五十五准时起床,眼睛半睁不睁的等着七点一到,立马抢票!抢完一脸解脱地瘫倒在床上继续睡觉。简直就是煎熬啊, 我在学校都没起这么早过。 今年暑假,我实在是不想再早起了,考虑到订票网站的订票流程非常简易,是否能写一个脚本代替我每天早上完成订票任务呢。答案是肯定的。最后我大概虽然其实 用到的方法很简单,但是既然是在生活中难得遇到的实际问题,我也做一个分享。之前我是没有任何刷票、爬虫经历的。(本人专注数据挖掘) …
模型评价(一) AUC大法
问题: AUC是什么 AUC能拿来干什么 AUC如何求解(深入理解AUC) AUC是什么 混淆矩阵(Confusion matrix) 混淆矩阵是理解大多数评价指标的基础,毫无疑问也是理解AUC的基础。丰富的资料介绍着混淆矩阵的概念,这里用一个经典图来解释混淆矩阵是什么。 显然,混淆矩阵包含四部分的信息: 1. True negative(TN),称为真阴率,表明实际是负样本预测成负样本的样本数 2. False positive(FP),称为假阳率,表明实际是负样本预测成正样本的样本数 3. False negative(FN),称为假阴率,表明实际是正样本预测成负样本的样本数 4. Tr…
2017-07-30 00:32 · 机器学习 · 机器学习,python · 机器学习,python,数据挖掘 · 算法 · 评论(0)
JavaEE入门看这个系列真的就够了(一)----登陆
一、需求设计 本文设计的的应用模式如下图所示(注册过程大同小异,此处略过): 当以游客身份访问时: 当登陆过后,再次在当前浏览器中访问时: ⚠️注意:本文的设定是不关闭当前浏览器,再次访问该网站则自动登陆,若关闭了当前浏览器,重新开启新的浏览器进行访问,那么需要重新登陆(此处一旦登陆,某段时间内可记住密码)。当然,很多网站关闭浏览器退出后,再开启新浏览器进行访问仍能保持登陆状态,这在功能上也就是使用Cookie和Session的区别,后文会提到! 本文介绍第一个功能:登陆功能! 二、具体实现 (1)项目框架 网站设计的一个经典模式就是MVC模式:1).M,Model,表示模型层,用很多属性来…
2017-04-24 14:32 · JAVAEE · 评论(0)
交通标牌检测与识别
关于交通标牌检测的博客和论文非常多,例如,本人最近在博客上就看到有一篇简单的交通标志检测与识别介绍文章《 自动驾驶之眼——摄像头是如何认识交通标志的? 》,该文很简洁明了地阐述了交通标志检测识别的主要流程。本文将结合上学期的课程设计,来整理一下交通标识牌检测与识别的思路与实现方法。 一、要求 首先要明确一下本文到底是要干什么。本文要完成基于视觉的交通标识牌检测与识别,说白了,就两个事:1)在一张图中找到交通标识牌在哪里(检测);2)认清楚这个标识牌是啥,表达的什么意思(识别)。那么最后得到的结果预览如下: 二、使用数据 交通标识牌种类数不胜数,我国的交通标志一共有一百余种,按类别可分为黄底黑…
并查集算法关于渗透模型中虚拟节点的使用问题
首先还是要描述一下我们所要解决的问题以及基本方法。该问题的来源是来自于普林斯顿算法课程第一讲的内容。为了通过这么课程的第一讲作业内容,本人搜集了一些网上资料以及亲自动手调试,才好不容易得到82分的成绩,勉强达到要求。具体不合格内容,后面有时间补上! 问题描述 : 渗流模型 模型如下图,由一个n*n的网格表示。 **节点状态:**网格中的每个节点有两种状态,即1) block 封锁状态,2) open 开放状态,图中黑色块为block状态,蓝色和白色块为open状态;3) full :某节点状态为open,且能找到一条路径,使得该节点与top(也就是第一行)相通,这个路径只能是四领域路径(也就…
OpenCV+SVM简单应用-------路面箭头分类
问题内容 : 路面箭头检测与识别(该部分主要介绍基于SVM的分类,也就是识别,检测问题暂不谈) 问题背景:路面箭头识别在无人车中有着重要的作用: 1.车道线等重要信息的检测,需要排除路面箭头的干扰; 2.需要根据路面箭头的指示,完成下一步动作 问题描述:为了简化这个问题,重点描述基于OpenCV的SVM路面箭头分类,我们将预先检测到的待分类 路面箭头给出如下,样本均从俯视图(逆透视)中检测获得: 图片1-11中包括:1-3、10为虚线的误检、4-5为直右箭头、6-9为误检、11为倒着的直左箭头 问题难点(本文中未解决):为何找到一个合适的特征,来解决箭头的旋转不变、尺度不变问题 作者在有限的…
2016-12-12 14:49 · C++ · openCV · 机器学习 · openCV,图像处理 · 评论(0)
(转载)Scikit Learn: 在python中机器学习
Scikit Learn: 在python中机器学习 Warning 警告:有些没能理解的句子,我以自己的理解意译。 翻译自: Scikit Learn:Machine Learning in Python 作者: Fabian Pedregosa, Gael Varoquaux 先决条件 Numpy, Scipy IPython matplotlib scikit-learn 目录 载入示例数据 一个改变数据集大小的示例:数码数据集(digits datasets) 学习和预测 分类 K最近邻(KNN)分类器 训练集和测试集 分类支持向量机(SVMs) 线性支持向量机 使用核 聚类:将观测…
2016-11-14 10:22 · 机器学习 · 机器学习,python · 评论(0)
MXNet初次尝试 ---- MNIST
参考资料: 1. MXNet官方文档 2. MXNet的Model API 3. MXNet设计和实现简介 根据MXNet源码,我们仿照着自己写一个基于MLP的MNIST测试程序 训练部分: (1)准备训练集和测试集 data_shape = (784, )#输入图像是28*28,由于使用mlp网络,故需要展成一维进行输入 #定义训练集迭代器 train = mx.io.MNISTIter( image = data_dir + "train-images-idx3-ubyte", label = data_dir + "train-labels-idx1-ubyte", input_sha…
2016-11-02 23:21 · MXNet · 评论(0)
(转载)PCA的数学原理
PCA(Principal Component Analysis)是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示,可用于提取数据的主要特征分量,常用于高维数据的降维。网上关于PCA的文章有很多,但是大多数只描述了PCA的分析过程,而没有讲述其中的原理。这篇文章的目的是介绍PCA的基本数学原理,帮助读者了解PCA的工作机制是什么。 当然我并不打算把文章写成纯数学文章,而是希望用直观和易懂的方式叙述PCA的数学原理,所以整个文章不会引入严格的数学推导。希望读者在看完这篇文章后能更好的明白PCA的工作原理。 数据的向量表示及降维问题 一般情况下,在数据挖掘和 …
决策树的搭建与绘制
理论知识大部分参考七月在线学习笔记(很好,推荐) https://www.zybuluo.com/frank-shaw/note/103575 部分理论和编程主要参考《机器学习实战》 一、作用 首先,要搞清楚决策树能做什么? 事实上,决策树学习是用于处理分类问题的机器学习方法,而这些类别事先是知道的,你只需要选择其中的某一个类作为你最终的决策即可,也就是说,决策树的学习是一个监督学习的过程。 具体例子网络上太多了,最经典的、我看的最多的一个也就是女儿相亲问题,有兴趣可以查看我给出的参考文献中的具体例子。 总之,决策树的作用就是帮助我们在一定的情况下,作出作好的决策或者说是决定! 二、决策树的…
2016-10-25 21:07 · 机器学习,python,数据挖掘 · 评论(0)
车道线检测实验笔记(二)---- 基于Catmull_Rom样条曲线的车道线检测
一、Catmull_Rom样条曲线模型引入 Catmull_Rom样条曲线拟合是曲线插值技术的一种,该插值技术能经过所给的所有控制点。BY THE WAY,很多插值技术可以参考http://www.cnblogs.com/WhyEngine/p/4020390.html Catmull_Rom样条曲线拟合方法需要至少四个控制点,公式如下: 其中,t属于[0,1](也就是0-1中每个t值可能对应所求曲线中的某点,其取值越多,曲线越密)。实际上,四个控制点,曲线只会经过其中两个控制点,如现在有控制点A,B,C,D,则最后的曲线拟合结果将如下: 得到的事BC之间的拟合曲线。那么若要得到ABCD的拟…
2016-10-09 15:56 · 车道线检测 · openCV,图像处理,曲线识别 · 评论(0)
车道线检测实验笔记(一)---- 基于改进Hough变换的曲线检测方法
一、问题引入和分析 无人驾驶技术在今发展迅猛,而车道线识别检测则是无人驾驶技术的基础与保障。本篇博客将近期来博主所做的一些车道线检测的实验(无奈,有失败的,也有成功的,虽然效果一般)做一些描述,整理成笔记,一来如果能有人给出好的建议或者意见,指出我所做的是否科学合理是再好不过了,二来,也是帮助自己记忆研究历程,便于下一步研究。 为了找到一个合适的模型,或者说是方法,能够完成车道线检测的如下几个部分: (1)直线检测 (2)曲线检测 (3)虚线、实线的检测 我们可以简单分析一下: (1)图像预处理:首先,需要对图像进行逆透视变换,得到俯视图,同时对车道线的检测,前提条件是待检测图中尽量只有车道…
2016-10-08 23:56 · openCV,图像处理 · 车道线检测 · 评论(0)
(转载)OpenCV基础篇之图像的DFT频域变换
转载自: http://xiahouzuoxin.github.io/notes 程序及分析 /* * FileName : fft2.cpp * Author : xiahouzuoxin @163.com * Version : v1.0 * Date : Wed 30 Jul 2014 09:42:12 PM CST * Brief : * * Copyright (C) MICL,USTB */ #include <iostream> #include <cv.h> #include <highgui.h> #include "imgproc/imgproc.hpp" using n…
2016-10-07 23:18 · openCV,图像处理 · 评论(0)
直方图均衡化的原理及其实现
直方图均衡化在图像处理领域中运用非常广泛,而且非常简单易实现。 首先我们了解一下 什么是图像的直方图 : 设图像的灰度范围为[a,b],r为此灰度范围内的任一灰度级,p(r)为这幅图像中灰度级为r的像素出现的频率,可以看出p(r)是r的函数。该函数的图形称为这幅图像的直方图。 p(r)=灰度为r的像素数/图像上的总像素数 图像灰度级统计信息 图像灰度直方图 原灰度图 灰度直方图 可以很清楚地看出,灰度直方图抛弃了原灰度图像的空间位置信息,反映了某一像素值在灰度图中出现的频率或者概率信息。如上图所示,可以很清楚地看出0-100灰度值所出现的频率非常大,且越趋近于0概率越高;而灰度值大于200后…
2016-09-29 14:07 · openCV,图像处理 · 评论(0)
闵大荒之旅(九) ----- 源码初步“翻译”
上一回分析到,第一阶段的主要任务是改写detect函数,那么本次就是先将detect函数修改成C语言版本! 先上代码,下列代码仍有几个变量没进行修改,其中包括blockCacheFlags, blockCache,grad,qangle(Mat类型),这些mat类型的矩阵,考虑直接传入cuda PtrStep类型或者用二维数组传入 void mynormalizeBlockHistogram(float* _hist, size_t blockHistogramSize, double Threshold) { float* hist = &_hist[0]; size_t i, sz = …
2016-03-27 17:18 · 毕业设计 · 评论(0)