成为一组基的唯一要求是:线性无关(非正交基也可以,但由于正交基有较好的性质,所以通常使用正交基。)
基变换的矩阵表示: 一般地,如果我们有M个N维向量,想将其变换为由R个N维向量表示的新空间中,那么首先将R个新基按行组成矩阵A,然后将向量按列组成矩阵B,那么两矩阵的乘积AB就是基变换的结果,其中AB的第m列为B中第m列变换后的结果,数学表示为:
( p 1 p 2 . . . p R ) ( a 1 a 2 . . . a M ) = ( p 1 a 1 p 1 a 2 ⋯ p 1 a M p 2 a 1 p 2 a 2 ⋯ p 2 a M ⋮ ⋮ ⋱ ⋮ p N a 1 p N a 2 ⋯ p N a M ) \begin{pmatrix} p_1\\p_2\\.\\.\\.\\p_R \end{pmatrix} \begin{pmatrix} a_1&a_2&...&a_M \end{pmatrix}= \begin{pmatrix} p_1a_1&p_1a_2&\cdots&p_1a_M\\ p_2a_1&p_2a_2&\cdots&p_2a_M\\ \vdots&\vdots&\ddots&\vdots\\ p_Na_1&p_Na_2&\cdots&p_Na_M \end{pmatrix}
p1p2...pR
(a1a2...aM)=
p1a1p2a1⋮pNa1p1a2p2a2⋮pNa2⋯⋯⋱⋯p1aMp2aM⋮pNaM
其中,R决定了基变换后的数据维度,且R可以小于M,当R<M时就是数据降维。
由此可以给出矩阵相乘的另一种物理解释:两个矩阵相乘的意义是将右边矩阵中的每一列列向量变换到以左边矩阵中每一行行向量为基的空间中去。
PCA本质就是一种换底操作,将原来的数据集换到另一组基向量坐标体系下后,这组数据能够用更小的数据量达到较大的代表性的效果。
(1)算法复杂度呈指数级关联,当数据维度过大时,会消耗过多的计算机资源;
(2)各维数据间常常存在相关性,可以在保证算法性能的前提下,通过合理的降维方法将信息的损失降到最低。
协方差矩阵:包含了各维度自身的方差信息,也包含了各维度间的协方差信息(即相关性信息),因此计算协方差矩阵是数据降维过程中的重要步骤。
欲将一组N维向量降到K维(0<K<N),其目标是选择K个单位正交基,使得原始数据变换到这组基上,各维度间协方差为0,而各维度自身的方差尽可能大,并且最终只取最大的K个方差。
最大特征值对应的特征向量就是点向量平方和最大的方向,等价于方差最大的方向(变换之后保留尽可能多的信息,如果方差很小表明数据不能很好的区分开,就会有信息损失)。 因此优化目标就是找协方差矩阵的最大的K个特征值和特征向量,这K个特征向量按对应特征值从大到小按行排列就组成了数据降维用到的变换矩阵P,Y=PX就是降维后的数据矩阵。
PCA算法详解——本质上就是投影后使得数据尽可能分散(方差最大)
设原始数据集有M条N维数据,欲将其降维到K维,则PCA降维算法步骤如下:
(1)将原始数据按列组成N×M的矩阵X;
(2)求矩阵X的协方差矩阵C;
(3)求矩阵C的特征值及对应的特征向量;
(4)取其中K个最大的特征值并从大到小按排列,并将其对应的特征向量按行排列成矩阵P;
(5)Y=PX即为降维后的数据集(按列排列了,矩阵大小为K×M)。
可以看出,PCA算法问题的关键在于特征值和特征向量的计算,该问题常用协方差矩阵的分解来解决。常用的两种矩阵分解方法是特征值分解(仅适用于方阵)、奇异值分解(任何矩阵都适用),因此这也是PCA算法的两种实现方法。
C = Q Σ Q − 1 C=Q\Sigma Q^{-1} C=QΣQ−1
其中, Q Q Q是矩阵 C C C的特征向量组成的矩阵, Σ \Sigma Σ是一个对角阵,对角线上的元素是对应的特征值。
C = U Σ V T C=U\Sigma V^{T} C=UΣVT
其中:
PCA是线性方法,因为矩阵乘以一个向量,只是对矩阵列的重新线性组合。
ϕ \phi ϕ是升维函数。
import os
from pyntcloud import PyntCloud
import open3d as o3d
import numpy as np
def main():
root_dir = r"..\modelnet40_normal_resampled\modelnet40_normal_resampled"
shapenames = "modelnet40_shape_names.txt"
with open (os.path.join(root_dir, shapenames)) as f:
shape_name_list = f.readlines() # .readlines一次性读取所有数据,按行存成list
for item in shape_name_list:
name = item.strip()
file_path_name = os.path.join(root_dir, name) + r"\\{}_0001.txt".format(name) # 只读取每个类别的第一个点云数据
point_cloud_pynt = PyntCloud.from_file(file_path_name, sep=",", names=["x", "y", "z", "nx", "ny", "nz"])
point_cloud_o3d = point_cloud_pynt.to_instance("open3d", mesh=False) # 将数据转成open3d格式,不生成网格数据,只转为点云数据
o3d.visualization.draw_geometries(([point_cloud_o3d])) # 可视化原始点云数据
points = point_cloud_pynt.points # .points之后是DataFrame格式
points_loc = np.array(points.loc[:, ["x", "y", "z"]]) # .loc通过指定列名称来索引
# points_loc = np.array(points.iloc[:, [0, 1, 2]]) # .iloc通过指定列索引值来索引
if __name__ == "__main__":
main()
注意:使用矩阵相乘的形式计算协方差矩阵时,记得要除以[点数-1]!!!协方差矩阵计算方法
def PCA(data, k):
data_new = np.array(data - data.mean(axis=0)) # 去中心化
H = np.dot(data_new.T, data_new) / (data_new.shape[0] - 1) # 计算协方差矩阵,矩阵相乘后除以[点数-1]
# H = np.cov(data.T) # 计算结果维度和输入数据行数保持一致,因此输入数据要进行转置(np.cov输入数据去不去中心化结果一样)
# # 使用ED分解
# eigen_vals, eigen_vecs = np.linalg.eig(H)
# sort_index = np.argsort(eigen_vals)[::-1]
# select_eigen_vecs = eigen_vecs[:, sort_index[:k]]
# 使用SVD分解
U, S, V = np.linalg.svd(H)
sort_index = np.argsort(S)[::-1] # np.argsort()返回排序后的索引顺序,这里按照降序排列
select_eigen_vecs = U[:, sort_index[:k]] # 求前k大的奇异值对应的特征向量
# 计算PCA后的结果,并可视化
points_after_PCA = np.dot(data_new, select_eigen_vecs) # 要使用去中心化的数据进行运算!!!
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(points_after_PCA)
o3d.visualization.draw_geometries([pcd])
return select_eigen_vecs
K = 3 # PCA降维目标维度
Vecs = PCA(points_loc, K)
原始点云如下左图,PCA之后的点云如下右图:
(本⽂完整的pdf请关注公众号“张张学算法”,并回复“pdf”获取~)
文章浏览阅读645次。这个肯定是末尾的IDAT了,因为IDAT必须要满了才会开始一下个IDAT,这个明显就是末尾的IDAT了。,对应下面的create_head()代码。,对应下面的create_tail()代码。不要考虑爆破,我已经试了一下,太多情况了。题目来源:UNCTF。_攻防世界困难模式攻略图文
文章浏览阅读2.9k次,点赞3次,收藏10次。偶尔会用到,记录、分享。1. 数据库导出1.1 切换到dmdba用户su - dmdba1.2 进入达梦数据库安装路径的bin目录,执行导库操作 导出语句:./dexp cwy_init/[email protected]:5236 file=cwy_init.dmp log=cwy_init_exp.log 注释: cwy_init/init_123..._达梦数据库导入导出
文章浏览阅读1.9k次。1. 在官网上下载KindEditor文件,可以删掉不需要要到的jsp,asp,asp.net和php文件夹。接着把文件夹放到项目文件目录下。2. 修改html文件,在页面引入js文件:<script type="text/javascript" src="./kindeditor/kindeditor-all.js"></script><script type="text/javascript" src="./kindeditor/lang/zh-CN.js"_kindeditor.js
文章浏览阅读2.3k次,点赞6次,收藏14次。SPI的详情简介不必赘述。假设我们通过SPI发送0xAA,我们的数据线就会变为10101010,通过修改不同的内容,即可修改SPI中0和1的持续时间。比如0xF0即为前半周期为高电平,后半周期为低电平的状态。在SPI的通信模式中,CPHA配置会影响该实验,下图展示了不同采样位置的SPI时序图[1]。CPOL = 0,CPHA = 1:CLK空闲状态 = 低电平,数据在下降沿采样,并在上升沿移出CPOL = 0,CPHA = 0:CLK空闲状态 = 低电平,数据在上升沿采样,并在下降沿移出。_stm32g431cbu6
文章浏览阅读1.2k次,点赞2次,收藏8次。数据链路层习题自测问题1.数据链路(即逻辑链路)与链路(即物理链路)有何区别?“电路接通了”与”数据链路接通了”的区别何在?2.数据链路层中的链路控制包括哪些功能?试讨论数据链路层做成可靠的链路层有哪些优点和缺点。3.网络适配器的作用是什么?网络适配器工作在哪一层?4.数据链路层的三个基本问题(帧定界、透明传输和差错检测)为什么都必须加以解决?5.如果在数据链路层不进行帧定界,会发生什么问题?6.PPP协议的主要特点是什么?为什么PPP不使用帧的编号?PPP适用于什么情况?为什么PPP协议不_接收方收到链路层数据后,使用crc检验后,余数为0,说明链路层的传输时可靠传输
文章浏览阅读587次。软件测试工程师移民加拿大 无证移民,未受过软件工程师的教育(第1部分) (Undocumented Immigrant With No Education to Software Engineer(Part 1))Before I start, I want you to please bear with me on the way I write, I have very little gen...
文章浏览阅读304次。Thinkpad X250笔记本电脑,装的是FreeBSD,进入BIOS修改虚拟化配置(其后可能是误设置了安全开机),保存退出后系统无法启动,显示:secure boot failed ,把自己惊出一身冷汗,因为这台笔记本刚好还没开始做备份.....根据错误提示,到bios里面去找相关配置,在Security里面找到了Secure Boot选项,发现果然被设置为Enabled,将其修改为Disabled ,再开机,终于正常启动了。_安装完系统提示secureboot failure
文章浏览阅读10w+次,点赞93次,收藏352次。1、用strtok函数进行字符串分割原型: char *strtok(char *str, const char *delim);功能:分解字符串为一组字符串。参数说明:str为要分解的字符串,delim为分隔符字符串。返回值:从str开头开始的一个个被分割的串。当没有被分割的串时则返回NULL。其它:strtok函数线程不安全,可以使用strtok_r替代。示例://借助strtok实现split#include <string.h>#include <stdio.h&_c++ 字符串分割
文章浏览阅读2.3k次。1 .高斯日记 大数学家高斯有个好习惯:无论如何都要记日记。他的日记有个与众不同的地方,他从不注明年月日,而是用一个整数代替,比如:4210后来人们知道,那个整数就是日期,它表示那一天是高斯出生后的第几天。这或许也是个好习惯,它时时刻刻提醒着主人:日子又过去一天,还有多少时光可以用于浪费呢?高斯出生于:1777年4月30日。在高斯发现的一个重要定理的日记_2013年第四届c a组蓝桥杯省赛真题解答
文章浏览阅读851次,点赞17次,收藏22次。摘要:本文利用供需算法对核极限学习机(KELM)进行优化,并用于分类。
文章浏览阅读1.1k次。一、系统弱密码登录1、在kali上执行命令行telnet 192.168.26.1292、Login和password都输入msfadmin3、登录成功,进入系统4、测试如下:二、MySQL弱密码登录:1、在kali上执行mysql –h 192.168.26.129 –u root2、登录成功,进入MySQL系统3、测试效果:三、PostgreSQL弱密码登录1、在Kali上执行psql -h 192.168.26.129 –U post..._metasploitable2怎么进入
文章浏览阅读257次。本文将为初学者提供Python学习的详细指南,从Python的历史、基础语法和数据类型到面向对象编程、模块和库的使用。通过本文,您将能够掌握Python编程的核心概念,为今后的编程学习和实践打下坚实基础。_python人工智能开发从入门到精通pdf