无人驾驶一 协方差矩阵的几何意义
https://blog.csdn.net/guyuealian/article/details/68922981
样本各属性(维)均值:样本重心;
样本各属性间协方差:样本在各维间分布及相关性。对协方差矩阵进行特征变换,特征矩阵每列为特性向量=主坐标轴在原坐标系的投影(坐标)。
clear all
clc
X=[1 2;3 3;3 5;5 4;5 6;6 5;8 7;9 8] %样本矩阵:8个样本,每个样本2个特征
covX= cov(X) %使用cov函数求协方差矩阵
%% 按定义求协方差矩阵:(1)使用分量的方法,先求协方差,再组合成协方差矩阵
meanX=mean(X) %样本均值
varX=var(X) %样本方差
[Row Col]=size(X);
dimNum=Row; %s样本个数size(X,1)=8
dim1=X(:,1); %特征分量1
dim2=X(:,2); %而在分量2
c11=sum( (dim1-mean(dim1)) .* (dim1-mean(dim1)) ) / ( dimNum-1 );
c21=sum( (dim2-mean(dim2)) .* (dim1-mean(dim1)) ) / ( dimNum-1 );
c12=sum( (dim1-mean(dim1)) .* (dim2-mean(dim2)) ) / ( dimNum-1 );
c22=sum( (dim2-mean(dim2)) .* (dim2-mean(dim2)) ) / ( dimNum-1 );
C22=[c11,c12;c21,c22]%协方差矩阵%% 或者(2)直接求协方差矩阵:
tempX= repmat(meanX,Row,1);
C22=(X-tempX)'*(X-tempX)/(dimNum-1)%% 特征值分解协方差矩阵:
[V,D] =eigs(covX)
e1_point=meanX'+V(:,1)*5 %主坐标轴e1=e1_piont-meanX
e2_point=meanX'+V(:,2)*3 %主坐标轴e2=e2_piont-meanXplot(X(:,1),X(:,2),'r')
hold on
axis equal
plot([meanX(1);e1_point(1)],[meanX(2);e1_point(2)])
plot([meanX(1);e2_point(1)],[meanX(2);e2_point(2)]) Xtemp=mvnrnd(meanX,covX,40) %生成同分布的样本点
plot(Xtemp(:,1),Xtemp(:,2),'.g')%% 绘制二维正态分布图
[X,Y]=meshgrid(-10:0.3:10,-10:0.3:10);%在XOY面上,产生网格数据
p=mvnpdf([X(:) Y(:)],meanX,covX);%求取联合概率密度,相当于Z轴
p=reshape(p,size(X));%将Z值对应到相应的坐标上
figure
set(gcf,'Position',get(gcf,'Position').*[1 1 1.3 1])
subplot(2,3,[1 2 4 5])
surf(X,Y,p),axis tight,title('二维正态分布图')
subplot(2,3,3)
surf(X,Y,p),view(2),axis tight,title('在XOY面上的投影')
subplot(2,3,6)
surf(X,Y,p),view([0 0]),axis tight,title('在XOZ面上的投影')covX =7.1429 4.85714.8571 4.0000meanX =5 5V =-0.8086 0.5883-0.5883 -0.8086D =10.6764 00 0.4664
无人驾驶一 协方差矩阵的几何意义相关推荐
- 协方差矩阵的几何意义
假设原始数据为XXX,其协方差矩阵CCC为对称矩阵,协方差矩阵的特征分解为 C=RSR−1=RSRT(C为对称矩阵所以有R−1=RT)C=RSR^{-1}=RSR^{T}(C为对称矩阵所以有R^{-1 ...
- matlab类间散度矩阵,协方差矩阵和散布矩阵(散度矩阵)的意义
在机器学习模式识别相关算法中,经常需要求样本的协方差矩阵C和散布矩阵S.如在PCA主成分分析中,就需要计算样本的散度矩阵,而有的教材资料是计算协方差矩阵.实质上协方差矩阵和散度矩阵的意义就是一样的,散 ...
- 协方差矩阵和散布矩阵(散度矩阵)的意义
协方差矩阵和散布矩阵的意义 [尊重原创,转载请注明出处]http://blog.csdn.net/guyuealian/article/details/68922981 在机器学习模式识别中, ...
- 协方差矩阵的几何性质
本篇笔记将以向量值随机变量X=(X1,-,Xn)TX=(X_1,\dots,X_n)^TX=(X1,-,Xn)T的协方差矩阵为例,研究其性质.在阅读笔记之前可先记下先导篇中的相关结论,尤其是该篇中 ...
- opencv fisheye calibration(鱼眼相机校正)
文章目录 fisheye_calibration 小孔成像模型(理想相机成像模型) fisheye model 相机模型 内参校正的原理 calibration过程 对这个过程简单分析 参考文章 fi ...
- 无人驾驶三 卡尔曼滤波及无迹卡尔曼滤波的几何意义
https://en.wikipedia.org/wiki/Kalman_filter#Unscented_Kalman_filter 一.卡尔曼滤波的几何意义参考英文原版: http://www.b ...
- 通俗理解卡尔曼滤波(无人驾驶感知融合的经典算法)
前言 我个人有近10年AI教育经验了,中间获得过一些名号,比如北理工校外导师,微软MVP兼CSDN技术专家,本博客也有1700多万PV了,在AI圈内有极高知名度.后2015年和团队一块创业创办AI职教 ...
- 动手学无人驾驶(6):基于IMU和GPS数据融合的自车定位
在上一篇博文<动手学无人驾驶(5):多传感器数据融合>介绍了如何使用Radar和LiDAR数据对自行车进行追踪,这是对汽车外界运动物体进行定位. 对于自动驾驶的汽车来说,有时也需要对自身进 ...
- 动手学无人驾驶(5):多传感器数据融合
本系列的前4篇文章主要介绍了深度学习技术在无人驾驶环境感知中的应用,包括交通标志识别,图像与点云3D目标检测.关于环境感知部分的介绍本系列暂且告一段落,后续如有需要再进行补充. 现在我们开启新的篇章, ...
- 向量表示,投影,协方差矩阵,PCA
原文:http://blog.csdn.net/songzitea/article/details/18219237 引言 当面对的数据被抽象为一组向量,那么有必要研究一些向量的数学性质.而这些数学性 ...
最新文章
- 内存数据库服务运营之路
- public ServiceException() { 		super(); 	} 	public ServiceException(String message, Throwable cause,
- SAP Cloud for Customer的Contact和Account的从属关系
- 你为什么要关心equals和hashcode
- python 可执行文件打包_使用可执行文件打包Python库
- JuliaPro安装与使用
- Nginx配置HTTP2.0
- 笔记:制作游戏所需的数学
- 这是一篇很好的文章,学verilog的可以好好看看
- elixir 高可用系列 - 目录
- 回文数判断python五位数_Python【习题】回文数:判断一个数是否是回文数
- 【手写数字识别】基于matlab CNN网络手写数字识别分类【含Matlab源码 1286期】
- keil编译后MCU需要的flash和RAM容量
- c实用技巧:纯c对于excel数据表的处理
- 蓝桥杯泊松分酒java_蓝桥杯-泊松分酒 - steven_wjg的个人空间 - OSCHINA - 中文开源技术交流社区...
- 小高考三门计算机能报大专吗,美术生小高考的要求吗
- php 上标,html页面如何显示上标和下标
- 中心极限与大数定理律的关系_中心极限定理(CLT)?2个例子帮你轻松理解CLT...
- 【Microsoft Azure 的1024种玩法】六十.通过Azure Virtual Machines快速搭建个人Ghost博客系统
- linux下源码编译升级ssh版本,ssh打补丁过程