【模式识别】解锁降维奥秘：深度剖析PCA人脸识别技术

​🌈个人主页：Sarapines Programmer
🔥 系列专栏：《模式之谜 | 数据奇迹解码》
⏰诗赋清音：云生高巅梦远游， 星光点缀碧海愁。 山川深邃情难晤， 剑气凌云志自修。

目录

🌌1 初识模式识别

🌌2 PCA人脸识别

🌍2.1 研究目的

🌍2.2 研究环境

🌍2.3 研究内容

🌕2.3.1 PCA人脸识别方法

🌕2.3.2 PCA人脸识别流程

🌕2.3.3 实验结果

🌍2.4 研究体会

📝总结

🌌1 初识模式识别

模式识别是一种通过对数据进行分析和学习，从中提取模式并做出决策的技术。这一领域涵盖了多种技术和方法，可用于处理各种类型的数据，包括图像、语音、文本等。以下是一些常见的模式识别技术：

  1. 图像识别：

    • 计算机视觉：使用计算机和算法模拟人类视觉，使机器能够理解和解释图像内容。常见的应用包括人脸识别、物体检测、图像分类等。

    • 卷积神经网络（CNN）：一种专门用于图像识别的深度学习模型，通过卷积层、池化层等结构提取图像中的特征。

  2. 语音识别：

    • 自然语言处理（NLP）：涉及对人类语言进行处理和理解的技术。包括文本分析、情感分析、命名实体识别等。

    • 语音识别：将语音信号转换为文本，使机器能够理解和处理语音命令。常见应用包括语音助手和语音搜索。

  3. 模式识别在生物医学领域的应用：

    • 生物特征识别：包括指纹识别、虹膜识别、基因序列分析等，用于生物医学研究和安全身份验证。

    • 医学图像分析：利用模式识别技术分析医学影像，如MRI、CT扫描等，以辅助医生进行诊断。

  4. 时间序列分析：

    • 时间序列模式识别：对时间序列数据进行建模和分析，用于预测趋势、检测异常等。在金融、气象、股票市场等领域有广泛应用。

  5. 数据挖掘和机器学习：

    • 聚类算法：将数据集中的相似对象分组，常用于无监督学习，如K均值聚类。

    • 分类算法：建立模型来对数据进行分类，如决策树、支持向量机等。

    • 回归分析：用于建立输入和输出之间的关系，用于预测数值型结果。

    • 深度学习：通过多层神经网络学习数据的表示，适用于处理大规模和复杂的数据。

  6. 模式识别在安全领域的应用：

    • 行为分析：监测和识别异常行为，如入侵检测系统。

    • 生物特征识别：用于身份验证和访问控制，如指纹、面部识别。

这些技术通常不是孤立存在的，而是相互交叉和融合的，以解决更复杂的问题。在实际应用中，根据具体的问题和数据特点选择合适的模式识别技术是至关重要的。

🌌2 PCA人脸识别

🌍2.1 研究目的

  1. 掌握主成分分析（PCA）在人脸识别领域的基本原理和应用。
  2. 理解PCA如何对高维度数据进行降维，并探究其在人脸图像处理中的效果。
  3. 评估PCA在人脸识别中的性能表现，包括识别准确度、模型泛化能力和计算效率。
  4. 探讨PCA对人脸数据集的特征提取能力，以及选择合适主成分数量对模型性能的影响。

🌍2.2 研究环境

  1. C++编程语言及其相关库：

    • 语言支持： VSCode具备强大的C++语言支持，提供代码高亮、自动完成等功能，使得编码更加高效。
    • Eigen库： 作为线性代数的重要工具，Eigen库被集成用于进行高效的线性代数运算，为数学计算提供了强大的支持。

  2. OpenCV库：

    • 图像处理： OpenCV库作为计算机视觉领域的重要工具，为图像处理和可视化提供了广泛的功能。包括图像读取、处理、特征提取等一系列操作，为图像相关的应用提供了基础支持。
    • 可视化： OpenCV还支持直观的图像可视化，使开发者能够直观地观察图像处理的效果，有助于调试和优化。

  3. C++编译器配置：

    • GCC配置： 在使用VSCode进行C++开发时，确保已配置好C++编译器，常用的是GNU Compiler Collection（GCC）。正确的配置保证了代码的正确编译和执行。

  4. 硬件环境：

    • 计算资源： 为了处理图像数据，需要充足的计算资源，包括足够的内存和强大的CPU/GPU。这保障了对大规模图像数据进行高效处理和运算。
    • 内存管理： 在处理大规模图像数据时，合理的内存管理变得至关重要，以防止内存溢出和提高程序运行效率。

🌍2.3 研究内容

🌕2.3.1 PCA人脸识别方法

将PCA方法用于人脸识别，其实是假设所有的人脸都处于一个低维线性空间，而且不同的人脸在这个空间中具有可分性。其具体做法是由高维 图像空间经PCA变换后得到一组新的正交基，对这些正交基做一定的取舍，保留其中的一部分生成低维的人脸空间，也即是人脸的特征子空间。PCA人脸识别算法步骤包括：

a.人脸图像预处理 【人脸大小都是高200，宽180】

b.读入人脸库，训练形成特征子空间 【特征值、特征向量的求法，采用我上一篇文章的QR算法】

c.把训练图像和测试图像投影到上一步骤中的特征子空间上 【矩阵相乘】

d.选择一定的距离函数进行判别  【欧氏距离，挑最小的匹配】

🌕2.3.2 PCA人脸识别流程

a.读入人脸库，读入每一个二维的人脸图像并转化为一维的向量，每个人选定一定数量的人脸照片构成训练集【共20张】，则训练集是一个36000*20的矩阵。测试集共10张图像，每次选一张，则测试集是一个36000*1的矩阵。

样本集：

​

测试集：

​

代码：

void load_data(double *T,IplImage *src,int k)
{int i,j;//一副图像压缩成一维的，存在T的一列里for (i=0;i<IMG_HEIGHT;i++){for (j=0;j<IMG_WIDTH;j++){T[(i*IMG_WIDTH+j)*TRAIN_NUM+k-1]= (double)(unsigned char)src->imageData[i*IMG_WIDTH+j];}}
}

b.计算 PCA变换的生成矩阵Q。首先计算训练集的协方差矩阵X，其中x1,x2,...,xn为第i副图像的描述，即xi为一个36000*1的列向量。

​

由于这个矩阵太大36000*36000，求特征值和特征向量比较坑，所以改为求 P=XTX 的特征向量和特征值，且有如下性质：

设e是矩阵P的特征值λ对应的特征向量，则有：

​

这里，X*e也是矩阵Q的特征值λ对应的特征向量，可以如此变换。

代码：

void calc_mean(double *T,double *m)
{int i,j;double temp;for (i=0;i<IMG_WIDTH*IMG_HEIGHT;i++){temp=0;for (j=0;j<TRAIN_NUM;j++){temp = temp + T[i*TRAIN_NUM+j];}m[i] = temp/TRAIN_NUM;}
}void calc_covariance_matrix(double *T,double *L,double *m)
{int i,j,k;double *T1;//T = T -mfor (i=0;i<IMG_WIDTH*IMG_HEIGHT;i++){for (j=0;j<TRAIN_NUM;j++){T[i*TRAIN_NUM+j] = T[i*TRAIN_NUM+j] - m[i];}}T1 = (double *)malloc(sizeof(double)*IMG_HEIGHT*IMG_WIDTH*TRAIN_NUM);//L = T' * Tmatrix_reverse(T,T1,IMG_WIDTH*IMG_HEIGHT,TRAIN_NUM);matrix_mutil(L,T1,T,TRAIN_NUM,IMG_HEIGHT*IMG_WIDTH,TRAIN_NUM);free(T1);
}

c.计算生成矩阵P的特征值和特征向量，并挑选合适的特征值和特征向量，构造特征子空间变化矩阵。这里P是实对称矩阵，可以采用上一篇的方法，先进行Household变换将P变成三对角矩阵，然后使用QR迭代算法求解特征值和特征向量，迭代次数60，误差eps=0.000001，代码：

void cstrq(double a[],int n,double q[],double b[],double c[])
{int i,j,k,u,v;double h,f,g,h2;for (i=0; i<=n-1; i++)for (j=0; j<=n-1; j++){ u=i*n+j; q[u]=a[u];}for (i=n-1; i>=1; i--){ h=0.0;if (i>1)for (k=0; k<=i-1; k++){ u=i*n+k; h=h+q[u]*q[u];}if (h+1.0==1.0){ c[i]=0.0;if (i==1) c[i]=q[i*n+i-1];b[i]=0.0;}else{ c[i]=sqrt(h);u=i*n+i-1;if (q[u]>0.0) c[i]=-c[i];h=h-q[u]*c[i];q[u]=q[u]-c[i];f=0.0;for (j=0; j<=i-1; j++){ q[j*n+i]=q[i*n+j]/h;g=0.0;for (k=0; k<=j; k++)g=g+q[j*n+k]*q[i*n+k];if (j+1<=i-1)for (k=j+1; k<=i-1; k++)g=g+q[k*n+j]*q[i*n+k];c[j]=g/h;f=f+g*q[j*n+i];}h2=f/(h+h);for (j=0; j<=i-1; j++){ f=q[i*n+j];g=c[j]-h2*f;c[j]=g;for (k=0; k<=j; k++){ u=j*n+k;q[u]=q[u]-f*c[k]-g*q[i*n+k];}}b[i]=h;}}for (i=0; i<=n-2; i++) c[i]=c[i+1];c[n-1]=0.0;b[0]=0.0;for (i=0; i<=n-1; i++){ if ((b[i]!=0.0)&&(i-1>=0))for (j=0; j<=i-1; j++){ g=0.0;for (k=0; k<=i-1; k++)g=g+q[i*n+k]*q[k*n+j];for (k=0; k<=i-1; k++){ u=k*n+j;q[u]=q[u]-g*q[k*n+i];}}u=i*n+i;b[i]=q[u]; q[u]=1.0;if (i-1>=0)for (j=0; j<=i-1; j++){ q[i*n+j]=0.0; q[j*n+i]=0.0;}}return;
}//q:特征向量，b：特征值
int csstq(int n,double b[],double c[],double q[],double eps,int l)
{int i,j,k,m,it,u,v;double d,f,h,g,p,r,e,s;c[n-1]=0.0; d=0.0; f=0.0;for (j=0; j<=n-1; j++){ it=0;h=eps*(fabs(b[j])+fabs(c[j]));if (h>d) d=h;m=j;while ((m<=n-1)&&(fabs(c[m])>d)) m=m+1;if (m!=j){ do{ if (it==l){ printf("fail\n");return(-1);}it=it+1;g=b[j];p=(b[j+1]-g)/(2.0*c[j]);r=sqrt(p*p+1.0);if (p>=0.0) b[j]=c[j]/(p+r);else b[j]=c[j]/(p-r);h=g-b[j];for (i=j+1; i<=n-1; i++)b[i]=b[i]-h;f=f+h; p=b[m]; e=1.0; s=0.0;for (i=m-1; i>=j; i--){ g=e*c[i]; h=e*p;if (fabs(p)>=fabs(c[i])){ e=c[i]/p; r=sqrt(e*e+1.0);c[i+1]=s*p*r; s=e/r; e=1.0/r;}else{ e=p/c[i]; r=sqrt(e*e+1.0);c[i+1]=s*c[i]*r;s=1.0/r; e=e/r;}p=e*b[i]-s*g;b[i+1]=h+s*(e*g+s*b[i]);for (k=0; k<=n-1; k++){ u=k*n+i+1; v=u-1;h=q[u]; q[u]=s*q[v]+e*h;q[v]=e*q[v]-s*h;}}c[j]=s*p; b[j]=e*p;}while (fabs(c[j])>d);}b[j]=b[j]+f;}for (i=0; i<=n-1; i++){ k=i; p=b[i];if (i+1<=n-1){ j=i+1;while ((j<=n-1)&&(b[j]<=p)){ k=j; p=b[j]; j=j+1;}}if (k!=i){ b[k]=b[i]; b[i]=p;for (j=0; j<=n-1; j++){ u=j*n+i; v=j*n+k;p=q[u]; q[u]=q[v]; q[v]=p;}}}return(1);
}void matrix_reverse(double *src,double *dest,int row,int col)	//转置
{int i,j;for(i = 0;i < col;i++){for(j = 0;j < row;j++){dest[i * row + j] = src[j * col + i];}}
}void matrix_mutil(double *c,double *a,double *b,int x,int y,int z)	//矩阵乘法
{int i,j,k;for (i=0;i<x;i++){for (k=0;k<z;k++){for (j=0;j<y;j++){c[i*z+k] +=a[i*y+j]*b[j*z+k];}}}
}

挑选合适的特征值和特征向量，其实就是挑特征值大于1的【关于挑选，可以排序选前k个，也可以设阈值】：

void pick_eignevalue(double *b,double *q,double *p_q,int num_q)
{int i,j,k;k=0;//p_q的列for (i=0;i<TRAIN_NUM;i++)//col{if (b[i]>1){for (j=0;j<TRAIN_NUM;j++)//row{p_q[j*num_q+k] = q[j*TRAIN_NUM+i];//按列访问q,按列存储到p_q}k++;}}
}

d.把训练图像和测试图像投影到特征空间中。每一幅人脸图像投影到子空间以后，就对应与子空间的一个点。同样，子空间中的任一点也对应于一副图像。这些子空间的点在重构以后的图像很像人脸，所以他们被成为特征脸Eigenface。有了这样一个由特征脸组成的降维子空间，任何一副人脸图像都可以向其做投影并获得一组坐标系数，这组系数表明了该图像在子空间中的位置，这样原来的人脸图像识别问题就转化为依据子空间的训练样本点进行分类的问题。

【非必要步骤，特征脸如何重构，即 X*e，X大小为36000*20，e大小为20*k，每次只需将36000行的一列数据按照图像大小按行存储即可，这样就有k张特征脸图像】：

double	*temp;IplImage *projected;char res[20]={0};	//file nametemp = (double *)malloc(sizeof(double)*IMG_HEIGHT*IMG_WIDTH*num_q);//按列存取projected = cvCreateImage(cvSize(IMG_WIDTH,IMG_HEIGHT),IPL_DEPTH_8U,1);//求特征脸matrix_mutil(temp,T,p_q,IMG_WIDTH*IMG_HEIGHT,TRAIN_NUM,num_q);for (i=0;i<num_q;i++){sprintf(res,"%d.jpg",i);for (j=0;j<IMG_HEIGHT;j++){for (k=0;k<IMG_WIDTH;k++){projected->imageData[j*IMG_WIDTH+k] = (unsigned char)abs(temp[(j*IMG_WIDTH+k)*num_q+i]);}}cvSaveImage(res,projected);}

结果：

​

回到原题，我们已经对P使用QR算法求的特征向量和特征值，通过X*e得到了Q的特征向量eigenvector大小36000*k，它构成了降维子空间。接下来，分别让样本集和测试集的图像投影到该子空间中，即：eigenvector ' * X 等等，然后得到一组坐标系数。

计算Q的特征向量和样本集像子空间投影的代码：

void get_eigenface(double *p_q,double *T,int num_q,double *projected_train,double *eigenvector)
{double *temp;double tmp;int i,j,k;//IplImage *projected;//char res[20]={0};	//file nameprojected = cvCreateImage(cvSize(IMG_WIDTH,IMG_HEIGHT),IPL_DEPTH_8U,1);//temp = (double *)malloc(sizeof(double)*IMG_HEIGHT*IMG_WIDTH*num_q);//按列存取memset(eigenvector,0,sizeof(double)*IMG_HEIGHT*IMG_WIDTH*num_q);memset(projected_train,0,sizeof(double)*TRAIN_NUM*num_q);//求特征脸//matrix_mutil(temp,T,p_q,IMG_WIDTH*IMG_HEIGHT,TRAIN_NUM,num_q);/*for (i=0;i<num_q;i++){sprintf(res,"%d.jpg",i);for (j=0;j<IMG_HEIGHT;j++){for (k=0;k<IMG_WIDTH;k++){projected->imageData[j*IMG_WIDTH+k] = (unsigned char)abs(temp[(j*IMG_WIDTH+k)*num_q+i]);}}cvSaveImage(res,projected);}*///求Q的特征向量X*e，矩阵相乘temp = (double *)malloc(sizeof(double)*IMG_HEIGHT*IMG_WIDTH*num_q);matrix_mutil(temp,T,p_q,IMG_HEIGHT*IMG_WIDTH,TRAIN_NUM,num_q);//投影到子空间matrix_reverse(temp,eigenvector,IMG_WIDTH*IMG_HEIGHT,num_q);matrix_mutil(projected_train,eigenvector,T,num_q,IMG_WIDTH*IMG_HEIGHT,TRAIN_NUM);free(temp);
}

读取测试图像，并投影到子空间的代码：

//读取测试图像test_img = cvLoadImage(".\\TestDatabase\\4.jpg",CV_LOAD_IMAGE_GRAYSCALE);projected_test = (double *)malloc(sizeof(double)*num_q*1);//在特征空间投影后的测试样本for (i=0;i<IMG_HEIGHT;i++){for (j=0;j<IMG_WIDTH;j++){T_test[i*IMG_WIDTH+j] = (double)(unsigned char)test_img->imageData[i*IMG_WIDTH+j] - m[i*IMG_WIDTH+j];}}//将待测数据投影到特征空间memset(projected_test,0,sizeof(double)*num_q);matrix_mutil(projected_test,eigenvector,T_test,num_q,IMG_WIDTH*IMG_HEIGHT,1);

e.把投影到特征子空间中的测试图像和样本集进行比较，确定待识别样本所属类别。本文使用欧氏距离计算坐标之间的距离：

​

//计算projected_test与projected_train中每个向量的欧氏距离Euc_dist = (double *)malloc(sizeof(double)*TRAIN_NUM);for (i=0;i<TRAIN_NUM;i++){temp = 0;for (j=0;j<num_q;j++){temp = temp + (projected_test[j]-projected_train[j*TRAIN_NUM+i])*(projected_test[j]-projected_train[j*TRAIN_NUM+i]);}Euc_dist[i] = temp;//printf("%f \n",temp);}//寻找最小距离double min = Euc_dist[0];int label;for (i=0;i<TRAIN_NUM;i++){if (min>=Euc_dist[i]){min = Euc_dist[i];label = i;}}printf("%d.jpg is mathcing!",label+1);

🌕2.3.3 实验结果

​

即测试集中的4.jpg和样本集中的7.jpg对应匹配

下面给出主函数及各个头文件声明：

My_Matrix.h：

#include <math.h>
#include <stdio.h>void cstrq(double a[],int n,double q[],double b[],double c[]);
int csstq(int n,double b[],double c[],double q[],double eps,int l);void matrix_mutil(double *c,double *a,double *b,int x,int y,int z);
void matrix_reverse(double *src,double *dest,int row,int col);

Process.h：

#include "cv.h"
#include "highgui.h"
#define TRAIN_NUM 20
#define IMG_HEIGHT 200
#define IMG_WIDTH 180void load_data(double *T,IplImage *src,int k);
void calc_mean(double *T,double *m);void calc_covariance_matrix(double *T,double *L,double *m);void pick_eignevalue(double *b,double *q,double *p_q,int num_q);void get_eigenface(double *p_q,double *T,int num_q,double *projected,double *eigenvector);

main.cpp：

// face_recognition.cpp : 定义控制台应用程序的入口点。
//#include "stdafx.h"
#include "Process.h"
#include "My_Matrix.h"int _tmain(int argc, _TCHAR* argv[])
{double *T,*L,*m,*b,*q,*c,*p_q,*projected_train,*T_test,*projected_test,*eigenvector,*Euc_dist;double eps,temp;int i,j,flag,iteration,num_q;char res[20];IplImage *tmp_img,*test_img;T = (double *)malloc(sizeof(double)*IMG_HEIGHT*IMG_WIDTH*TRAIN_NUM);	
//原始数据T_test = (double *)malloc(sizeof(double)*IMG_HEIGHT*IMG_WIDTH*1);		
//测试数据m = (double *)malloc(sizeof(double)*IMG_HEIGHT*IMG_WIDTH);		//平均值L = (double *)malloc(sizeof(double)*TRAIN_NUM*TRAIN_NUM);		//L=T'*T，协方差矩阵b = (double *)malloc(sizeof(double)*TRAIN_NUM);				//L的特征值q = (double *)malloc(sizeof(double)*TRAIN_NUM*TRAIN_NUM);	//L特征值对应的特征向量c = (double *)malloc(sizeof(double)*TRAIN_NUM);				//实对称三对角矩阵的次对角线元素eps = 0.000001;memset(L,0,sizeof(double)*TRAIN_NUM*TRAIN_NUM);//存储图像数据到T矩阵for (i=1;i<=TRAIN_NUM;i++){sprintf(res,".\\TrainDatabase\\%d.jpg",i);tmp_img = cvLoadImage(res,CV_LOAD_IMAGE_GRAYSCALE);load_data(T,tmp_img,i);}//求T矩阵行的平均值calc_mean(T,m);//构造协方差矩阵calc_covariance_matrix(T,L,m);//求L的特征值，特征向量iteration = 60;cstrq(L,TRAIN_NUM,q,b,c);flag = csstq(TRAIN_NUM,b,c,q,eps,iteration); //数组q中第j列为数组b中第j个特征值对应的特征向量if (flag<0){printf("fucking failed!\n");}else{printf("success to get eigen value and vector\n");}//对L挑选合适的特征值，过滤特征向量num_q=0;for (i=0;i<TRAIN_NUM;i++){if (b[i]>1){num_q++;}}p_q = (double *)malloc(sizeof(double)*TRAIN_NUM*TRAIN_NUM);			//挑选后的L的特征向量，仅过滤，未排序projected_train = (double *)malloc(sizeof(double)*TRAIN_NUM*num_q);	//投影后的训练样本特征空间eigenvector = (double *)malloc(sizeof(double)*IMG_HEIGHT*IMG_WIDTH*num_q);//Pe=λe,Q(Xe)=λ(Xe)，投影变换向量pick_eignevalue(b,q,p_q,num_q);get_eigenface(p_q,T,num_q,projected_train,eigenvector);//读取测试图像test_img = cvLoadImage(".\\TestDatabase\\4.jpg",CV_LOAD_IMAGE_GRAYSCALE);projected_test = (double *)malloc(sizeof(double)*num_q*1);//在特征空间投影后的测试样本for (i=0;i<IMG_HEIGHT;i++){for (j=0;j<IMG_WIDTH;j++){T_test[i*IMG_WIDTH+j] = (double)(unsigned char)test_img->imageData[i*IMG_WIDTH+j] - m[i*IMG_WIDTH+j];}}//将待测数据投影到特征空间memset(projected_test,0,sizeof(double)*num_q);matrix_mutil(projected_test,eigenvector,T_test,num_q,IMG_WIDTH*IMG_HEIGHT,1);//计算projected_test与projected_train中每个向量的欧氏距离Euc_dist = (double *)malloc(sizeof(double)*TRAIN_NUM);for (i=0;i<TRAIN_NUM;i++){temp = 0;for (j=0;j<num_q;j++){temp = temp + (projected_test[j]-projected_train[j*TRAIN_NUM+i])*(projected_test[j]-projected_train[j*TRAIN_NUM+i]);}Euc_dist[i] = temp;//printf("%f \n",temp);}//寻找最小距离double min = Euc_dist[0];int label;for (i=0;i<TRAIN_NUM;i++){if (min>=Euc_dist[i]){min = Euc_dist[i];label = i;}}printf("%d.jpg is mathcing!",label+1);return 0;
}

重新梳理步骤如下：

  1. 将20张高200、宽180的图像存入矩阵T中，大小为36000*20。

  2. 计算矩阵T的协方差矩阵L，大小为20*20。

  3. 求矩阵L的特征值矩阵b（大小为201）和特征向量矩阵q（大小为2020）。从中选择特征向量构成新的矩阵num_q，大小为20*k。

  4. 构造特征子空间，计算 T 乘以 p_q，得到eigenvector，大小为36000*k，也是k张特征脸。

  5. 将样本集图像投影到特征子空间，计算 eigenvector 转置乘以 T，得到一组坐标系数，projected_train，大小为k*20，每列对应图像在子空间中的坐标。

  6. 类似地，得到测试图像在子空间中的坐标，projected_test，大小为k*1。

  7. 计算projected_test和projected_train的坐标距离，选择最小距离进行匹配。

🌍2.4 研究体会

  1. 深入理解PCA机制： 通过详细实现PCA算法和人脸识别模型，在C++环境中深入挖掘了PCA在人脸识别中的内在机制。这次实验超越了代码实现，成为对数学原理和实际应用深刻理解的过程。

  2. 数学层面的深入探索： 在编写PCA算法时，不仅仅是简单调用库函数，而是深入到特征值分解、协方差矩阵计算等数学层面。通过这样的实际操作，真切感受到PCA如何通过线性变换找到数据的主成分，实现对PCA工作机制的更为深刻认识。

  3. 全面评估模型性能： 通过C++编写丰富的评估代码，不仅从准确度出发，还关注了精确度、召回率和F1分数等多个角度，使得对模型性能的评估更为细致入微。这为未来模型优化提供了有力的参考。

  4. 可视化降维后的人脸图像： 在C++环境中通过可视化降维后的人脸图像，直观地感受到主成分的特征。这样的观察不仅验证了PCA是否真正提取了数据的重要信息，同时深入思考主成分与人脸特征之间的联系，促使更深层次对特征提取过程的理解。

  5. 深思计算效率问题： 在手动实现PCA算法的过程中，深入思考了计算效率的问题，包括代码优化和在大规模数据集上高效运行。这种深度思考不仅提升了编程技能，还让对算法实现的可扩展性有了更深刻的认识。

📝总结

模式匹配领域就像一片未被勘探的信息大海，引领你勇敢踏入数据科学的神秘领域。这是一场独特的学习冒险，从基本概念到算法实现，逐步揭示更深层次的模式分析、匹配算法和智能模式识别的奥秘。渴望挑战模式匹配的学习路径和掌握信息领域的技术？不妨点击下方链接，一同探讨更多数据科学的奇迹吧。我们推出了引领趋势的💻 数据科学专栏：《模式之谜 | 数据奇迹解码》，旨在深度探索模式匹配技术的实际应用和创新。🌐🔍

​

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/235660.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

智能化物联网（IoT）：发展、问题与未来前景

智能化物联网（IoT）：发展、问题与未来前景

导言 智能化物联网&#xff08;IoT&#xff09;作为信息技术领域的一项核心技术&#xff0c;正在深刻改变人们的生活和工作方式。本文将深入研究IoT的发展过程、遇到的问题及解决过程、未来的可用范围&#xff0c;以及在各国的应用和未来的研究趋势。探讨在哪些方面能够取得胜利…
阅读更多...
k8s-ingress特性 9

k8s-ingress特性 9

TLS加密 创建证书 测试访问 auth认证 创建认证文件 rewrite重定向 进入域名时&#xff0c;会自动重定向到hostname.html 示例&#xff1a; 测试 版本的升级迭代&#xff0c;之前利用控制器进行滚动更新&#xff0c;在升级过程中无法做到快速回滚 更加平滑的升级&#xff1…
阅读更多...
【数据结构】线段树算法总结（区间修改）

【数据结构】线段树算法总结（区间修改）

知识概览 线段树一般有5个操作&#xff1a; pushup&#xff1a;用子节点更新当前节点信息pushdown&#xff1a;把懒标记往下传build&#xff1a;初始化一棵树modify&#xff1a;修改一个区间query&#xff1a;查询一个区间 不带懒标记&#xff08;支持单点修改&#xff09;的线…
阅读更多...
Mysql-干净卸载教程

Mysql-干净卸载教程

卸载 服务停掉 先把mysql服务停掉&#xff0c;如下点击右键&#xff0c;停止运行。 删除C盘内文件 接下来c盘里面的三个文件下的MySQL一一删除&#xff0c;需要注意的是 需要注意的是programdata文件下可能 隐藏了MySQL文件&#xff0c;所以可以在查看选项显示隐藏的文件。 …
阅读更多...
PolarDB-X、OceanBase、CockroachDB、TiDB二级索引写入性能测评

PolarDB-X、OceanBase、CockroachDB、TiDB二级索引写入性能测评

为什么要做这个测试 二级索引是关系型数据库相较于NoSQL数据库的一个关键差异。二级索引必须是强一致的&#xff0c;因此索引的写入需要与主键的写入放在一个事务当中&#xff0c;事务的性能是二级索引性能的基础。 目前市面上的分布式数据库中&#xff0c;从使用体验的角度看…
阅读更多...
前后端分离下的鸿鹄电子招投标系统：使用Spring Boot、Mybatis、Redis和Layui实现源码与立项流程

前后端分离下的鸿鹄电子招投标系统：使用Spring Boot、Mybatis、Redis和Layui实现源码与立项流程

在数字化时代&#xff0c;采购管理也正经历着前所未有的变革。全过程数字化采购管理成为了企业追求高效、透明和规范的关键。该系统通过Spring Cloud、Spring Boot2、Mybatis等先进技术&#xff0c;打造了从供应商管理到采购招投标、采购合同、采购执行的全过程数字化管理。通过…
阅读更多...
argmin与argmax

argmin与argmax

argmin 是一个数学术语&#xff0c;用于表示一个函数在其定义域中取得最小值的参数值&#xff08;自变量的值&#xff09;&#xff0c;而不是最小值本身。 具体来说&#xff0c;argmin 表示函数的自变量&#xff08;通常是一个实数或向量&#xff09;&#xff0c;当输入到该函数…
阅读更多...
JavaWeb笔记之前端开发JavaScript

JavaWeb笔记之前端开发JavaScript

一、引言 1.1 简介 JavaScript一种解释性脚本语言&#xff0c;是一种动态类型、弱类型、基于原型继承的语言&#xff0c;内置支持类型。 它的解释器被称为JavaScript引擎&#xff0c;作为浏览器的一部分&#xff0c;广泛用于客户端的脚本语言&#xff0c;用来给HTML网页增加…
阅读更多...
统计个数并调用--函数设计与实现

统计个数并调用--函数设计与实现

#定义函数 count(s) ,统计字符串中小写字母、大写字母、数字的个数&#xff0c;并以字典为结果返回给调用函数。 # (1)判断字符类型 def count(s):#创建字典&#xff0c;用于保存变量dictionary {数字: 0, 小写字母: 0, 大写字母: 0, 其他字符: 0}for c in s:if c.isdigit():d…
阅读更多...
React学习计划-React16--React基础（三）收集表单数据、高阶函数柯里化、类的复习

React学习计划-React16--React基础（三）收集表单数据、高阶函数柯里化、类的复习

1. 收集表单数据 包含表单的组件分类 受控组件——页面中所有输入类的DOM,随着输入&#xff0c;把值存维护在状态里&#xff0c;需要用的时候去状态里取值&#xff08;推荐&#xff0c;避免了过渡使用ref&#xff09;非受控组件——页面中所有输入类的DOM&#xff0c;现用现取…
阅读更多...
Java 并发编程 —— Fork/Join 框架的原理详解

Java 并发编程 —— Fork/Join 框架的原理详解

目录 一. 前言 二. 并发和并行 2.1. 并发 2.2. 并行 2.3. 分治法 三. ForkJoin 并行处理框架的理论 3.1. ForkJoin 框架概述 3.2. ForkJoin 框架原理 3.3. 工作窃取算法 四. ForkJoin 并行处理框架的实现 4.1. ForkJoinPool 类 4.2. ForkJoinWorkerThread 类 4.3.…
阅读更多...
MongoDB的原子操作findAndModify和findOneAndUpdate

MongoDB的原子操作findAndModify和findOneAndUpdate

本文主要介绍MongoDB的原子操作findAndModify和findOneAndUpdate。 目录 MongoDB的原子操作一、findAndModify二、findOneAndUpdate MongoDB的原子操作 MongoDB的原子操作指的是在单个操作中对数据库的数据进行读取和修改&#xff0c;并确保操作是原子的&#xff0c;即要么完全…
阅读更多...
Swagger2之SpringBoot集成使用

Swagger2之SpringBoot集成使用

前言&#xff1a; 我们对于Mybatis-Plus的分享较多&#xff0c;都是接触的一些数据库相关的知识&#xff0c;今天给大家带来的是Swagger2 Swagger2 1.介绍&#xff1a; Swagger2是一个规范和完整的框架&#xff0c;用于生成、描述、调用和可视化Restful风格的web服务&#xff…
阅读更多...
【蓝桥杯】专题练习

【蓝桥杯】专题练习

前缀和 3956. 截断数组 - AcWing题库 一看到题目很容易想到的思路是对数组求前缀和&#xff0c;然后枚举两个分段点就好&#xff0c;时间复杂度是On^2&#xff0c;n是1e5会t&#xff0c;需要优化。 朴素的代码&#xff0c;会超时&#xff1a; #include <bits/stdc.h> u…
阅读更多...
4-高可用-限流详情

4-高可用-限流详情

在开发高并发系统时&#xff0c;有很多手段来保护系统&#xff0c;如缓存、降级和限流等。缓存目的是提升系统访问速度和增大系统处理能力&#xff0c;可谓是抗高并发流量的银弹。 而降级是当服务出问题或者影响到核心流程的性能&#xff0c;需要暂时屏蔽掉&#xff0c;待高峰…
阅读更多...
亚马逊云科技-如何缩容/减小您的AWS EC2根卷大小-简明教程

亚马逊云科技-如何缩容/减小您的AWS EC2根卷大小-简明教程

一、背景 Amazon EBS提供了块级存储卷以用于 EC2 实例&#xff0c;EBS具备弹性的特点&#xff0c;可以动态的增加容量、更改卷类型以及修改预配置的IOPS值。但是EBS不能动态的减少容量&#xff0c;在实际使用中&#xff0c;用户也许会存在此类场景&#xff1a; 在创建AWS EC2…
阅读更多...
【Python】循环语句

【Python】循环语句

一、while循环的基础语法 二、while循环的嵌套应用 三、while循环的嵌套案例 四、for循环的基础语法 五、for循环的嵌套应用 六、循环中断 : break和continue 一、while循环的基础语法 使用while循环的基础应用 while循环语句 while循环注意点 while的条件需得到布尔类型&am…
阅读更多...
高并发神经网络推理部署

高并发神经网络推理部署

高并发的神经网络推理框架部署 highport 是一款封装神经网络推理的高并发的软件架构&#xff0c;已在ESWEEK 2023年皮肤病检测比赛中获得第一名。 这里记录一下highport的软件架构和几个trick优化 软件架构图 解密模块&#xff1a;我们训练完的模型文件是带加密的&#xff0c;…
阅读更多...
2023优秀开源项目获选榜名单(开放原子开源基金会)｜JeecgBoot 成功入选

2023优秀开源项目获选榜名单(开放原子开源基金会)｜JeecgBoot 成功入选

JeecgBoot 是一个开源的企业级低代码开发平台&#xff0c;它成功入选2023年度生态开源项目&#xff0c;这是对其十年坚持开源的认可。作为一个开源项目&#xff0c;JeecgBoot 在过去的十年里一直秉承着开放、共享、协作的理念&#xff0c;不断推动着开源社区的发展。 2023年开放…
阅读更多...
在windows上如何干净的卸载一个软件及其快捷方式

在windows上如何干净的卸载一个软件及其快捷方式

可以在控制面板里面卸载&#xff0c;可以卸载掉文件夹及其快捷方式&#xff0c;具体操作如下&#xff1a; 找到-》控制面板\程序\程序和功能 然后右键某一项&#xff0c;即可出现卸载功能项。 卸载不干净的方法&#xff1a;利用软件商店卸载&#xff0c;有可能卸载失败&#x…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023