最近在幫師門同學(xué)做植物熒光的實(shí)驗(yàn)，也是相當(dāng)冷門了，用大白話總結(jié)了一些學(xué)習(xí)的知識(shí)，圖片上傳還不成功拣展，回頭整理。 1 名詞解釋與原理 1.1 光合作用 補(bǔ)充一點(diǎn)高中的生物與化學(xué)知...
發(fā)簡(jiǎn)信
IP屬地：澳門
-
植物葉綠素?zé)晒庹T導(dǎo)動(dòng)力學(xué)曲線
-
@曾無(wú) 話說(shuō)github沒有掛誒，不過要梯子章贞。還有一個(gè)很重要的建議：多動(dòng)手！７侵蕖鸭限！我也是入門級(jí)菜狗，好怕誤人子弟两踏。
IDL批處理高分6號(hào)(GF6)影像預(yù)處理踩坑全紀(jì)錄
萬(wàn)幸败京，能寫這篇博客說(shuō)明我最后還是成功了。 看到網(wǎng)上關(guān)于IDL處理GF6號(hào)數(shù)據(jù)的帖子少之又少梦染，咱來(lái)填上這個(gè)坑赡麦。 1 背景介紹 1.1 環(huán)境要求 樓主是IDL8.3+ENVI5....
-
@曾無(wú) 我是覺得如果學(xué)過其他語(yǔ)言的話朴皆，入門任何一種語(yǔ)言都不難的，當(dāng)然只是入門泛粹。建議就是找兩份好代碼讀一讀改一改遂铡，不懂的地方拿著我文末的那幾個(gè)鏈接認(rèn)真學(xué)一學(xué)查一查。但如果你沒學(xué)過任何編程語(yǔ)言那就比較麻煩了晶姊，但這種情況的話也可以直接學(xué)扒接，從基本語(yǔ)法開始，看你需要什么吧帽借。
IDL批處理高分6號(hào)(GF6)影像預(yù)處理踩坑全紀(jì)錄
萬(wàn)幸珠增，能寫這篇博客說(shuō)明我最后還是成功了。 看到網(wǎng)上關(guān)于IDL處理GF6號(hào)數(shù)據(jù)的帖子少之又少砍艾，咱來(lái)填上這個(gè)坑蒂教。 1 背景介紹 1.1 環(huán)境要求 樓主是IDL8.3+ENVI5....
-
PROSAIL模型參數(shù)詳解與敏感性分析
最近一直在學(xué)習(xí)PROSAIL模型的相關(guān)內(nèi)容，覺得還是要做個(gè)總結(jié)脆荷。 1 PROSAIL的簡(jiǎn)單介紹 雖然但是凝垛，使用PROSAIL做敏感性分析，并不需要去了解這個(gè)模型的詳細(xì)原理蜓谋，因...
-
win7/win10通過VScode配置遠(yuǎn)程服務(wù)器環(huán)境
1. openssh下載與配置 1）必須要先在win7系統(tǒng)上下載一個(gè)ssh工具梦皮，常用openssh，這里貼出一個(gè)教程鏈接openssh下載安裝[https://www.jia...
-
IDL批處理高分6號(hào)(GF6)影像預(yù)處理踩坑全紀(jì)錄
萬(wàn)幸桃焕，能寫這篇博客說(shuō)明我最后還是成功了剑肯。 看到網(wǎng)上關(guān)于IDL處理GF6號(hào)數(shù)據(jù)的帖子少之又少，咱來(lái)填上這個(gè)坑观堂。 1 背景介紹 1.1 環(huán)境要求 樓主是IDL8.3+ENVI5....
-
IDL批處理高分六號(hào)(GF6)FLASSH大氣校正踩坑全紀(jì)錄
此篇為補(bǔ)充說(shuō)明让网，完整預(yù)處理踩坑移步： 4.3.1 介紹 先說(shuō)一下，樓主上課的時(shí)候沒有認(rèn)真聽講师痕，導(dǎo)致對(duì)flassh大氣校正這個(gè)東西是完全不懂原理溃睹，一竅不通，好在使用envi處理...
-
機(jī)器學(xué)習(xí)算法學(xué)習(xí)-梯度提升樹（GBDT）1. 算法 GBDT (Gradient Boosting Decision Tree) 胰坟，梯度提升樹因篇，是屬于集成算法中boosting類的一種算法。這個(gè)算法是現(xiàn)有機(jī)器學(xué)習(xí)算...
-
機(jī)器學(xué)習(xí)算法學(xué)習(xí)-決策樹（ID3笔横、C4.5竞滓、CART）1.算法 從這部分開始，我們來(lái)講解機(jī)器學(xué)習(xí)中最實(shí)用吹缔，效率高且效果好的決策器集成類的算法虽界。 RF、GBR涛菠、Adboost是三個(gè)最經(jīng)典的集成類算法，所謂集成類算法，就是集成了一些...
-
機(jī)器學(xué)習(xí)算法學(xué)習(xí)-調(diào)參1. 方差與偏差 在前文中我們已經(jīng)提到了有關(guān)方差（Variance）與偏差（bias）的概念俗冻，這里系統(tǒng)的進(jìn)行介紹礁叔。 首先我們先來(lái)介紹過擬合的概念。我們?cè)谧铋_始的時(shí)候就介紹過迄薄，...
-
機(jī)器學(xué)習(xí)算法學(xué)習(xí)-適應(yīng)提升樹（Adboost）1 集成學(xué)習(xí)算法 先講一點(diǎn)預(yù)備知識(shí)琅关。 前面我們講了決策樹和隨機(jī)森林，決策樹是弱學(xué)習(xí)器讥蔽，隨機(jī)森林是集成了弱學(xué)習(xí)器的強(qiáng)學(xué)習(xí)器涣易。 事實(shí)上，集成算法有三種：Bagging冶伞，Boost...
-
機(jī)器學(xué)習(xí)算法學(xué)習(xí)-隨機(jī)森林（Random Forest）
1. 算法 有了上一節(jié)的基礎(chǔ)新症，我們現(xiàn)在來(lái)學(xué)習(xí)如何集成所有天氣學(xué)家的意見，綜合輸出結(jié)果响禽。 顧名思義徒爹，隨機(jī)森林的“森林”，就是指集成許多棵決策樹芋类，每一棵樹都有一個(gè)自己的分類結(jié)果隆嗅，...
-
機(jī)器學(xué)習(xí)算法學(xué)習(xí)-多層感知機(jī)與后向傳播算法（MLP、BP）1. 算法 多層感知機(jī)（MLP）和后向傳播算法（BP）是神經(jīng)網(wǎng)絡(luò)的入門算法侯繁，是復(fù)雜的神經(jīng)網(wǎng)絡(luò)的基本構(gòu)架胖喳，也就是神經(jīng)層搭建與反向傳播計(jì)算系數(shù)這兩步。很多人不把MLP當(dāng)神經(jīng)網(wǎng)絡(luò)贮竟，...
-
機(jī)器學(xué)習(xí)算法學(xué)習(xí)-邏輯回歸1. 算法 Logistic Regression 雖然被稱為回歸丽焊，但其實(shí)際上是分類模型，邏輯函數(shù)的形狀有些像階躍函數(shù)坝锰，對(duì)于二分類問題粹懒，其實(shí)就是一個(gè)階躍函數(shù)，當(dāng)x取某一些值的...
-
機(jī)器學(xué)習(xí)算法-支持向量機(jī)SVM1. 算法 1.1 從最簡(jiǎn)單的數(shù)學(xué)問題說(shuō)起 要理解SVM算法顷级，首先就要理解SVM解決的問題是什么凫乖，損失函數(shù)是如何推導(dǎo)來(lái)的，這是最關(guān)鍵最基礎(chǔ)的部分弓颈，請(qǐng)看下面這張圖帽芽。 我們以二維...
-
機(jī)器學(xué)習(xí)算法學(xué)習(xí)-PCA主成分分析1.算法 前面講了復(fù)雜冗長(zhǎng)的SVM、Logistics翔冀、BP导街，現(xiàn)在我們講一個(gè)簡(jiǎn)單易懂的降維算法PCA，也是最廣為人知的算法纤子，需要一點(diǎn)簡(jiǎn)單的線性代數(shù)基礎(chǔ)搬瑰，具體看文末鏈接款票，已經(jīng)講...
-
機(jī)器學(xué)習(xí)算法學(xué)習(xí)-普通線性回歸、嶺回歸與lasso回歸
1.算法 1.1從最簡(jiǎn)單的普通線性回歸談起 Q：已知一維特征空間中的一系列樣本點(diǎn){(xi, yi), i = 1,2,3...n}泽论，注意這里是一維特征空間艾少，雖然可以在二維平面...
-
機(jī)器學(xué)習(xí)算法學(xué)習(xí)-基礎(chǔ)知識(shí)
1. 基本概念 (X, y)：樣本點(diǎn)，有k維特征：(x1, x2, x3......xk)翼悴，通常我們認(rèn)為這些樣本點(diǎn)散落在k維的特征空間內(nèi)缚够，對(duì)應(yīng)類別標(biāo)簽或者回歸值為y，一般情況...
-
機(jī)器學(xué)習(xí)算法學(xué)習(xí)-K近鄰(K-Nearest Neighbor KNN)
1. 算法 KNN算法也是使用距離來(lái)衡量樣本點(diǎn)之間的相似性鹦赎，但其與Kmeans中的K含義不同谍椅。 KNN的決策過程： 1、計(jì)算測(cè)試集樣本點(diǎn)到訓(xùn)練集中每個(gè)樣本點(diǎn)的距離 2古话、按照距...
-
機(jī)器學(xué)習(xí)算法學(xué)習(xí)-Kmeans1. 算法 Kmeans應(yīng)該算是最經(jīng)典最易懂的機(jī)器學(xué)習(xí)算法之一雏吭。其基本數(shù)學(xué)思想是期望最大化（EM），簡(jiǎn)單概況就是物以類聚煞额，以特征空間中不同樣本之間的“距離”遠(yuǎn)近作為劃分的依據(jù)...