发表服务
高斯函数的性质及其应用.pdf,第9聊高中数学教与学高斯函数的性质及其应用黄加卫(浙江省湖州新世纪外国语学校，313000)函数)=[]早在十八世纪即为“数学王子”高斯所采用，因此称其为高斯函数．高斯函数的定义域是R，值域却是离散的，并且以其不确定性、新颖性、弹性大以及具有挑战...
摘要论文中遇到很重要的一个元素就是高斯核函数，但是必须要分析出高斯函数的各种潜在属性，本文首先参考相关材料给出高斯核函数的基础，然后使用matlab自动保存不同参数下的高斯核函数的变化gif动图，同时分享出源代码，这样也便于后续的论文写作。
格林公式、高斯公式、斯托克斯公式的应用.Green公式、Stokes公式、Gauss公式在专业学科中的应用摘要格林（Green）公式，斯托克斯（Stokes）公式和高斯（Gauss）公式是多元函数积分学中的三个基本公式，它们分别建立了曲线积分与二重积分、曲面积分与三重...
高斯核函数卷积论文中使用gaussian与featuremap做卷积，目前的结果来看，要做到随着到边界的距离改变高斯函数的截断参数，因为图像的边缘如果使用原始高斯函数，就会在边界地方出现特别低的一圈，原因也很简单，高斯函数在与原始图像进行高斯…
本文使用高斯过程回归模型进行时间序列分析，研究其预测的准确性和可靠性。有别于一般的时间驱动模型，本文大部分采用自回归模型。不仅考察了单步预测的结果，也实现并分析了多步预测算法。本文发现，平稳的核函数应用于平稳的时间序列（如回归滑动平均序列）能够取得良好的预测效果...
选自arXiv，机器之心编译。神经网络目前是最强大的函数近似器，而高斯过程是另一种非常强大的近似方法。DeepMind刚刚提出了两篇结合高斯过程与神经网络的研究，这种模型能获得神经网络训练上的高效性，与高斯过…
高斯过程可以让我们结合先验知识，对数据做出预测，最直观的应用领域是回归问题。本文作者用几个互动图生动地讲解了高斯过程的相关知识，可以让读者直观地了解高斯过程的工作原理以及如何使其适配不同类型的数据。
LetNet-5模型示意图*从宏观上看，高斯连接是LetNet-5卷积神经网络当中出现的一种特殊的，应用于全连接层与输出层之间的神经网络连接方式。从微观视角出发，高斯连接本质上是由人工设计且拥有“一堆”固定参数所参与的欧式径向基函数(EuclideanRadialBasisFunction)运算过程。
高斯滤波器应用于白点的2D图像，表明脉冲响应实际上是2D中的高斯函数球面高斯同理，只不过它现在定义在球体的表面上，而不是在直线或平面上。那么我们如何想象它的样子呢？我们只需要假设拍摄了上面的图像并将其像包装纸一样围绕在球体上。
高斯过程是一种关于函数的分布，在机器学习领域被广泛应用于回归、分类、降维等。高斯过程回归继承了贝叶斯方法与核方法的优势，但由于时间复杂度过高，难以应用于大规模数据。现有的近似方法通常借助一定数量诱导点，来提取训练样本中的关键信息。
高斯函数的性质及其应用.pdf,第9聊高中数学教与学高斯函数的性质及其应用黄加卫(浙江省湖州新世纪外国语学校，313000)函数)=[]早在十八世纪即为“数学王子”高斯所采用，因此称其为高斯函数．高斯函数的定义域是R，值域却是离散的，并且以其不确定性、新颖性、弹性大以及具有挑战...
摘要论文中遇到很重要的一个元素就是高斯核函数，但是必须要分析出高斯函数的各种潜在属性，本文首先参考相关材料给出高斯核函数的基础，然后使用matlab自动保存不同参数下的高斯核函数的变化gif动图，同时分享出源代码，这样也便于后续的论文写作。
格林公式、高斯公式、斯托克斯公式的应用.Green公式、Stokes公式、Gauss公式在专业学科中的应用摘要格林（Green）公式，斯托克斯（Stokes）公式和高斯（Gauss）公式是多元函数积分学中的三个基本公式，它们分别建立了曲线积分与二重积分、曲面积分与三重...
高斯核函数卷积论文中使用gaussian与featuremap做卷积，目前的结果来看，要做到随着到边界的距离改变高斯函数的截断参数，因为图像的边缘如果使用原始高斯函数，就会在边界地方出现特别低的一圈，原因也很简单，高斯函数在与原始图像进行高斯…
本文使用高斯过程回归模型进行时间序列分析，研究其预测的准确性和可靠性。有别于一般的时间驱动模型，本文大部分采用自回归模型。不仅考察了单步预测的结果，也实现并分析了多步预测算法。本文发现，平稳的核函数应用于平稳的时间序列（如回归滑动平均序列）能够取得良好的预测效果...
选自arXiv，机器之心编译。神经网络目前是最强大的函数近似器，而高斯过程是另一种非常强大的近似方法。DeepMind刚刚提出了两篇结合高斯过程与神经网络的研究，这种模型能获得神经网络训练上的高效性，与高斯过…
高斯过程可以让我们结合先验知识，对数据做出预测，最直观的应用领域是回归问题。本文作者用几个互动图生动地讲解了高斯过程的相关知识，可以让读者直观地了解高斯过程的工作原理以及如何使其适配不同类型的数据。
LetNet-5模型示意图*从宏观上看，高斯连接是LetNet-5卷积神经网络当中出现的一种特殊的，应用于全连接层与输出层之间的神经网络连接方式。从微观视角出发，高斯连接本质上是由人工设计且拥有“一堆”固定参数所参与的欧式径向基函数(EuclideanRadialBasisFunction)运算过程。
高斯滤波器应用于白点的2D图像，表明脉冲响应实际上是2D中的高斯函数球面高斯同理，只不过它现在定义在球体的表面上，而不是在直线或平面上。那么我们如何想象它的样子呢？我们只需要假设拍摄了上面的图像并将其像包装纸一样围绕在球体上。
高斯过程是一种关于函数的分布，在机器学习领域被广泛应用于回归、分类、降维等。高斯过程回归继承了贝叶斯方法与核方法的优势，但由于时间复杂度过高，难以应用于大规模数据。现有的近似方法通常借助一定数量诱导点，来提取训练样本中的关键信息。
发表服务