误差分析

导线测量： https://www.cnblogs.com/pylblog/p/10993710.html 2. 一等水准路线应该 闭合成环 ：环线周长东部地区不超过 1600km ，西部地区不超过 2000km ；复测周期 15 年，执行时间 5 年（高程控制网的布设原则） （也就是一等水准测量，不能布设成附合路线） 3. 二等水准路线与一等附合或闭合，环线周长不超过 750km ；复测周期 20 年（高程控制网的布设原则） 4. 三等水准路线，环线周长不超过 200km ，附合路线不超过 150km ；（高程控制网的布设原则） 5. 四等水准路线，环线周长不超过 100km（ 2018 ） ，附合路线不超过 80km， 结点间距 小于30km ；（高程控制网的布设原则） 一等水准网每 15年 复测一次，每次复测执行时间不超过 5年 （复测周期） 二等水准网复测周期最长 不超过20年 （复测周期） 二等大地（平面）控制网复测周期为 5年 ，每次复测时间不超过 2年 ； 一等 水准网的观测，宜分区依次进行，每区应该含 ≥3个以上 的卫星定位系统连续运行站。每个水准环观测的时间不应该超过 2年 。（水准网观测） 6. 每千米偶然中误差和全中误差： 一等水准路线： 偶然中误 差： 0.45 （特殊）， 全中误差 ： 1 二等水准路线：偶然中误差： 1 ，全中误差： 2（ 2017 ）

数据是一切的根本。 一.获取数据 1.可以使用爬虫scrapy获取数据，但是更一般的是自家数据库中的数据 2.可以获得公用数据集： http：//www.kaggle.com/datasets 等网站 3.可以自己创建虚拟数据 4.注意：1）数据量尽可能多、利于训练，（2）数据内容尽可能有效，能对预测产生作用（有用的特征），（3）数据尽可能要均匀（分类），即全面 5.注意：无论是数据获取还是处理，都要注意多做备份，有能力每步都要备份，数据的价值难以想象。 二.原始数据 1.数据的本质是信息的具体化，原始数据有很多种：数字、文字、图片....我们可以从这些数据中看出里面所包含的信息。 2.计算机接收进行处理的是数字，根据经验，把原始数据转换为数字是比较容易的（比如把图片转化为矩阵的形式）， 3.我们得到的原始数据可能有这样那样的问题，所以要进行下一步的数据清洗 ------原始数据是杂乱的，含有不完整、重复、错误的数据，因此要先进行数据清洗------- 三.数据清洗（Data cleaning） 1.数据清洗是为了对数据进行重新审查和校验，目的在于删除重复信息、纠正存在的错误，并提供数据一致性 2.不符合要求的数据主要是有不完整的数据、错误的数据、重复的数据三大类 （1）缺失数据（数据为空Null）：如果缺失数据的记录占比较小，可以直接剔除（主要包括删除样本或删除特征两种

██【電:１３１.乀.１４１８.乀.６６６７】【薇Q:９７８８.乀.９１８１】██ 缅 甸 小 勐 拉 银 河 国 际 代 理 一、回归分析概述 1.变量之间的关系 确定性现象（函数关系），例长方形的周长 非确定性现象（统计相关关系），例身高和体重 2.相关关系与回归分析 相关分析：研究两（或多个）变量的相关性及相关程度（使用相关系数表示） 回归分析：已经存在相关关系，求解其 因果关系， 变量地位不对等（一因一国），根据自变量的变化可以预测运动规律。 举个栗子： （1）打篮球的人个子更高。 不对，现实是个子更高的人选择了打篮球，属于因果倒置。 （2）社会地位高的人寿命更长。 不对，社会地位高受到的医疗较好，医疗较好导致寿命长一些。 Tips :因果关系的前提：时间先后。 3、相关分析分为线性和非线性（提示：若不相关则将相关性赋为0） 线性相关： 两个变量：计算协方差、相关系数 多个变量：计算偏相关系数、复相关系数 二、总体回归函数（PRF） 在给定解释变量X的条件下，被解释变量Y的期望轨迹称为总体回归曲线，其对应的函数 E(Y|X)=f(X) F最简形式为线性函数。其截距、斜率为线性回归系数，表达式如下所示，其中β 0 代表自发消费，β 1 代表边际消费趋向。 E(Y|X)=β 0 +β 1 X 识别：因变量Y为被解释变量、被预测变量、回归子、响应变量，自变量X为解释变量、预测变量

██【電:１３１.乀.１４１８.乀.６６６７】【薇Q:９７８８.乀.９１８１】██ 缅 甸 银 河 国 际 提 供 住 宿 一、回归分析概述 1.变量之间的关系 确定性现象（函数关系），例长方形的周长 非确定性现象（统计相关关系），例身高和体重 2.相关关系与回归分析 相关分析：研究两（或多个）变量的相关性及相关程度（使用相关系数表示） 回归分析：已经存在相关关系，求解其 因果关系， 变量地位不对等（一因一国），根据自变量的变化可以预测运动规律。 举个栗子： （1）打篮球的人个子更高。 不对，现实是个子更高的人选择了打篮球，属于因果倒置。 （2）社会地位高的人寿命更长。 不对，社会地位高受到的医疗较好，医疗较好导致寿命长一些。 Tips :因果关系的前提：时间先后。 3、相关分析分为线性和非线性（提示：若不相关则将相关性赋为0） 线性相关： 两个变量：计算协方差、相关系数 多个变量：计算偏相关系数、复相关系数 二、总体回归函数（PRF） 在给定解释变量X的条件下，被解释变量Y的期望轨迹称为总体回归曲线，其对应的函数 E(Y|X)=f(X) F最简形式为线性函数。其截距、斜率为线性回归系数，表达式如下所示，其中β 0 代表自发消费，β 1 代表边际消费趋向。 E(Y|X)=β 0 +β 1 X 识别：因变量Y为被解释变量、被预测变量、回归子、响应变量，自变量X为解释变量、预测变量

██【電:１３１.乀.１４１８.乀.６６６７】【薇Q:９７８８.乀.９１８１】██ 缅 甸 维 加 斯 客 服 一、回归分析概述 1.变量之间的关系 确定性现象（函数关系），例长方形的周长 非确定性现象（统计相关关系），例身高和体重 2.相关关系与回归分析 相关分析：研究两（或多个）变量的相关性及相关程度（使用相关系数表示） 回归分析：已经存在相关关系，求解其 因果关系， 变量地位不对等（一因一国），根据自变量的变化可以预测运动规律。 举个栗子： （1）打篮球的人个子更高。 不对，现实是个子更高的人选择了打篮球，属于因果倒置。 （2）社会地位高的人寿命更长。 不对，社会地位高受到的医疗较好，医疗较好导致寿命长一些。 Tips :因果关系的前提：时间先后。 3、相关分析分为线性和非线性（提示：若不相关则将相关性赋为0） 线性相关： 两个变量：计算协方差、相关系数 多个变量：计算偏相关系数、复相关系数 二、总体回归函数（PRF） 在给定解释变量X的条件下，被解释变量Y的期望轨迹称为总体回归曲线，其对应的函数 E(Y|X)=f(X) F最简形式为线性函数。其截距、斜率为线性回归系数，表达式如下所示，其中β 0 代表自发消费，β 1 代表边际消费趋向。 E(Y|X)=β 0 +β 1 X 识别：因变量Y为被解释变量、被预测变量、回归子、响应变量，自变量X为解释变量、预测变量、回归元

用DFT/FFT对信号进行频谱分析误差主要表现在三个方面 即： 频谱混叠现象； 栅栏效应； 截断效应，截断效应又包括频谱泄漏和谱间干扰。 频谱混叠 ： 奈奎斯特定理已被众所周知了，所以几乎所有人的都知道为了不让频谱混叠，理论上采样频谱大于等于信号的最高频率。那和时域上联系起来的关系是什么呢？ 采样周期的倒数是频谱分辨率，最高频率的倒数是采样周期。 设定采样点数为N，采样频率fs，最高频率fh，故频谱分辨率f=fs/N,而fs>=2fh，所以可以看出最高频率与频谱分辨率是相互矛盾的，提高频谱分辨率f的同时，在N确定的情况下必定会导致最高频率fh的减小；同样的，提高最高频率fh的同时必会引起f的增大，即分辨率变大。 栅栏效应： 由于dft是只取k=0,1,2,.......N-1,只能取到离散值，如果频谱之间相隔较大的话也许会将一些中间的信息丢失掉，而用fft计算dft是不可避免的，解决的办法就是增加采样点数N。这样频谱间隔变小，丢失信息的概率减小。 另外，增加0可以更细致观察频域上的信号，但不会增加频谱分辨率。 这里有补零对分辨率的影响。 截断效应 截断效应又包括频谱泄漏和谱间干扰。 频谱泄露 ：是由加窗函数引起的，同样是计算量的问题（用fft用dft必需要加窗函数），时域上的相乘，频域上卷积，引起信号的频谱失真，只有在很少的情况下，频谱泄露是不会发生的，大部分情况都会引起泄露。如x

上篇主要介绍了常用的特征选择方法及稀疏学习。首先从相关/无关特征出发引出了特征选择的基本概念，接着分别介绍了子集搜索与评价、过滤式、包裹式以及嵌入式四种类型的特征选择方法。子集搜索与评价使用的是一种优中生优的贪婪算法，即每次从候选特征子集中选出最优子集；过滤式方法计算一个相关统计量来评判特征的重要程度；包裹式方法将学习器作为特征选择的评价准则；嵌入式方法则是通过L1正则项将特征选择融入到学习器参数优化的过程中。最后介绍了稀疏表示与压缩感知的核心思想：稀疏表示利用稀疏矩阵的优良性质，试图通过某种方法找到原始稠密矩阵的合适稀疏表示；压缩感知则试图利用可稀疏表示的欠采样信息来恢复全部信息。本篇将讨论一种为机器学习提供理论保证的学习方法–计算学习理论。 # 13、计算学习理论 计算学习理论（computational learning theory）是通过“计算”来研究机器学习的理论，简而言之，其目的是分析学习任务的本质，例如： 在什么条件下可进行有效的学习，需要多少训练样本能获得较好的精度等，从而为机器学习算法提供理论保证 。 首先我们回归初心，再来谈谈经验误差和泛化误差。假设给定训练集D，其中所有的训练样本都服从一个未知的分布T，且它们都是在总体分布T中独立采样得到，即 独立同分布 （independent and identically distributed，i.i.d.），在

BP算法学习过程 BP算法最早由Werbos于1974年提出，1985年Rumelhart等人发展了该理论。BP网络采用有指导的学习方式，其学习包括以下4个过程。 网络状态初始化 (1)组成输入模式由输入层经过隐含层向输出层的“模式顺传播”过程。（前向计算过程） (2)网络的期望输出与实际输出之差的误差信号由输出层经过隐含层逐层休整连接权的“误差逆传播”过程。（逆向计算过程） (3)由“模式顺传播”与“误差逆传播”的反复进行的网络“记忆训练”过程。 (4)网络趋向收敛即网络的总体误差趋向极小值的“学习收敛”过程。 在训练阶段中，训练实例重复通过网络，同时修正各个权值，改变连接权值的目的是最小化训练集误差率。继续网络训练直到满足一个特定条件为止，终止条件可以使网络收敛到最小的误差总数，可以是一个特定的时间标准，也可以是最大重复次数。 BP算法软件实现 用C语言实现的BP算法步骤如下： 1)初始化，用小的随机数给各权值和阈值赋初值。注意不能使网络中各初始权值和阈值完全相等，否则网络不可能从这样的结构运行到一种非等权值结构。 2)读取网络参数和训练样本集。 3)归一化处理。 4)对训练集中每一样本进行计算。 ①前向计算隐层、输出层各神经元的输出。 ②计算期望输出与网络输出的误差。 ③反向计算修正网络权值和阈值。 5)若满足精度要求或其他退出条件，则结束训练，否则转步骤4)继续。 6

语音信号的线性预测编码（ LPC ） by Goncely 1 线性预测技术概述 线性预测编码是语音处理中的核心技术，它在语音识别、合成、编码、说话人识别等方面都得到了成功的应用。其核心思想是利用输入信号 u 和历史输出信号 s 的线性组合来估计输出序列 s(n) ： 式中的 a i 和 b j 被称为预测系数，其传递函数可表示为： 该式为有理函数，在基于参数模型的谱估计法和系统辨识研究中，根据极点和零点数目的不同，它存在三种情况：一种是只有零点没有极点的情况，分母 U(z) 为单位 1 ，称为滑动平均模型，即 MA （ Moving-Average ）模型；另一种是只有极点没有零点的，分子 S(z) 为常数，称为自回归模型，即 AR （ Auto-Regressive ）模型；第三种是既有零点又有极点的，称为自回归滑动平均模型，即 ARMA （ Auto-Regressive Moving-Average ）模型。这三种模型中对于复杂的频谱特性的描述能力最强的应该是 ARMA 模型，但它的参数估计存在许多复杂问题。全极点模型的参数估计十分简便，而且往往只需要很少几个极点就可以相当好地逼近一种频谱或一种系统的频率响应，因为它的传递函数相当于一个递归数字滤波器，即 IIR 滤波器。众所周知，用一个三四阶的 IIR 数字滤波器来逼近希望的频率响应幅度特性就可能相当于一个二十多阶的

文章目录 线性回归 线性回归学习目标 线性回归引入 线性回归详解 线性模型 一元线性回归 一元线性回归的目标函数 均方误差最小化——最小二乘法 多元线性回归 均方误差最小化——最小二乘法 均方误差最小化——牛顿法 均方误差最小化——拟牛顿法 多项式回归 对数线性回归 局部加权线性回归 正则化 L1正则化 L2正则化 弹性网络 线性回归流程 输入 输出 流程 线性回归优缺点 优点 缺点 小结 线性回归   线性回归是比较经典的线性模型，属于监督学习中预测值为连续值的回归问题。   线性回归针对的是一个或多个特征与连续目标变量之间的关系建模，即线性回归分析的主要目标是在连续尺度上预测输出，而非分类标签，即预测值为连续值。 线性回归学习目标 线性模型 一元线性回归和多元线性回归 多项式回归和对数线性回归 线性回归的L1正则化和L2正则化 线性回归流程 线性回归优缺点 线性回归引入   相信我们很多人可能都有去售楼处买房而无奈回家的行为，就算你没去过售楼处，相信你也应该听说过那令人叹而惊止的房价吧？对于高房价你没有想过这房价是怎么算出来的呢？难道就是房地产商拍拍脑门，北京的一概1000万，上海的一概800万，杭州的一概600万吗？看到这相信你应该有动力想要学好机器学习走向人生巅峰了。   其实仔细想想这房价大有来头，首先房价不可能只和地区有关，北京有1000万的房子，又会有800万