计算机视觉，顾名思义就是使计算机能够像人眼一样“看”东西的科学。一张图片，人可以将它抽象并快速提取其中的有效信息。而对于计算机来说，图片就是一个特殊的矩阵，需要通过一系列算法来得到相关信息。本次学习材料主要是TUM Computer Vision课堂内容以及一些相关论文。 图像表示 首先介绍一下图像的基本知识。图像一般可分为彩色图和灰度图：彩色图每个点
K-Means聚类算法（k-means clustering algorithm）是一种无监督学习算法。它可以通过多次迭代，将一系列无标记的数据根据它们的特征分布划分为$k$个子集，使得子集内部元素之间的相异度尽可能低，而不同子集元素相异度尽可能高。我们称这样的子集为簇（cluster），而将数据划分为簇的过程称为聚类。 算法思想 假设我们有一组无标记
分布参数系统的输入可以分为点输入、分布式输入和边界输入。之前的章节我们讨论的都是分布式输入，此时输入分布在定义域的某个区间。而若输入$u(t)$定义在边界，则称为边界输入（Randeingriff），此时系统方程会有所不同，相应的计算方法也会有差别。因此本文讨论边界输入以及它在反馈控制中的应用。 边界输入系统方程 分布式输入中，输入$u(t)$在系统状
在控制理论中，稳定性始终是一个系统最基本的要求，之后一切的控制都要建立在系统稳定的基础上。与集总参数系统控制类似，我们可以通过增加反馈使系统达到稳定状态，并满足一定特性。分布参数系统状态方程如下： \dot{x}(t)={\cal A}x(t)\tag{1}指数稳定 首先我们给出分布参数系统的指数稳定（Exponentielle Stabilität
分布参数系统是个无限维的系统，在第一章节所提到的early-lumping控制中，我们先将系统过程近似为集总参数系统，再使用现代控制方法对系统进行分析控制。本文将阐述模型近似的过程及相关注意事项。 模型近似 分布参数系统状态方程如下： \begin{eqnarray} \dot{x}(t)&=&\mathcal{A}x(t)+\mathcal{B}u
在求解微分方程的初值问题时，我们通常要考虑解的存在唯一性，以及解受初始条件的影响。一般来说，我们希望问题的解存在且唯一，并且连续地取决于初始条件（通常无法准确得知状态变量初始值，导致实际应用中会产生一定的偏差。因此我们希望当初始值$x(0)$微小变化时，$x(t)$的变化足够小）。我们称这样的问题为适定性问题（wohlgestelltes Problem）。 &e