《数学教学论》课程教学资源（案例教学）平面向量基本定理及平面向量的正交分解及坐标表示

(一)边缘分布函数 二维随机向量(X,Y)作为一个整体,具有分 布函数F(x,y) 其分量X和Y也都是随机变量,也有自己的分 布函数,将其分别记为Fx(x),Fy() 依次称为X和Y的边缘分布函数. 而把F(xy)称为X和Y的联合分布函数

第一章 行列式 §1.1 行列式的概念 §1.2 行列式的性质 §1.3 行列式的展开计算 §1.4 Cramer 法则 第二章 矩阵运算 §2.1 矩阵的概念 §2.2 矩阵的线性运算及乘法运算 §2.3 转置矩阵及方阵的行列式 §2.4 方阵的逆矩阵 §2.5 分块矩阵 第三章 初等变换与线性方程组 §3.1 初等变换化简矩阵 §3.2 初等矩阵 §3.3 矩阵的秩 §3.4 求解线性方程组——Gauss 消元法 第四章 向量组的线性相关性 §4.1 向量组的线性相关性 §4.2 向量组的极大线性无关组及秩 §4.3 向量空间介绍 §4.4 线性方程组的解的结构 第五章 特征问题及二次型 §5.1 方矩阵的特征值与特征向量 §5.2 方阵 A 相似于对角矩阵 §5.3 二次型的标准形 §5.4 正交变换化二次型为标准形 §5.5 二次型正定性

一、随机向量的概念 多维随机变量也就是多个随机取值的变量,也称为随机向量。定义如果随机变量X1…Xn定义在同一概率空间(,3,P)上,则称

第一讲作业： 1、设随机向量(X ,Y) 的两个分量相互独立，且均服从标准正态分布 N(0,1)

1 感知机存在的一个问题 2 线性可分 SVM SVM 的种类 函数间隔和几何间隔 学习的原始最优化问 题 凸优化问题 线性可分 SVM 学习算 法—最大间隔法 支持向量与间隔边界 拉格朗日对偶性 KKT 条件 线性可分 SVM 学习的 对偶算法 3 线性不可分 SVM 线性 SVM 学习的对偶 算法 线性 SVM 学习算法 线性不可分时的 SV 合页损失函数 4 非线性 SVM 与核函数 希尔伯特空间 核函数的定义 核函数的选取 核技巧在 SVM 中的应 用 非线性 SVM 算法 5 序列最小最优化算法 SMO 算法的基本思路 两变量二次规划的求 解方法 两个变量的选择方法

针对如何识别无人机的问题，提出了一种基于卷积神经网络的声音识别无人机的方法。首先，对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值，将其特征参数作为卷积神经网络学习和识别的数据集；然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明，运用支持向量机识别无人机的准确率为91.9%，卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力，在部分UrbanSound8K数据集上进行测试，准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性，且识别性能优于支持向量机

提出一种基于灰度信息和支持向量机的人眼检测方法.首先,利用人眼区域灰度变化比人脸其他部位灰度变化明显的特征,采用图像灰度二阶矩(方差)建立人眼方差滤波器,在固定人眼搜索区域内,应用人眼方差滤波器搜索候选人眼图像;然后,使用训练的支持向量机分类器精确检测人眼区域位置;最后,采用图像灰度信息率定位人眼中心(虹膜中心).该方法在BioID、FERET和IMM人脸数据库中的测试结果显示:没有佩戴眼镜人脸图像正确率分别为98.2%、97.8%和98.9%,406幅佩戴眼镜人脸图像正确率为94.9%;人眼中心定位正确率分别为90.5%、88.3%和96.1%.通过与目前方法比较,该方法获得较好的检测效果

为解决进行PM2.5质量浓度预测中多因素回归模型的不稳定、神经网络模型的过拟合及局部最小等问题，提出应用支持向量机和模糊粒化时间序列相结合的方法，对PM2.5质量浓度未来变化趋势和范围进行预测.根据PM2.5不同季节的日变化周期模式，确定以24 h为周期的粒化窗宽，利用三角型隶属函数对数据样本进行特征提取作为支持向量机的输入，并在k重交叉验证法下采用网格划分寻找出模型的最佳参数.以2013年3月—2014年2月北京市海淀区万柳监测点四个季节PM2.5的1 h质量浓度监测值为样本数据，应用该方法建立PM2.5质量浓度的时间序列预测模型，并在MATLAB平台下应用LIBSVM工具实现计算过程.结果表明，基于模糊粒化时间序列的预测模型，能较好解决PM2.5机理性建模方式下由于影响因素考虑不全而造成的预测结果不稳定，对模糊粒子拟合效果较好

在第二章中,我们讨论了一 维随机变量函数的分布,现在我 们进一步讨论: 当随机变量X,X2,…,X的联合分布 12 已知时,如何求出它们的函数