L1正则化技术F(w;x,y)=J(w;x,y)+α∣∣w∣∣1=J(w;x,y)+α∑i=1n∣wi∣假设w∗是损失函数J(w;x,y)最优解，J(w;x,y)在w∗处泰勒展J(w;x,y)=J(w∗;x,y)+J′(w∗;x,y)(w−w∗)+12!J′′(w∗;x,y)(w−w∗)2  ∵w∗是J(w;x,y)最优解，则J′(w∗;x,y)=0，则可以去除J(w∗;x,y)+12!J′′(w∗;x,y)(w−w∗)2J′′是二阶导数，当是高维的时候就变成了H矩阵了。J(w∗;x,y)+12!H(w−w∗)2∴F(w;x,y)=J(w;x,y)+α∣∣w∣∣1=J(w∗;x,y)+12!H

给出了RP方程、Keller-Kolodner方程和KB模型（KB冲击波传播理论）的推导过程

目录 第1章 绪论 1 第2章 d-q轴永磁同步电机基本的数学模型 2 第3章 永磁同步电机参数辨识算法 3 3.1 递推最小二乘法原理 3 3.2 递推程序流程框图 4 3.3 电机系统辨识推导 5 3.3.1电阻、磁链参数辨识 5 3.3.2电感参数辨识方程详细推导 6 第4章 辨识仿真模型的搭建与分析 8 4.1 辨识仿真模型的搭建 8 4.2 仿真结果 9 第5章 结 论 12 参考文献 13

支持向量机的简单理论推导。支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。 SVM使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。

这篇文档是我迄今为止见到的写的最好的关于卷积神经网络内部机制的博文。

本文来自于csdn，本文首先简单介绍CNN的结构，并不作详细介绍.然后讲解反向传播理论。本文只要讲解CNN的反向传播，CNN的反向传播，其实并不是大多所说的和全连接的BP类似，CNN的全连接部分的BP是与它相同，但是CNN中卷积--池化、池化--卷积部分的BP是不一样的，仔细推导，还是有很多细节地方需要思考的，比如1、在前向传播的过程中，卷积层的输入，是通过卷积核与前一层的输出特征图卷积得来的，那么在反向传播的过程中该怎么处理？这个就与全连接神经网络不同了。2、由于在前向传播的时候，池化层会对前一层卷积层进行放缩，那么从池化层到卷积层BP的时候，小尺度的池化层怎么把误差反传到大尺度的卷积层（这

有限元课程中关于带孔板的应力集中理论推导和有限元模拟

仿真内容： 1、说明时域和频域的能量守恒（各以信号和噪声来说明） 2、说明信号不变时噪声带宽的变化对输入信噪比的影响 3、说明噪声带宽和FFT增益的关系 4、在矩形窗前提下用仿真曲线和理论分析讨论信号频点位置和FFT后输出信噪比的关系 5、说明频点位置造成的最大信噪比损失是多少 6、对于那些信噪比损失最大的频点位置通过加不同的窗函数有没有信噪比的改善 主要参数声明 噪声带宽为5MHz，噪声的概率分布：N（0，1），即均值为零、方差（功率）为1 单点频信号的频率为500kHz，采样率为10MHz，FFT点数可变（分1024、2048） 信号表达式：s(t)=A*exp(j2Πfdt+θ)，其中幅度A取1，初始相位θ为Π/6 【资源说明】 资源包共包含如下内容： MATLAB源码文件4个（1个主程序、3个自定义函数） PDF文件3个（创作声明x1、FFT增益损失理论推导x1、仿真表格x1） 【资源均属于原创、代码编写规范、注释明细可读性强、理论推导简单明了】 原创不易，感谢支持原创作品！ 2021 11 15日更新包已同步

针对msckf开源代码的理论推导，贴合开源s-msckf代码，能够更加深入的理解基于滤波方案的SLAM

Hu不变量是怎么来的？看看这个就知道了