Пользовательские сигналы/слоты всё равно вручную писать придётся. А в случае стандартных сигналов/слотов для connect тоже ничего не надо было добавлять.
Т.е., я почему спросил, потому что я так понимаю, что объём работы и там и там однаков.
Дело только в том, что конечный автомат идеологически более правильное и красивое решение. А технически и функционально никаких отличий от connect'a я не вижу.
Не знаю, я не эксперт в этой области. Единственное, что мне понятно — это то, что эффективнная система для распознавания это комплекс различных алгоритмов. Искусственная нейросеть это далеко не человеческий мозг, поэтому далеко не панацея и чудес не делает.
> Вычисление вектора «средних» — непонятно, что делают 1 и 3 строчки.
1 транспонирует матрицу. В 3ей строке берётся каждый столбец матрицы и вычисляется его среднее. Средние по столбцам и составляют вектор средних (усреднённое изображение).
> Далее, в 3 пункте, непонятен механизм вычисления ковариационной матрицы
Вобще ковариационная матрица должна вычисляться так:
C < — AT * A
Где AT — это транспонированная матрица А.
Но в этом случае получается матрица размером 10304х10304. Неподъёмный размер. Поэтому мы вычисляет только часть ковариционной матрицы (где количество строк и столбцов равно количеству примеров в обучающей выборке) по немного изменённой формуле:
C < — A * AT
Этот момент более подробно изложен в любом описании мат. аппарата алгоритма. На русском можно прочесть здесь: library.mephi.ru/data/scientific-sessions/2003/Neuro_2/115.pdf
В статье об этом написано: вместо классического евклидова расстояния в задачах распознавания образов лучше применять другую метрику: расстояние Махалонобиса
В алгоритме JPEG используются подобные преобразования.
Что касается распознавания, то данные алгоритм имеет какую-то аналогию с разложением сигнала в тригонометрический ряд. Сигнал представляется как сумма тригонометрических членов, а в нашем случае изображение как сумма базисных элементов.
Сложно сказать навскидку. Понятно, что нужно ориентироваться на яркость. Для начала я бы попытался получить какую-то трансформанту исходного изображения, чтобы области пониженной яркости выделялись чётко. После чего, если кроме впадин там ничего нет, то нужно сразу искать эти области. Если же кроме впадин там есть ещё объекты, то необходимо завязываться на другие признаки, например форму. По границе впадины и яркой области можно провести дугу, следовательно необходимо определить насколько зетемнённая область апроксимируется дугой. Для этого можно использовать генетические алгоритмы (реализацию можете посмотреть в статьях на хабре, тут для параболы есть) или преобразования хафа с уравнением круга/дуги (я их описывал в своей статье по взлому капчи).
Для оценки вклада каждого из параметров в цену можно было бы решить систему из 5 уравнений по МНК, построив тем самым линейную регресионную модель. В ней величина веса была ба пропорциональна вкладу.
По этому уравнвнию можно было бы и прогноз делать. С минимальной возможной ошибкой, соответственно.
Сколько? :)
Т.е., я почему спросил, потому что я так понимаю, что объём работы и там и там однаков.
Дело только в том, что конечный автомат идеологически более правильное и красивое решение. А технически и функционально никаких отличий от connect'a я не вижу.
Скажите, а в чём преимущество использования QStateMachine перед стандартным connect?
Максимальное количество весов не превышает размер ков. матрицы по одному из измерений. Т.е. равно объёму выборки.
Это не имеет смысла т.к. все остальные размерности вырождены.
1 транспонирует матрицу. В 3ей строке берётся каждый столбец матрицы и вычисляется его среднее. Средние по столбцам и составляют вектор средних (усреднённое изображение).
> Далее, в 3 пункте, непонятен механизм вычисления ковариационной матрицы
Вобще ковариационная матрица должна вычисляться так:
C < — AT * A
Где AT — это транспонированная матрица А.
Но в этом случае получается матрица размером 10304х10304. Неподъёмный размер. Поэтому мы вычисляет только часть ковариционной матрицы (где количество строк и столбцов равно количеству примеров в обучающей выборке) по немного изменённой формуле:
C < — A * AT
Этот момент более подробно изложен в любом описании мат. аппарата алгоритма. На русском можно прочесть здесь: library.mephi.ru/data/scientific-sessions/2003/Neuro_2/115.pdf
Что касается распознавания, то данные алгоритм имеет какую-то аналогию с разложением сигнала в тригонометрический ряд. Сигнал представляется как сумма тригонометрических членов, а в нашем случае изображение как сумма базисных элементов.
Ну, в общем, это то, что сразу в голову пришло.
И ещё не величина веса, а величина коэффициента в уравнении конечно же.
По этому уравнвнию можно было бы и прогноз делать. С минимальной возможной ошибкой, соответственно.