xin さんのプロフィールxin's worldフォトブログリストその他  |  ツール ヘルプ |
|
xin's world6月9日 谈论 被点名了
被点名了 2月1日 亚冬会28号，亚冬会开幕；29号，第一场大雪；30号，现场观看短道速滑的比赛......
28号：开幕
在长春炒的火热的亚冬会终于在这天开幕了，令人意外的是亚冬会的整场开幕式表演竟是由东北师大主要策划的，关东情，中国魂，都展现的淋漓尽致，可以说还是相当的精彩。一个学校，几个学院，策划并出演了这么一个重要的开幕式，不能不说是一个奇迹，同时也打响了东北师大这个品牌。
29号：雪
在此之前，长春人民着实为亚冬会捏了一把汗啊！今年入冬以来，这都快到2月份了，还没有一场像样的雪，只是飘了几次雪花，落地即化的那种，更别说以往那种白雪皑皑的感觉了。这没有雪，怎么比赛啊，于是，滑雪场动用几十台造雪机造雪，可是这人造雪毕竟和天然的比不了，我也在人造雪上滑过，感觉着实不爽（不过比没雪滑好得多）。可是就在这天，亚冬会正式比赛的第一天，鹅毛大雪漫天飞舞，整整下了一天，似乎要把这几个月以来的雪都补上。真是老天有眼吗？记得去年的多哈亚运会，在那个年降雨量几十毫米的国家，亚运会期间竟然接连得下了几天的雨，似乎都超过了以往一年的降雨量。挺有意思，这两个亚洲的运动会，惊人的相似!
30号：观战
前几天存手机花费居然还赠了张短道速滑的门票，决定晚上去看，于是准备好相机，看看能有什么收获。
俗话说下雪不冷化雪冷，可是这冷得也太快了吧。今年是个暖冬，一直暖暖和和的，可就在下了场大雪后气温突降，显然我的反应没有天气的变化快，刚到比赛场馆，在外面随便拍了几张，手就已经冻得发麻了，再加上冷风一吹，感觉是骨头在疼。于是也没什么心情拍照了，直接杀进体育馆。
由于离比赛还有一段时间，运动员在场上练习，观众也寥寥无几，于是在看台上一顿瞎拍......
随着比赛的临近，观众也陆续的多了起来，比我想象的要多得多，几乎坐满了整个体育场。可以说短道速滑在亚洲就是中韩两国之间的较量，在看台上，也就是这两国观众的较量。真没想到韩国的观众还来了这么多，应该有几百人了，不过绝大部分的看台还是被五星红旗占据着。
至于比赛吗，就不多说了，大家应该都看电视了吧，恭喜王濛，恭喜胡泽！！！不过在现场观转战就是爽，情绪会不由自主地随着比赛而起伏，中国队领先，你会激动；中国队落后，你会着急；你的所作所为，也完全不在控制之内。不过这种感觉，确实很好！！！
期待北京奥运！
31号：论文
今天刚把论文投了出去，但愿能中......
又是下了大半天的雪，真有滑雪的冲动......
1月1日 联欢 在家上msn的感觉就是爽啊!!!
回想2006年的最后几天，一直在论文与联欢会的策划方案中度过。后来，干脆把论文仍在一边，专心弄起了联欢会。
由于这次实验室的联欢会主要由研二负责，而且诸位博士jj们强烈要求本次联欢会在形式上要改革，要创新!!!以往只是吃吃饭，几个人唱唱歌，给老师敬敬酒也就罢了。可是这次要求要突出“联欢”二字，要调动起大家的积极性，不能只是几个人来参与，要让绝大部分人参与进来。得知这一“不幸”的消息时距联欢会开始还有整整三天的时间。而且糊里糊涂的我就成了主持人，晕~~~~~~
既然要联欢，那就少不了游戏，可是这种以游戏为主的联欢会似乎已在我们的脑海中消失了多年，最少也有4、5年了，那时的游戏现在看起来是相当的幼稚!让一群硕士博士甚至老师来参加这种游戏显然不是那么回事，于是创新游戏便是我这几天的主要工作了；当然还少不了精彩的节目，这一部分主要就由另一位主持人wzd来负责。随后，两位师兄师姐也加入了我们的策划队伍中，帮着忙前忙后，在此表示万分的感谢!!!
想游戏真的很难，要新颖，要符合大家的身份，难度要适中，要让更多的人来参与......一个个要求摆在面前，于是在网上搜索游戏，修改规则，再找，再修改......最后在我们四人的共同努力下，游戏环节和整个联欢的大体方案在一天多的时间内便浮出了水面（辛勤劳动的成果啊）。随后便是求精的过程了，想到哪里改哪里......
最后，只和wzd对了一边台词，便开始了正式的联欢会主持......
可是没想到，会场的气氛相当热烈，超乎我们的想象，我们设计的节目与游戏个个精彩，给大家带来了无数的欢笑，就连平时“冷面”的几位老师也是一次次的掌声与笑声。如果说成功了90%的话，那么另外的10%就是会场期间的一个小小意外，在此不提也罢，因为瑕不掩瑜吗!呵呵。
联欢会较圆满地结束了，虽然我们饿着肚子主持了4个多小时的节目，但是当听到大家的笑声，看见大家的笑脸，得到大家的肯定时，我们忘记了之前策划时的种种困难，为此耽误的时间，我们认为，值!!!
在此，感谢所有为此次联欢会做出贡献的人，是大家积极的配合才会使这次联欢充满欢笑，如此精彩。
希望朋友们新年快乐!
12月4日 杂 n久没有写blog了，也n久没有看朋友们的blog了。一直认为实验室上不了msn，因为实验室搬家后尝试了无数次登陆均未果。今天闲来无事，打开了那个久违的小图标、登陆、居然连上了，可是发现我所有的联系人都不见了，无法显示，唉，郁闷，难道是我长时间不登陆的原因？
遂百度之。查来查去，还真发现不少人有这个问题，就是用其他的电脑登陆已有的msn账户，如果版本为msn8.0的话，会有无法显示联系人的情况。尝试了网络提到的各种解决方案，均未遂。
 ，microsoft发布的东西还有这种bug！！！！！！况且在help.msn.com上也提到了这种问题的存在，怎么就不解决，发布补丁或新版本呢？？？？？？在各种办法均失败的情况下，只能卸载msn8.0，安装msn7.5，然后一切正常。 于是把朋友们的blog统统看了一遍，花了我一下午的时间——这充分说明了不能把工作攒到一起来完成啊——看到朋友们也都忙碌着，为着自己的目标去努力着，很高兴。想想自己，这半年也是没闲着。从对Bayesian Networks一无所知，到现在对它也有了大半的理解，实现了一些算法，也清楚了一些应用，前阵子还在忙着做论文（不发表一篇不让毕业啊），也是忙得不可开交，还好，现在论文工作基本已经完成，等着老师的检验，等它投出去之后，一定要好好的放松几天，滑雪，滑雪！！！
 提起滑雪，真是兴奋不已。今年雪场已经开放半个近一个月了，而我还没抽出时间去一次呢。由于亚冬会将在明年1月在长春莲花山滑雪场举行，所以今年滑雪的价格比以前涨了将近一倍。就连学生组团去，还需要90元/天，这不是明抢吗？贵是贵些，不过等有时间还真得去几次，it's so charming!!!希望到时候能便宜些，呵呵。
圣诞，元旦就要到了，下周沙哥还过生日，happy的日子接二连三的到来，赶快忙完工作，到时候好好放纵一下。
 饿了，吃饭了......
7月25日 转载 Kalman Filter Models(KFMs)要学习KFMs,英文的看起来太费劲，于是搜索到如下文章，存在这：
卡尔曼滤波器 – Kalman Filter
1．什么是卡尔曼滤波器（What is the Kalman Filter?）
在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！
卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。如果对这编论文有兴趣，可以到这里的地址下载： http://www.cs.unc.edu/~welch/media/pdf/Kalman1960.pdf。
简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。
2．卡尔曼滤波器的介绍（Introduction to the Kalman Filter）
为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。
在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。
假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟来做时间单位）。假设你对你的经验不是100%的相信，可能会有上下偏差几度。我们把这些偏差看成是高斯白噪声（White Gaussian Noise），也就是这些偏差跟前后时间是没有关系的而且符合高斯分配（Gaussian Distribution）。另外，我们在房间里放一个温度计，但是这个温度计也不准确的，测量值会比实际值偏差。我们也把这些偏差看成是高斯白噪声。
好了，现在对于某一分钟我们有两个有关于该房间的温度值：你根据经验的预测值（系统的预测值）和温度计的值（测量值）。下面我们要用这两个值结合他们各自的噪声来估算出房间的实际温度值。
假如我们要估算k时刻的是实际温度值。首先你要根据k-1时刻的温度值，来预测k时刻的温度。因为你相信温度是恒定的，所以你会得到k时刻的温度预测值是跟k-1时刻一样的，假设是23度，同时该值的高斯噪声的偏差是5度（5是这样得到的：如果k-1时刻估算出的最优温度值的偏差是3，你对自己预测的不确定度是4度，他们平方相加再开方，就是5）。然后，你从温度计那里得到了k时刻的温度值，假设是25度，同时该值的偏差是4度。
由于我们用于估算k时刻的实际温度有两个温度值，分别是23度和25度。究竟实际温度是多少呢？相信自己还是相信温度计呢？究竟相信谁多一点，我们可以用他们的covariance来判断。因为Kg^2=5^2/(5^2+4^2)，所以Kg=0.78，我们可以估算出k时刻的实际温度值是：23+0.78*(25-23)=24.56度。可以看出，因为温度计的covariance比较小（比较相信温度计），所以估算出的最优温度值偏向温度计的值。
现在我们已经得到k时刻的最优温度值了，下一步就是要进入k+1时刻，进行新的最优估算。到现在为止，好像还没看到什么自回归的东西出现。对了，在进入k+1时刻之前，我们还要算出k时刻那个最优值（24.56度）的偏差。算法如下：((1-Kg)*5^2)^0.5=2.35。这里的5就是上面的k时刻你预测的那个23度温度值的偏差，得出的2.35就是进入k+1时刻以后k时刻估算出的最优温度值的偏差（对应于上面的3）。
就是这样，卡尔曼滤波器就不断的把covariance递归，从而估算出最优的温度值。他运行的很快，而且它只保留了上一时刻的covariance。上面的Kg，就是卡尔曼增益（Kalman Gain）。他可以随不同的时刻而改变他自己的值，是不是很神奇！
下面就要言归正传，讨论真正工程系统上的卡尔曼。
3．卡尔曼滤波器算法（The Kalman Filter Algorithm）
在这一部分，我们就来描述源于Dr Kalman 的卡尔曼滤波器。下面的描述，会涉及一些基本的概念知识，包括概率（Probability），随即变量（Random Variable），高斯或正态分配（Gaussian Distribution）还有State-space Model等等。但对于卡尔曼滤波器的详细证明，这里不能一一描述。
首先，我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程（Linear Stochastic Difference equation）来描述：
X(k)=A X(k-1)+B U(k)+W(k) 再加上系统的测量值： Z(k)=H X(k)+V(k) 上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance 分别是Q，R（这里我们假设他们不随系统状态变化而变化）。 对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是最优的信息处理器。下面我们来用他们结合他们的covariances 来估算系统的最优化输出（类似上一节那个温度的例子）。
首先我们要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：
X(k|k-1)=A X(k-1|k-1)+B U(k) ……….. (1) 式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。 到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的covariance还没更新。我们用P表示covariance：
P(k|k-1)=A P(k-1|k-1) A’+Q ……… (2) 式(2)中，P(k|k-1)是X(k|k-1)对应的covariance，P(k-1|k-1)是X(k-1|k-1)对应的covariance，A’表示A的转置矩阵，Q是系统过程的covariance。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。 现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k|k)：
X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) ……… (3) 其中Kg为卡尔曼增益(Kalman Gain)： Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ……… (4) 到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。但是为了要另卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的covariance：
P(k|k)=（I-Kg(k) H）P(k|k-1) ……… (5) 其中I 为1的矩阵，对于单模型单测量，I=1。当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去。 卡尔曼滤波器的原理基本描述了，式子1，2，3，4和5就是他的5 个基本公式。根据这5个公式，可以很容易的实现计算机的程序。
下面，我会用程序举一个实际运行的例子。。。
4．简单例子（A Simple Example）
这里我们结合第二第三节，举一个非常简单的例子来说明卡尔曼滤波器的工作过程。所举的例子是进一步描述第二节的例子，而且还会配以程序模拟结果。
根据第二节的描述，把房间看成一个系统，然后对这个系统建模。当然，我们见的模型不需要非常地精确。我们所知道的这个房间的温度是跟前一时刻的温度相同的，所以A=1。没有控制量，所以U(k)=0。因此得出：
X(k|k-1)=X(k-1|k-1) ……….. (6) 式子（2）可以改成： P(k|k-1)=P(k-1|k-1) +Q ……… (7) 因为测量的值是温度计的，跟温度直接对应，所以H=1。式子3，4，5可以改成以下：
X(k|k)= X(k|k-1)+Kg(k) (Z(k)-X(k|k-1)) ……… (8) Kg(k)= P(k|k-1) / (P(k|k-1) + R) ……… (9) P(k|k)=（1-Kg(k)）P(k|k-1) ……… (10) 现在我们模拟一组测量值作为输入。假设房间的真实温度为25度，我模拟了200个测量值，这些测量值的平均值为25度，但是加入了标准偏差为几度的高斯白噪声（在图中为蓝线）。
为了令卡尔曼滤波器开始工作，我们需要告诉卡尔曼两个零时刻的初始值，是X(0|0)和P(0|0)。他们的值不用太在意，随便给一个就可以了，因为随着卡尔曼的工作，X会逐渐的收敛。但是对于P，一般不要取0，因为这样可能会令卡尔曼完全相信你给定的X(0|0)是系统最优的，从而使算法不能收敛。我选了X(0|0)=1度，P(0|0)=10。
该系统的真实温度为25度，图中用黑线表示。图中红线是卡尔曼滤波器输出的最优化结果（该结果在算法中设置了Q=1e-6，R=1e-1）。
 4月23日 惊喜msn拒绝工作以来，就很少来这里，因为记不住那长长的web address。
也不知道今天是什么好日子，不经意间的登陆msn----成功，大义跟我说话----收到，再回复----他也收到，再试----一切正常。我的msn居然开始工作了，刚刚决定5.1期间为了msn重装系统，这回可不用了。
 现在就一个字----爽！！！我正式宣布：my msn is ok now.
最近一定是我做了什么善事，一定是。 3月22日 无题msn坏了n久，不是登陆不上，就是登陆上后无法发信息，在别人那里显示我是一上一下的，大家都以为我有病呢！无奈啊！！！已经试了我能想到的所有方法（就差重装系统了），都以失败告终，最后放弃。
昨天天气很好，出去活动了一下，打了一下午的篮球，好像已经记不起来上一次是什么时候打了，居然发现自己的力量变大了，也许是变胖了的缘故吧，呵呵。好久没出这么多汗了，感觉很爽！我说最近脑袋怎么混僵僵的，原来是该锻炼了，因为春天来了。
houston rockets算是没戏了，又是个连败，看他们的比赛也提不起太大兴趣了，现在又是落后，所以在看球的时候还可以写blog。期待下个赛季吧，等待tracy的回归。好好看看第四节吧，看看能否出现奇迹......
|
||||
|
|
