codingfarm

mesh는 잘 import 되더라도 bone이 이상하게 깨저서 나올때가 많다. 이를 해결하기 위해 아래의 방법대로 해볼것 Import User Properties Import Enums As Strings Ignore Leaf Bones Automatic Bone Orientation

카이제곱 분포는 감마분포에서 $\theta=2,\;\;\alpha=\dfrac{r}{2}\;(r\;is\;positive\;integer)$을 가지는 특수한 분포를 가리킨다. 확률변수 $X$의 $pdf$는 $$f(x)=\frac{1}{\Gamma(r/2)2^{r/2}}x^{(r/2)-1}e^{-x/2}\;\;\;\;,0 < x < \infty$$ $X$는 자유도(degree of freedom) $r$의 카이제곱분포를 따른다 하고 $\chi^2(r)$이라 표기한다. 평균과 분산 $$\mu=r\;\;\;\;\;,\sigma^2=\alpha \theta^2=2r$$ 자유도 $r$과 $x$값에 대한 카이제곱 $cdf$ $$F(x)= \int_{0}^{x} \frac{1}{\Gamma(r/2)2^{r/2}}w^..

[툴바]->[프로젝트 세팅] [엔진]->[입력] 으로 이동하면 입력 매핑의 설정이 가능하다. 액션 매핑 $\bullet$ 디지털 입력을 다루는 설정이다. $\bullet$ '눌릴 때' 와 '떨어질 때'에 이벤트가 호출 된다. 축 매핑 $\bullet$ 아날로그 입력을 다룬다. $\bullet$ 입력의 정도에 따라 수치가 달라진다.

target에 따라 움직이는 뱀 애니메이션을 만들어 본다. 빨간색 타겟을 움직이면 나머지 관절들이 뱀처럼 움직이도록 action을 설정하고 싶다. 처음 시작지점의 설정을 위해 0프레임에서 나머지관절을 모두 선택하고 i를 눌러 키프레임을 넣는다. 원하는 프레임을 설정 한 후 원하는 애니메이션대로 관절을 만들고 i를 눌러 키프레임을 넣는다. 그러면 위 사진대로 설정이 완료된다. 이제 액션을 설정해보자 우선 시작부분의 bone을 선택한 후에 add bone constraint에서 action을 추가한다. 그리고 위와 같이 값들을 설정한다. 나머지 5개의 관절에 대해서도 똑같은 과정을 반복한다. 타겟의 움직임에 따라 관절이 뱀처럼 휘어 지는것을 확인 할 수 있다.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 #include LRESULT CALLBACK WndProc(HWND, UINT, WPARAM, LPARAM); HINSTANCE g_hInst; LPCTSTR lpszClass = TEXT("First"); int APIENTRY WinMain(HINSTANCE hInstance, HINSTANCE hPrevInstance , LPSTR lpszCmdParam, int nCmdShow) { HWND hWnd; MSG Message; WNDCLASS WndClass; g_..

API(Application Programming Interface) 응용프로그램이 OS의 기능을 편리하게 사용할 수 있도록, OS나 언어에서 제공하는 인터페이스이다. OS가 응용프로그램을 위해 제공하는 함수의 집합이라고도 정의가능하다. 즉, 프로그램끼리 서로 편리하게 소통하게 해주는 수단이라 볼 수 있다. 그러므로 API는 운영체제와 응용프로그램간의 약속이다. 왜 API를 쓰는가/제공하는가? OS에서 실행되는 응용프로그램은 OS에 종속적일 수밖에 없으므로 OS가 규정한 바대로 하드웨어에 접근해야 한다. 이때 사용자들은 어려운 전문지식 없이 그리고 제공자들은 자신들의 소프트웨어 자산을 숨긴채 사용자들이 OS의 기능을 사용하게끔 해준다. API의 예 대부분의 개발자들은 하드디스크가 파일을 저장하는 장치라는..

UML이란 Unified Modeling Language 의 줄임말로써 소프트웨어 개념을 다이어그램으로 표현하기 위한 프로그램 설계도이다. 즉, 모델링언어이다. UML의 사용목적은 문제 도메인, 소프트웨어 설계 제안, 이미 완성된 소프트웨어 구현에 대한 다이어그램 그리기에 있다. 이러한 서로 다른 세 가지 차원을 각각 개념(conceptual), 명세(specification), 구현(Implementation) 이라 구분한다. 여기서는 주로 명세와 구현에 대해 다룬다. 가령 개는 포유류 이다. 라는 문장을 UML 다이어 그램으로 표현하면 아래와 같다. 위 그림은 Animal과 Dog 2개의 존재가 일반화(generalization) 관계로 연결되었음을 묘사한다. Animal은 Dog의 일반화이다. Do..

$\bullet$ 평균 $\lambda$를 갖는 (근사)포아송과정에서 첫발생이 일어날때까지의 시간/간격은 지수분포를 가진다. $\bullet$ $\alpha$개의 발생이 일어날때까지 시간/공간을 $w$라 할때 확률변수 $w$는 감마분포를 따른다. 감마분포의 $pdf$, $cdf$, 특성값 $$f(w)=\dfrac{\lambda(\lambda w)^{\alpha-1}}{(\alpha-1)!}e^{-\lambda w}$$ $$F(w)=1-\sum_{k=0}^{\alpha-1}\dfrac{(\lambda w)^ke^{-\lambda w}}{k!}$$ 시간을 $x$로 치환하고 감마함수로 표현하면 $$f(x)=\dfrac{1}{\Gamma(\alpha) \theta^\alpha}x^{\alpha-1}e^{-x/\..

지수 분포(Exponential Distributions) 이산형 확률변수의 포아송분포와 관련된 연속형 분포에 대해 알아보겠다. 주어진 구간에서 발생건수는 포아송분포를 갖는 이산형 확률변수이다. 여기서 연속되는 발생 사이의 대기시간은 연속형의 확률변수이다. 확률변수 $X$가 지수분포(exponential distribution)을 가질경우 확률변수 $X$는 사건이 처음 발생하는 시간,공간이 되며, $\theta$는 다음 사건이 발생하는 시간적, 공간적 평균길이 일때 $X$의 $pdf$는 모수 $\theta > 0$에 대해 $$f(x)=\dfrac{1}{\theta}e^{-x/\theta},\;\;\;\;0\leq x < \infty$$ 지수분포의 평균과 분산은 $$\begin{align*} \mu&=\t..

연속형 확률분포(Continuous Distribution)-연속형 확률변수(Continuous Random Variables of The Continuous Type ) 구간 혹은 구간들의 합인 공간 $S$를 가지는 연속형 확률변수 $X$의 $pdf$는 다음의 조건을 만족하는 적분 가능한함수 $f(x)$이다. (a) $f(x)>0,\;\;\;\;x \in S$ (b) $\int_S f(x) dx=1$ (c) $(a,b) \subseteq S$ 이라면 사상$\{a

앞절에서는 이산시간 LTI 시스템의 컨볼루션 합에 대해 다루었다. 이번절에서는 연속시간 LTI 시스템의 컨볼루션 적분에 대해 알아보겠다. 2-1. 임펄스를 이용한 연속시간 신호의 표현 (The Representation of Continuous-Time Signals In Terms of Impulses) 연속시간 임펄트 함수의 일차결합을 통해 임의의 함수를 표현할 수 있다. $$x(t)=\int_{-\infty}^{+\infty}x(\tau)\delta(t-\tau)d\tau$$ 위 식을 연속시간 임펄스의 선별특성(sifting property) 이라 한다. 이산시간 단위 임펄스의 이동특성(sifting property)을 아래와같이 수식으로 표현 가능함을 알고 있다. $$x[n]=\sum_{k=-\i..

1-1. 임펄스 항을 이용한 이산시간 신호의 표현 (The Representation of Discrete-Time Signals in Terms of Impulses) 단위 임펄스 함수를 이용하면 임의의 이산시간 신호를 각 임펄스들의 순차열로 표현 가능하다. $$x[n]=\sum_{k=-\infty}^{\infty}x[k]\delta[n-k]$$ 이 식은 이산시간 단위 임펄스의 이동 특성(shifting property)이라 불린다. 이는 가중치를 $x[k]$로 둔 이동된 단위 임펄스 $\delta[n-k]$의 선형조합이다. 임의의 신호 $x[n]$은 시간이동된 임펄스들의 중첩을 통해서 얻은 신호이기에 선형성과 시불변성을 만족해야한다.(확인바람) 예) 단위 계단 $$u[n]=\sum_{k=-\infty..

선형성과 시불변성은 두가지 중요한 이유 때문에 신호와 시스템 분석에서 기본적인 역할을 수행한다. 1. 많은 물리적인 과정들이 선형성과 시불변성의 특징들을 지니고 있기 때문에 선형 시불변(LTI) 시스템으로 모델링될 수 있다. 2. LTI시스템은 상당히 자세히 분석될 수 있어서, 그 시스템 특성들과 신호와 시스템 분석의 핵심을 형성하는 강력한 도구들의 집합을 자세히 볼 수 있게 해준다. LTI 시스템이 분석하기에 좋은 이유 중첩의 특성을 지니기 때문이다. LIT에 대한 입력을 기본적인 신호들 집합의 선형적인 합성의 항으로 표현할 수 있다면, 출력의 계산을 위해선 기본적인 신호들에 대한 응답의 항으로 중첩을 사용할 수 있다. $$ax_1(t)+bx_2(t) \rightarrow ay_1(t)+by_2(t)$..

행렬분해(matrix factorization) 하나의 행렬을 여러개의 행렬의 곱으로 표현하는것 ex) $$\begin{bmatrix} 3&-1\\9&-5 \end{bmatrix}= \begin{bmatrix} 1 & 0 \\ 3& 1 \end{bmatrix} \begin{bmatrix} 3&-1\\0&-2 \end{bmatrix}$$ $LU$ 분해($LU$ factorization) $A$가 정사각행렬이라고 하자. $L$은 단위하삼각행렬이고 $U$는 상삼각행렬인 분해 $A=LU$를 $A$의 $\bf LU$분해(LU factorization)라고 한다. $L$은 대각성분이 1이고 위의 모든 성분이 0인 아래와 같은 형태의 행렬이다. $$L=\begin{bmatrix} 1&0&\cdots&0\\ *&1&\..

모수(population parameter) 모집단의 특성을 나타내는 수치이다. 포아송 분포에서 모수의 예는 9시에서 10시 사이에 교환대에 울리는 발신음의 수, 100feet 길이의 전선줄에 앉아있는 새의 수, 정오 12시에서 오후 2시까지 매표소에 도착하는 고객의 수, 어떤책의 한페이지에 나타난 오타의 수 등이 있다. 즉, 포아송 분포에서의 모수는 '단위시간 또는 단위공간에서 평균 발생 횟수' 이다. 포아송분포에서 모수는 수학기호 $\lambda$로 표시한다. 포아송분포(Poisson Distribution) 포아송분포는 단위시간, 단위공간 안에 어떤사건이 발생하는 평균 횟수 $\lambda$가 주어질 경우 사건이 발생하는 횟수를 확률변수 $x$로 두었을때의 이산 확률 분포이다. 주어진 연속구간에서 ..

음이항분포는 베르누이 시행을 미리정한 성공횟수 $r$회가 될때까지 반복 시행할때 확률변수 $X$가 나타내는 분포를 말한다. $pmf$는 아래와 같다. $$g(x)={}_{x-1}C_{r-1}p^{r}(1-p)^{x-r}=_{x-1}C_{r-1}p^{r}q^{x-r},\;\;\;x=r,r+1\cdots$$ 음이항분포는 $n$번의 시행(여러번의 베르누이 독립시행)에서 $n-1$번의 실패에 대한 확률을 구하는 것이다. 베르누이 시행을 독립으로 반복하는 확률실험에서 $X$를 $r$회 성공하는데 필요한 시행 횟수라 하면, 확률의 곱셈법칙에 의해 $X$의 $pmf$ $g(x)$는 $x-1$번째의 시행까지에서 정확하게 $r-1$회 성공할 확률 $${}_{x-1}C_{r-1}p^{r-1}(1-p)^{x-r}=_{x-1..

지금까지 훈련집합 $X$로부터 확률분포를 추정하는 여러가지 방법을 공부하였다. 이 절에서는 앞에서 공부한 방법에 비해 색다르게 확률 분포 추정 방법을 다룬다. 그림에서 보이듯이 혼합모델에서는 두개 이상의 서로 다른 확률 분포의 혼합으로 $X$를 모델링 한다. 가우시언 혼합(Gaussian Mixture) 가우시언이 여러개 혼합된 형태로 샘플이 주어질때 확률분포를 추정하는 방법이다. 주어진 값 $X=\{\mathscr x_1, \mathscr x_2 \cdots \mathscr x_N\}$ 추정할 값 $\Theta=\{\pi=(\pi_1,\cdots,\pi_K),(\mu_1,\Sigma_1),\cdots,(\mu_k,\Sigma_k)\}$ 즉, 샘플입력 $X$가 주어지면 몇개($k$)의 가우시언으로 샘플입..

$\circ$ 최근접 이웃 추정과 유사하다. $\circ$ 훈련집합 $X=\{(\mathscr x_1,t_1),\cdots,(\mathscr x_N,t_N)\}$이 주어져 있다. 훈련샘플중에 $w_i$에 속하는것의 개수를 $N_i$라 한다. 미지의 샘플 $X$를 분류하는 문제가 주어젔을때 $X$를 중심을 창을 씌우고 훈련샘플중 $k$개가 들어올때까지 창의 크기를 확장해 나간다. $k$개가 들어온 순간 창의 크기가 $h_{\mathscr x}$ 이면 창의 부피는 $h_{\mathscr x}^{d}$가 된다. 창안에 들어온 샘플중 $w_i$에 속하는 것의 갯수를 $k_i$라 한다. $k$ : 창안에 들어와야 할 샘플의 수 $h_{\mathscr x}$ : $k$개가 들어온 순간 창의 크기 $h_{\maths..