随笔 - 272  文章 - 5 评论 - 39 阅读 - 58万
< 2025年2月 >
26 27 28 29 30 31 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 1
2 3 4 5 6 7 8

04 2018 档案
神经网络入门——16实现一个反向传播
摘要:反向传播练习 现在你来实现一个通过反向传播训练的神经网络,数据集就是之前的研究生院录取数据。通过前面所学你现在有能力完成这个练习: 你的目标是: 实现一个正向传播 实现反向传播算法 更新权重 import numpy as np from data_prep import features, tar 阅读全文
posted @ 2018-04-27 17:03 未完代码 阅读(550) 评论(0) 推荐(0) 编辑
神经网络入门——15反向传播
摘要:反向传播 如何让多层神经网络学习呢?我们已了解了使用梯度下降来更新权重,反向传播算法则是它的一个延伸。以一个两层神经网络为例,可以使用链式法则计算输入层-隐藏层间权重的误差。 要使用梯度下降法更新隐藏层的权重,你需要知道各隐藏层节点的误差对最终输出的影响。每层的输出是由两层间的权重决定的,两层之间产 阅读全文
posted @ 2018-04-27 16:59 未完代码 阅读(237) 评论(0) 推荐(0) 编辑
神经网络入门——14多层感知机
摘要:实现隐藏层 先修要求 接下来我们会讲神经网络在多层感知器里面的数学部分。讲多层感知器我们会用到向量和矩阵。你可以通过下列讲解对此做个回顾: 可汗学院的 向量入门. 可汗学院的 矩阵入门. 由来 之前我们研究的是只有一个输出节点网络,代码也很直观。但是现在我们有多个输入单元和多个隐藏单元,它们的权重需 阅读全文
posted @ 2018-04-27 16:30 未完代码 阅读(323) 评论(0) 推荐(0) 编辑
神经网络入门——13实现梯度下降
摘要:实现梯度下降 现在我们知道了如何更新我们的权重: 你看到的是如何实现一次更新,那我们如何把代码转化为能够计算多次权重更新,使得我们的网络能够真正学习呢? 作为示例,我们拿一个研究生学院录取数据,用梯度下降训练一个网络。数据可以在这里找到。数据有三个输入特征:GRE 分数、GPA 分数和本科院校排名( 阅读全文
posted @ 2018-04-27 13:50 未完代码 阅读(579) 评论(0) 推荐(0) 编辑
第三期 搜索——8 最优路径程序
摘要:现在最大的问题是,我们编写一个找到起点到终点的最短路径的程序?要做到这一点,我们先给单元格命名, 我们有6列 命名为0到5和5行 从0到4.我的思路是保存一个想要进一步調查的列表,或者在搜索中我们称其为展开,让我们把这个列表称作open. 一开始我们的列表上只有一个位于【0,0】上的状态,我的初始状 阅读全文
posted @ 2018-04-26 07:24 未完代码 阅读(310) 评论(0) 推荐(0) 编辑
第三期 搜索——6-7.迷宫
摘要:让我们来看一个迷宫的例子,这不在是一个车了,但这和我们将要进行的编程更接近。 假设我们从start开始,我们的目的是到达goal,沿途有很多封住的格子。机器人可以向上,下,左, 右移动,机器人从起点到终点需要多少步? 假设我们将路径规划问题看作是搜索问题,如果你有学习过我们的AI课程,就知道这是什么 阅读全文
posted @ 2018-04-25 16:57 未完代码 阅读(149) 评论(0) 推荐(0) 编辑
搜索——4-5优化路径
摘要:假设我们对左转罚分,为什么这样做?原因是我们在实际的交通中 左转比右转更难,通常你需要等待对向车流。假设我们的规划中左转更加昂贵, 实际上在包裹运输服务中,在规划最优路径时,在繁忙时间他们规划出来的路线会 尽量避免左转。因为左转会花费很长的时间,如果可以右转,他们更倾向于右转。 在这个例子中,前进花 阅读全文
posted @ 2018-04-25 16:35 未完代码 阅读(165) 评论(0) 推荐(0) 编辑
第三期 搜索——2 计算代价1—— 计算代价2
摘要:假设我们活在一个离散的世界中,这是我们将要编程的世界, 为了简单起见我们假设世界是分割小网格的,我们的初始位置在蓝色 方格处,向上运动,小箭头表示它的朝向。 我们希望车辆从起点出发走到终点,每移动一格或执行一次转向,要 花费一个单位的成本。那么从起点到终点需要承担的最小总成本是多少? 需要移动6个网 阅读全文
posted @ 2018-04-25 16:18 未完代码 阅读(243) 评论(0) 推荐(0) 编辑
第三期 第三期 搜索——1.运动规划(motion_planing)
摘要:运动规划的根本问题在于机器人可能存在于一个这样的世界中, 它可能想找到一条到达这个目标的路径,那么就需要指定一个到达那里的计划, 自动驾驶汽车也会遇到这个问题。他可能处于高速公路的附近的街道网络中,他必须要找到他的路径并导航到目标位置。 如果我们放大并且看看这个十字路口,这是我们渲染出来的最好的街道 阅读全文
posted @ 2018-04-25 15:54 未完代码 阅读(276) 评论(0) 推荐(0) 编辑
卡尔曼滤波器简介——8测量和移动1 ——9测量和移动2
摘要:测量循环和运动循环,卡尔曼滤波有两种不同的过程,测量值更新和运动值更新。 这和定位的情景一样,我们获得一个测量值,然后开始运动。这里最大值变化,但是原理 仍然相同。 两个步骤中测量值和运动值,一个需要做卷积,一个需要做乘法。 测量值使用乘法得到,运动值使用卷积得到。 事实上我们谈到了贝叶斯定理,也谈 阅读全文
posted @ 2018-04-25 09:13 未完代码 阅读(292) 评论(0) 推荐(0) 编辑
卡尔曼滤波器简介——7最大化高斯分布
摘要:已知高斯分布公式 求最大的f(x)? 当 x的值等于mu的值时,f(x)最大。 阅读全文
posted @ 2018-04-25 08:36 未完代码 阅读(227) 评论(0) 推荐(0) 编辑
新报数游戏
摘要:题目 蒜头君在和他的朋友们一起玩一个游戏。由于蒜头君的机智,这个游戏由蒜头君担任裁判。 首先,蒜头君会给他们一人一个编号,并且每个人的编号都不相同。接下来的每一回合,蒜头君会给一个数,编号不超过它的最大编号的人要报出自己的编号。如果没有人的编号比蒜头君给出的数要小,那么编号最小的人要报出自己的编号。 阅读全文
posted @ 2018-04-24 19:09 未完代码 阅读(445) 评论(0) 推荐(0) 编辑
卡尔曼滤波——5.首先高斯分布
摘要:如果我们用无人驾驶汽车追踪另一輛汽车,应该选择那一个高斯分布? 应该选择第三个,因为这个高斯函数的确定性更高。正因如此他与另一輛车碰撞的几率减到最小。 因为知道更多有关这辆车的信息。 阅读全文
posted @ 2018-04-24 18:30 未完代码 阅读(239) 评论(0) 推荐(0) 编辑
卡尔曼滤波简介——4.方差比较
摘要:最下面的分布是一个相对不确定的分布,我们对之所知甚少 阅读全文
posted @ 2018-04-24 18:21 未完代码 阅读(343) 评论(0) 推荐(0) 编辑
卡尔曼滤波简介——3.高斯分布介绍
摘要:记得Markov模型,世界被分成了离散的网络。然后给每一个网格一个固定的概率。这种表现在空间上的表现概率的方法成为直方图。他将连续的空间分成有限多的网格小块。 然后根据原概率分布的直方图估计后验概率的分布,这直方图仅仅对连续分布的近似表达。 在卡尔曼滤波中 分布取决于所谓的高斯函数,高斯函数是一个空 阅读全文
posted @ 2018-04-24 18:15 未完代码 阅读(574) 评论(0) 推荐(0) 编辑
卡尔曼滤波器简介——追踪介绍
摘要:自动驾驶汽车使用激光雷达跟踪其他车辆,如何找到其他车辆?我想找到其他车辆的原因是我不想和其他车辆发生碰撞。 为了进行评估 我们必须得先明白如何解释传感器数据。不知是明白其他车辆在那,还要知道速度是多少,这样你就可以避免与他们进行碰撞,这对行人和其他物体也很重要。 知道其他车在那里,并且对他们将要去那 阅读全文
posted @ 2018-04-24 17:03 未完代码 阅读(526) 评论(0) 推荐(0) 编辑
矩阵——矩阵介绍
摘要:课程概述 你刚刚听到了很多术语,很可能觉得它们很陌生。在本课程中,你会初步了解很多概念和工具,而在你成为无人驾驶车工程师的过程中,你会不断遇到它们。 在该课程结束时,你需要展示你对基础线性代数的掌握程度。你需要编写自己的 class 矩阵,并使用这个类来编写一个功能完好的“卡尔曼滤波器”(我们稍后会 阅读全文
posted @ 2018-04-24 16:23 未完代码 阅读(243) 评论(0) 推荐(0) 编辑
tensorflow入门——5tensorflow安装
摘要:你将把你学到的神经网络的知识,借助 TensorFlow ,一个 Google 开源的深度学习框架,应用在真实的数据集中。 你将使用 TensorFlow 来辨别 notMNIST 数据集。它是一个由 A 到 J 的英文字母图片组成的数据集,下面是一些示例。 你将把你学到的神经网络的知识,借助 Te 阅读全文
posted @ 2018-04-24 15:38 未完代码 阅读(277) 评论(0) 推荐(0) 编辑
tensorflow入门——3解决问题——4让我们开始吧
摘要:深度学习适合解决海量数据和复杂问题 在机器学习中,语音识别,图像识别,语意识别用的是不同的技术,从事相关工作的人合作几乎不可能。 深度学习改变了这一切。 80年代计算机很慢,数据集很小,因此深度学习没有得到广泛应用。 从2010年开始,语音识别,图像识别在深度学习领域中广泛应用。因为大型计算GPU和 阅读全文
posted @ 2018-04-24 15:34 未完代码 阅读(137) 评论(0) 推荐(0) 编辑
神经网络入门——12梯度下降代码
摘要:梯度下降过程可参考上一篇梯度下降算法 多个输入 阅读全文
posted @ 2018-04-24 15:14 未完代码 阅读(404) 评论(0) 推荐(0) 编辑
神经网络入门——11梯度下降算法
摘要:梯度下降算法 我们已经了解到,类似图中的简单神经网络输出数据的具体过程,我们构建神经网络是为了输出预测结果。但提前不知道权重,就没法正确预测结果。 我们可以先输入正确的参数,然后根据结果调整权重。首先我们要选取衡量预测误差的标准。最容易想到的是用实际目标值y减去网络预测值 ^y 。 用两者的差值来衡 阅读全文
posted @ 2018-04-24 15:04 未完代码 阅读(780) 评论(0) 推荐(0) 编辑
如何避免梯度下降到局部最小值
摘要:http://ruder.io/optimizing-gradient-descent/index.html#momentum 阅读全文
posted @ 2018-04-24 11:40 未完代码 阅读(875) 评论(0) 推荐(0) 编辑
神经网络入门——10.梯度下降
摘要:学习权重 你了解了如何使用感知器来构建 AND 和 XOR 运算,但它们的权重都是人为设定的。如果你要进行一个运算,例如预测大学录取结果,但你不知道正确的权重是什么,该怎么办?你要从样本中学习权重,然后用这些权重来做预测。 要了解我们将如何找到这些权重,可以从我们的目标开始考虑。我们想让网络做出的预 阅读全文
posted @ 2018-04-24 11:26 未完代码 阅读(550) 评论(0) 推荐(0) 编辑
神经网络入门——9.简单神经网络
摘要:最简单的神经网络 目前为止,我们接触的感知器的输出非 0 即 1,输出单元的输入经过了一个激活函数 f(h)f(h) 在此处就是指阶跃函数。 最简单的神经网络 目前为止,我们接触的感知器的输出非 0 即 1,输出单元的输入经过了一个激活函数 f(h)f(h) 在此处就是指阶跃函数。 最简单的神经网络 阅读全文
posted @ 2018-04-24 11:22 未完代码 阅读(1209) 评论(0) 推荐(0) 编辑
神经网络入门——8XOR感知器
摘要:XOR 感知器 XOR 感知器 XOR 感知器 XOR 感知器 XOR 感知器 XOR 感知器就是一个这样的逻辑门:输入相同返回 0 ,输入不同返回 1。与之前的感知器不同,这里并不是线性可分的。要处理这类较为复杂的问题,我们需要把感知器连接起来。 我们用 AND、NOT 和 OR 感知器来创建一个 阅读全文
posted @ 2018-04-24 11:10 未完代码 阅读(3194) 评论(0) 推荐(0) 编辑
神经网络入门——7or 感知器
摘要:OR 感知器 OR 感知器与 AND 感知器很类似,在下图中,OR 感知器与 AND 感知器有相同的分割线,只是 OR 感知器分割线下移了一段距离。对权重或者偏置做怎样的设置可以实现这个效果?用下面的 AND 感知器来创建一个 OR 感知器。 OR 感知器 OR 感知器与 AND 感知器很类似,在下 阅读全文
posted @ 2018-04-24 11:08 未完代码 阅读(757) 评论(0) 推荐(0) 编辑
神经网络入门——6and感知机
摘要:AND 感知器练习 AND 感知器练习 AND 感知器练习 AND 感知器练习 AND 感知器练习 AND 感知器的权重和偏置项是什么? 把权重(weight1, weight2)和偏置项 bias 设置成正确的值,使得 AND 可以实现上图中的运算。 AND 感知器的权重和偏置项是什么? 把权重( 阅读全文
posted @ 2018-04-24 11:05 未完代码 阅读(272) 评论(0) 推荐(0) 编辑
神经网络入门——5感知机
摘要:感知器 Perceptron 现在你看到了一个简单的神经网络如何做决策:输入数据,处理信息,然后给出一个结果作为输出!现在让我们深入这个大学录取的案例,来学习更多输入数据如何被处理。 数据,无论是考试成绩还是评级,被输入到一个相互连接的节点网络中。这些独立的节点被称作感知器 或者神经元。它们是构成神 阅读全文
posted @ 2018-04-24 11:03 未完代码 阅读(364) 评论(0) 推荐(0) 编辑
永久设置anaconda的环境变量
摘要:安装anaconda后都显示install seccessful,可是输入anaconda 终端却显示“未找到命令” 原因是没有添加环境变量,按照如下方式将环境变量添加的安装路径下: 发现虽然可以打开anaconda,但是再次打开终端时仍然无法使用,需要再次添加环境变量 使用下面的方法可以一劳永逸 阅读全文
posted @ 2018-04-24 09:00 未完代码 阅读(7059) 评论(0) 推荐(0) 编辑
C++ sort使用两个参数来排序
摘要:排序在编程中经常用到,冒泡法排序时间复杂度高,使用C++库函数sort可以快速排序。 1.必须的头文件#include < algorithm>和using namespace std; 2.时间复杂度为n*log2(n) 3.Sort函数有三个参数: (1)第一个是要排序的数组的起始地址。 (2) 阅读全文
posted @ 2018-04-23 19:24 未完代码 阅读(1077) 评论(0) 推荐(0) 编辑
linux中使用gbd进行单布调试
摘要:在linux 中使用gdb命令行进行单步调试,将整个过程介绍如下: 1.在当前路径下新建文件夹main, 并进入文件夹,新建文件main.cpp 2.compile,添加-g ,执行完多了一个slove 文件 main.cpp 是二分法求解方程根 3.通过命令行进入gdb 执行solve,表示调试s 阅读全文
posted @ 2018-04-23 14:54 未完代码 阅读(619) 评论(0) 推荐(0) 编辑
g++ 编译单个文件和多个文件
摘要:转载:https://www.cnblogs.com/battlescars/p/cpp_linux_gcc.html 1.单个源文件生成可执行程序 下面是一个保存在文件 helloworld.cpp 中一个简单的 C++ 程序的代码: 程序使用定义在头文件 iostream 中的 cout,向标准 阅读全文
posted @ 2018-04-23 12:27 未完代码 阅读(5368) 评论(0) 推荐(0) 编辑
linux进程间通信--管道
摘要:linux进程间通信的4种方式: (1)管道pipe (2)消息队列message queue (3)共享内存 share memory (4)网络套接字 socket pipe 是linux操作系统提供的一个消息传递机制. 在linux中 很多东西都被抽象为文件,它把所有的设备都抽象为文件.操作这 阅读全文
posted @ 2018-04-23 12:08 未完代码 阅读(188) 评论(0) 推荐(0) 编辑
指数衰减
摘要:e0=0.5 a=-0.1 t=0 epsilon=[] b=[] import numpy as np import math import matplotlib.pyplot as plt for i in range(100): epsilon.append(e0 * math.exp(a*i 阅读全文
posted @ 2018-04-23 09:23 未完代码 阅读(555) 评论(0) 推荐(0) 编辑
udacity/CarND-Path-Planning-Project 工程详细配置过程——吐血整理
摘要:本人原创,转载请注明地址 学习udacity/CarND-Path-Planning-Project 工程过程 1.首先登陆 jeremy-shannon/CarND-Path-Planning-Project下载工程,如下图 2.在 https://github.com/udacity/self- 阅读全文
posted @ 2018-04-21 17:04 未完代码 阅读(2861) 评论(4) 推荐(1) 编辑
出现 bash:权限不够
摘要:chmod –R 777 xxxx 阅读全文
posted @ 2018-04-21 15:56 未完代码 阅读(3197) 评论(0) 推荐(0) 编辑
cmake 没有那个目录
摘要:问题:bash: /usr/bin/cmake: 没有那个文件或目录 因为直接使用cmake系统回到默认的/usr/bin中去寻找,但是src中安装的cmake是在/usr/local/bin中,所以当然不会找到。解决方法: 做一个链接即可:ln -s /usr/local/bin/cmake /u 阅读全文
posted @ 2018-04-20 16:16 未完代码 阅读(5654) 评论(1) 推荐(0) 编辑
ubuntu 系统应用安装方式
摘要:转载 ubuntu系统软件安装 来源:http://www.linuxidc.com/Linux/2011-02/32211.htm 首先说明一下 ubuntu 的软件安装大概有几种方式:1。 deb 包的安装方式deb 是 debian 系 Linux 的包管理方式, ubuntu 是属于 deb 阅读全文
posted @ 2018-04-20 14:45 未完代码 阅读(197) 评论(0) 推荐(0) 编辑
make cmake gcc 间的关系
摘要:看了一些关于make cmake gcc间关系的帖子,其中这一篇简单明了。 作者:辉常哥链接:https://www.zhihu.com/question/36609459/answer/89743845来源:知乎著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。 1.gcc是GN 阅读全文
posted @ 2018-04-20 08:34 未完代码 阅读(1072) 评论(0) 推荐(0) 编辑
移动函数
摘要:一个函数,有两个输入分别为一个链表和一个整数,完成这个函数使得链表中的数值按照给定整数向左或向右移动,如整数为正,则向右移动,若为负则向左移动。 输出: 精确移动 非精确移动 非精确移动的代码实现: #Modify the move function to accommodate the added 阅读全文
posted @ 2018-04-13 15:05 未完代码 阅读(943) 评论(0) 推荐(0) 编辑
C++ 二分法求解方程的解
摘要:二分法是一种求解方程近似根的方法。对于一个函数 f(x)f(x),使用二分法求 f(x)f(x) 近似解的时候,我们先设定一个迭代区间(在这个题目上,我们之后给出了的两个初值决定的区间 [-20,20][−20,20]),区间两端自变量 xx 的值对应的 f(x)f(x) 值是异号的,之后我们会计算 阅读全文
posted @ 2018-04-12 19:03 未完代码 阅读(5731) 评论(0) 推荐(0) 编辑
python中的赋值操作和复制操作
摘要:之前一直写C#,变量之间赋值相当于拷贝,修改拷贝变量不会改变原来的值。但是在python中发现赋值操作本质是和C++中的引用类似,即指向同一块内存空间。下面通过一个例子说明: 发现改变q的值,p也同时改变。 如果要向C#中一样拷贝变量可以通过copy实现 输出 阅读全文
posted @ 2018-04-12 09:22 未完代码 阅读(328) 评论(0) 推荐(0) 编辑
C++ C# python 中输入输出函数对比
摘要:C++ C# python 阅读全文
posted @ 2018-04-10 19:28 未完代码 阅读(123) 评论(0) 推荐(0) 编辑
C++ C# python 中常用数学计算函数对比
摘要:1.求x 的n次幂。 C++ #include<cmath> C# python 阅读全文
posted @ 2018-04-10 19:07 未完代码 阅读(177) 评论(0) 推荐(0) 编辑
分布归一化
摘要:由上图,第一行每一网格的概率均为0.2,当机器人观察到红色后,红色网格概率乘以0.6,绿色网格概率乘以0.2,就可以得到图中第二行所示概率。可以发现这并不是一个概率分布,因为网格和为0.36. 进行分布归一化处理,将第二行网格中的每一个数值除以0.36,可以得到如下图所示网格概率。 P(X/Z)被称 阅读全文
posted @ 2018-04-10 17:10 未完代码 阅读(403) 评论(0) 推荐(0) 编辑
中心极限定理
摘要:中心极限定理 从这里开始直到高斯分布课程结尾的内容皆为选修部分。 这一部分介绍了高斯分布的由来。如果你想深入学习高斯分布背后的理论,那么请继续。如果你不想,也可以直接跳到机器人定位课程。 中心极限定理 从这里开始直到高斯分布课程结尾的内容皆为选修部分。 这一部分介绍了高斯分布的由来。如果你想深入学习 阅读全文
posted @ 2018-04-10 15:50 未完代码 阅读(2636) 评论(0) 推荐(0) 编辑
高斯分布
摘要:高斯分布 为了了解无人驾驶的不确定性,你至少需要掌握高斯分布的基础知识。例如,在研究传感器数据的不确定性或是确定行人的位置时,往往会应用高斯分布。 接下来,本课程将简要介绍高斯分布和它的起源。 然而,这并不是一门纯统计课程。我们只是对这种分布进行简单介绍,同时假设你已经熟悉了平均值、标准差、总体和样 阅读全文
posted @ 2018-04-10 14:47 未完代码 阅读(1668) 评论(0) 推荐(1) 编辑
开发者说 | 使用Visual Studio Code编译、调试Apollo项目
摘要:转载地址:https://mp.weixin.qq.com/s?__biz=MzI1NjkxOTMyNQ==&mid=2247484266&idx=1&sn=d6bcd4842cfb3fdf877dffb7f1867be4&chksm=ea1e1118dd69980e082ec14f9a7f8c7b 阅读全文
posted @ 2018-04-10 12:29 未完代码 阅读(9207) 评论(0) 推荐(0) 编辑
二维车辆世界
摘要:无人驾驶汽车-2D世界 [示范] 现在,你将要使用2维网格,而不是1维网格。但是你要做的四件事情,与你在之前的那个1D案例中的四件事情一样: 编写一个函数,用于初始化网格中的概率 编写一个函数,输出机器人在网格上特定点的概率 编写一个函数,用于显示网格的概率(这个函数是为你提供的) 编写一个函数,用 阅读全文
posted @ 2018-04-10 12:07 未完代码 阅读(243) 评论(0) 推荐(0) 编辑
一维车辆世界
摘要:机器人初始化 想象一下,你有一个生活在一维世界中的机器人。这个机器人依存于九个不同空间的网格。它只能向前或向后移动。如果它从网格上脱落下来,则会绕回到另一侧。 这个机器人有一张地图,这样它可以知道只有九个空格。但机器人不知道它在地图上的位置。下面就是该一维地图。 第一次打开该机器人时,它在这些空间中 阅读全文
posted @ 2018-04-10 11:52 未完代码 阅读(329) 评论(0) 推荐(0) 编辑
python绘制散点图,柱状图和折线图
摘要:示例:散点图 最常见的散点图之一是x-y散点图。下面的代码会大致告诉你一个matplotlib是如何工作的,你会看到如何一点点建立起一个散点图。 我们正在使用点的x和y位置的一些构成数据。运行下面的代码,然后我们将解释每一行代码分布代表什么。 示例:条形图 如果我们用相同的x和y值创建一个条形图,该 阅读全文
posted @ 2018-04-09 17:00 未完代码 阅读(2319) 评论(0) 推荐(0) 编辑
概率密度
摘要:旋转酒瓶,瓶嘴在0到360范围内x处的概率密度f(x) 在0到60秒之内处x,概率为0,概率密度为1/60 变更概率密度 在下面的选项中选择上午出生概率密度是下午出生概率密度2倍的选项。 计算下图中a和b的值。 分段连续概率分布 你刚刚学到的概率分布看起来像一个离散的概率分布。 但事实上,它仍然是一 阅读全文
posted @ 2018-04-09 14:29 未完代码 阅读(837) 评论(0) 推荐(0) 编辑
离散和连续概率
摘要:连续变量单点概率 在本课的下一部分,Sebastian Thrun 将向你介绍连续变量,连续概率分布及其背后的含义。 如之前所述,连续变量可以采用任何实数,例如整数或小数。 即使是像圆周角度这样的变量也是连续的。 连续变量单点概率 在本课的下一部分,Sebastian Thrun 将向你介绍连续变量 阅读全文
posted @ 2018-04-09 13:50 未完代码 阅读(650) 评论(0) 推荐(0) 编辑
贝叶斯法则
摘要:1.条件概率 P(A/B)=P(B/A)*P(A)/P(B) 0.3*0.2/0.1 2.全概率公式 3.贝叶斯法则 以下问题将有助于你回顾在“贝叶斯法则”章节中学习到的知识。 1.条件概率 P(A/B)=P(B/A)*P(A)/P(B) 0.3*0.2/0.1 2.全概率公式 3.贝叶斯法则 以下 阅读全文
posted @ 2018-04-09 11:40 未完代码 阅读(989) 评论(0) 推荐(0) 编辑
降低无人驾驶的不确定性
摘要:在无人驾驶领域有很多不确定性,我们知道车辆位置,速度,方向等测量值,不可能是完美的侧量,每一个测量值都有不确定性,我们知道这些测量值会相互影响。例如我们对车辆的位置不确定,我们需要收集车辆周边和移动的数据,无人驾驶车使用传感器测量车辆速度,周边景色,物体。尽管传感器测量的数据并不完美,我们把这些信息 阅读全文
posted @ 2018-04-09 10:45 未完代码 阅读(219) 评论(0) 推荐(0) 编辑
车辆横向约束
摘要:车辆在行驶道路上存在曲率变化较大,如果不考虑横向约束执行机构转动速率的限制,可能造成车辆转角突然变大,导致车辆失稳,甚至侧翻。 为了保证车辆的横向稳定性需要对横向加以约束[9]。 其中 表示车辆横向加速度, 表示车辆速度, 表示转弯半径, 与道路曲率 成倒数。本文不考虑车辆纵向控制,设定车辆在一定速 阅读全文
posted @ 2018-04-06 10:13 未完代码 阅读(933) 评论(0) 推荐(0) 编辑
C# 解决winform 窗体控件在窗体变化时闪烁的问题
摘要:在窗体form代码中加入如下代码即可: UserControl的Code 阅读全文
posted @ 2018-04-05 10:18 未完代码 阅读(598) 评论(0) 推荐(0) 编辑
python 二维数组遍历
摘要:import numpy as np world=np.zero([5,5]) for i in range(0,world.shape[0]) for j in range(0,world.shape[1]) print (world[i][j]) 阅读全文
posted @ 2018-04-03 19:17 未完代码 阅读(12686) 评论(0) 推荐(0) 编辑
WINFORM中treeview 节点显示不全
摘要:在设置treeview节点时,出现如下显示不全的问题: 这个问题是由于我们在treeview任务中编辑节点时设置的字体大于我们在treeview属性中设置frot字体导致的。 所以只要将treeview属性中的字体设置大于节点编辑中字体的大小。 阅读全文
posted @ 2018-04-02 08:36 未完代码 阅读(1035) 评论(0) 推荐(0) 编辑

点击右上角即可分享
微信分享提示