摘自各个视频，为个人笔记，勿喷我抄袭谢谢。 一：关于微分 补一下数学知识。有些遗忘了。又想起了去年刚开始考研的日子，还挺怀念。 1： 对于y = f(x) = 3x x0->x0+Δx Δy = f(x0+Δx)-f(x0) = 3(x0+Δx)-3x0 = 3Δx 发现，Δy和Δx两者成线性关系。 对于y = f(x) = x^2 Δy = f(x0+Δ
神经网络一种好得多的算法 在复杂的非线性假设上被证明是好得多的算法，n很大也可以解决 神经网络的起源是人们想尝试设计出模仿大脑的算法 神经重接试验：如果一块脑组织可以处理光，声或者触觉信号，也许存在一种学习算法，可以同时处理视觉听觉和触觉 神经网络模仿大脑中的神经元或者神经
引言 有时候，可以用线性模型模拟数据的分布情况。比如房价与面积之间的关系。 示例 假设价格只取决于房屋状况的两个因素，即面积（平方米）和房龄（年）。 有了这个函数之后，我们要考虑的就是怎样让这个函数的参数调整为接近实际情况的值。 (①)引言 首先可以想到随机生成。让随机生成值，最后
今天利用kalman滤波对船舶GPS导航定位系统进行分析。首先还是先对kalman滤波的知识进行了解。 参考内容：书籍《卡尔曼滤波原理及应用------matlab仿真》 卡尔曼知识 模型建立 观测方程：Z(k)=H*X(k)+V(k）； 状态方程：X(k)=A*X(k-1)+W(k-1); 其中，X（k）为
一般在实验中样本存在多组值的时候，条形图通常都会加上误差棒，这里的画图脚本留作参考和备忘。 测试数据 sample A B C D E F yzx 587.38 184.66 236.97 5.28 0.44 1.76 yzx 123.52 189.88 145.47 1.53 1.53 0 yzx 801.62 77.17 49.09 67.68 42.42 88.89 zjt 413.95 352.2 294.32 21
参考内容：B战的DR_CAN的卡尔曼滤波器视频，讲的特别的好，建议要学习的可以去看看，非常通俗易懂，很好理解。 1、初见卡尔曼滤波器-----递归运算 卡尔曼滤波器用一句话来说是一种 optimal recursive data processing algorithm
本讲内容 1. Bias/Variance trade-off （偏差-方差权衡） 2. Empirical risk minimization(ERM) （经验风险最小化） 3. Union Bound/ Hoeffding inequality （联合界/霍夫丁不等式） 4. Uniform convergence （一致收敛） 1. 偏差方差权衡 对于上图左的情况，我们称之为欠拟合(under-fitting
假设这就是数据集，如果给这个数据集拟合一条直线，可能得到一个逻辑回归拟合，但它并不能很好地拟合该数据，这是高偏差（high bias）的情况，我们称为“欠拟合”（underfitting）。 相反的如果我们拟合一个非常复杂的分类器，比如深度神经网络或含有隐藏单元的神经网络，可能就非常适用于这个数
本文为吴恩达 Deep Learning 笔记 机器学习策略 (上) 评价指标 为什么要学习机器学习策略： 当我们构造神经网络模型时，可以从很多方面优化：更多的数据、超参数调试、改变神经网络结构、改进优化算法、正则化。 正交化方法： Orthogonalization 正交化方法 正交化方法：每次只调试
1、 基本概念 在机器学习中，神经网络一般指的是“神经网络学习”，是机器学习与神经网络两个学科的交叉部分。所谓神经网络，目前用得最广泛的一个定义是“神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应”。神
数据融合 有两个测量设备，分别有： 测量值：Z1 = 30 ，测量误差 σ1 = 2 测量值：Z2 = 32，测量误差 σ2 = 4 服从正态分布： 如果将设备编号1、2视为测量次数，那么： 按照卡尔曼滤波的算法： 估计值 Z^ = Z1 + K（Z2 - Z1），K：卡尔曼增益 K∈ [ 0, 1 ]（K在0~1之间） 若： 1. K = 0 ， Z^ = Z1
飞机基础知识-系统-伺服机构（Servomechanism） 伺服机构是一种力放大器机构，其输出精确地跟随输入，但输出的功率更大。运动方式可以是线性的或旋转的。如果输出仅由输入控制，则称为开环系统。如果存在某种形式的反馈或跟踪，则该系统称为闭环系统，使用伺服回路提供部分控制。大多数闭环系统
20世纪20年代初，一位名叫尼古拉斯·米诺斯基(Nicolas Minorsky)的俄裔美国工程师通过观察舵手在不同条件下如何驾驶船只，为美国海军设计了自动转向系统。 根据Wikipedia.org，他注意到，在平静的条件下，舵手的动作可以通过简单的误差信号放大来近似，但这个简单的模型不足以描述在像大风这
模型评估与选择 1、经验误差与过拟合 错误率：分类错误的样本数占样本总数的比例。 精度=1-错误率。 误差：学习器的实际预测输出与样本的真实输出之间的差异。 训练误差/经验误差：学习器在训练集上的误差。 泛化误差：在新样本上的误差。 2、评估方法 ⭐留出法：直接将数据集划分为两个互
现在即使科学家也处于量子计算的早期研究阶段，各大量子机厂商也在摸索阶段，所以不同机器的逻辑很可能不兼容，就像Intel和AMD一样。还有个棘手问题是退相干引起的，因为量子程序一旦开始就不能中止了，没法执行一半保存起来下次继续。这样就要求程序必须在量子信息衰退之前就完成，不然就拿
1.线性二次调节器 线性二次调节器（Linear Quadratic Regulator 或LQR）是基于模型的控制器，它使用车辆的状态来使误差最小化。Apollo使用LQR进行横向控制。横向控制包含四个组件：横向误差、横向误差的变化率、朝向误差和朝向误差的变化率。变化率与导数相同，我们用变量名上面的一个点来
发表时间：2018（ICLR 2019） 文章要点：文章提出了一个random network distillation (RND)的算法，通过比较一个预测网络和一个随机初始化网络的越策误差作为exploration bonus来增加探索。主要思路是说，如果agent去过某个状态了，那么预测误差就会更小，反之就会大。 具体的，先有一个随机网络f，
目录ekf的功效建模方式超参不同case高速与城区global与gnss一些隐藏坑关于predict关于断track ekf的功效 能够稳定轨迹扰动 能够方便模型连track 建模方式 使用角度，不使用角度；影响的是对state的更新效率。越是直观，需要预测的参数越少，测量值之间的耦合越少，跟踪性能越好，滞后性与误差
目录引言经验误差、测试误差、泛化误差定义泛化误差的偏差-方差分解偏差-方差图解偏差-方差tradeoff模型复杂度bagging和boosting解决偏差-方差问题针对偏差：避免欠拟合针对方差：避免过拟合 引言 在构建机器学习模型时，通常需要先采集数据，然后将数据分为训练集、验证集、测试集。训
多分类问题的损失函数 误差反向传播，以及通过误差计算偏导，进而计算损失函数值 随机初始化在神经网络中初始值全为0的化会导致各隐藏层激活函数相等，无法学习更多特征
import java.util.Scanner; public class Test01 { public static void main(String[] args) { //用循环语句计算 1 + 1/2！+ 1/3！+ 1/4！…的前 20 项之和。（提示：结果要求误差小于 //0.0001） double i,j,mul,ans=0; for(i=1;i<=20;i++){
可以知道ud与角度误差成比例关系，所以让ud等于0时此时对应角度误差接近零。如果取uq为控制参量，对应角度需要减去90度。（采取如图所示dq变换）
目录 学习教材 学习内容 一、绪论 1.1 基本术语 1.2 假设空间 1.3 归纳偏好 二、 模型评估与选择 2.1 经验误差 2.2 评估方法 2.3 性能度量 2.4 方差与偏差 学习时间 学习教材 机器学习（周志华） 学习内容 一、绪论 1.1 基本术语 数据集： 示例：关于一个事件或对象的描述。（Xi
RMS的含义是Root Mean Square，即均方根。英文释义为“The square of the average of squares of a set of numbers” 计算公式为： \[x_{rms}=\sqrt{\frac{1}{N}\sum_{i=1}^{n}{x_i^2}}=\sqrt{\frac{x_1^2+x_2^2+\cdots+x_n^2}{N}} \]TUM RGBD关于ATE与RPE的介绍 ATE：绝对轨迹误差; A
第一章 数值分析与科学计算引论 1. 误差来源与分类 模型误差（数学模型与实际问题之间出现的误差）不讨论 观测误差（由观测产生的误差，比如观测温度、长度、电压等）不讨论 数值分析只研究用数值方法求解数学模型产生的误差 ====== 当数学模型不能得到精确解时，通常要用数值方法求它的近似
