反向传播算法是人工神经网络训练时采用的一种通用方法，在现代深度学习中得到了大规模的应用。
全连接神经网络(多层感知器模型，MLP)，卷积神经网络(CNN)，循环神经网络(RNN)中都有它的实现版本。
算法从多元复合函数求导的链式法则导出，递推的计算神经网络每一层参数的梯度值。
算法名称中的“误差”是指损失函数对神经网络每一层临时输出值的梯度。
反向传播算法从神经网络的输出层开始，利用递推公式根据后一层的误差计算本层的误差，通过误差计算本层参数的梯度值，然后将差项传播到前一层
全连接神经网络(多层感知器模型，MLP)，卷积神经网络(CNN)，循环神经网络(RNN)中都有它的实现版本。
算法从多元复合函数求导的链式法则导出，递推的计算神经网络每一层参数的梯度值。
算法名称中的“误差”是指损失函数对神经网络每一层临时输出值的梯度。
反向传播算法从神经网络的输出层开始，利用递推公式根据后一层的误差计算本层的误差，通过误差计算本层参数的梯度值，然后将差项传播到前一层
2024/8/11 5:25:02
773KB
1
gmapping是目前应用最广的2Dslam方法，利用RBPF方法，故需要了解粒子滤波算法。
scan-match方法在于估计机器人位置（pose），利用梯度下降的方法，在当前构建的地图，与当前的激光点，和机器人位置（pose）为初始估计值。
scan-match方法在于估计机器人位置（pose），利用梯度下降的方法，在当前构建的地图，与当前的激光点，和机器人位置（pose）为初始估计值。
2024/7/30 11:03:46
477KB
1
processing的数据可视化实现，计算图像梯度和图像切向，用箭头及流线可视化数据。
2024/7/28 8:20:25
3.44MB
1
信号处理方面，LMS算法，最小均方算法（LeastMeanSquare,LMS）是一种简单、应用为广泛的自适应滤波算法，是在维纳滤波理论上运用速下降法后的优化延伸，早是由Widrow和Hoff提出来的。
该算法不需要已知输入信号和期望信号的统计特征，“当前时刻”的权系数是通过“上一时刻”权系数再加上一个负均方误差梯度的比例项求得。
这种算法也被称为Widrow-HoffLMS算法，在自适应滤波器中得到广泛应用，其具有原理简单、参数少、收敛速度较快而且易于实现等优点。
该算法不需要已知输入信号和期望信号的统计特征，“当前时刻”的权系数是通过“上一时刻”权系数再加上一个负均方误差梯度的比例项求得。
这种算法也被称为Widrow-HoffLMS算法，在自适应滤波器中得到广泛应用，其具有原理简单、参数少、收敛速度较快而且易于实现等优点。
2024/7/20 8:02:26
421B
1
报道了一种基于偏振锁相的自适应非线偏光-线偏光的产生方法。
将激光器输出的非保偏光分成两束偏振态相互垂直的线偏光，基于偏振相干合成的原理，利用基于随机并行梯度下降算法的相位调制器将两个偏振态的光束的相位差锁相到mπ，合成输出的光束即为高消光比的线偏光。
理论上，建立了该方法的数学模型，并分析了各种因素对输出消光比和转换效率的影响。
实验上，利用空间结构的光路，搭建了相应的实验系统，实现了非线偏激光到线偏振光的自适应偏振转换，获得输出激光偏振度为93.5%，转换效率为88%的线偏振激光输出。
将激光器输出的非保偏光分成两束偏振态相互垂直的线偏光，基于偏振相干合成的原理，利用基于随机并行梯度下降算法的相位调制器将两个偏振态的光束的相位差锁相到mπ，合成输出的光束即为高消光比的线偏光。
理论上，建立了该方法的数学模型，并分析了各种因素对输出消光比和转换效率的影响。
实验上，利用空间结构的光路，搭建了相应的实验系统，实现了非线偏激光到线偏振光的自适应偏振转换，获得输出激光偏振度为93.5%，转换效率为88%的线偏振激光输出。
2024/7/19 9:44:36
2.78MB
1
文章列表零基础入门深度学习(1)-感知器零基础入门深度学习(2)-线性单元和梯度下降零基础入门深度学习(3)-神经网络和反向传播算法零基础入门深度学习(4)-卷积神经网络零基础入门深度学习(5)-循环神经网络零基础入门深度学习(6)-长短时记忆网络(LSTM)零基础入门深度学习(7)-递归神经网络
2024/7/5 1:36:36
2.77MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB