来日可期的博客

目录标题1. 遗传算法的选择算子为什么用在交叉算子，变异算子的前面？2. 遗传算法中，有哪些选择算子？3. 遗传算法中，有哪些交叉算子？4. 异或 `^`运算的思考。5. 对于4中对于异或的疑问，都是来自于这段代码：6. 遗传算法中，有哪些变异算子？1. 遗传算法的选择算子为什么用在交叉算子，变异算子的前面？答： 选择算子的目的是选择哪些个体参与交叉与变异，其余的个体不参与交叉与变异，但是会作为parent参与offspring的比较，如果获胜，任然有机会存在于种群；如果失败，则会被淘汰。所以，选择算

nlog⁡2m=mlog⁡2n(1)n^{\log_2m} = m^{\log_2n} \tag{1}nlog2​m=mlog2​n(1)证明：nlog⁡2m=mlog⁡mnlog⁡2m=mlog⁡2m×log⁡mnn^{\log_2m} = m^{\log_m{n^{\log_2m}}} \\=m^{\log_2m\times \log_mn}nlog2​m=mlogm​nlog2​m=mlog2​m×logm​n换底公式：log⁡mb=log⁡nblog⁡nm\log_mb=\frac{\log

这里写目录标题1. Cassandra 安装：1.1. CentOS安装1.2. Windows安装2. Cassandra的命令2.1 键2.2 表3. Cassandra的python编程1. Cassandra 安装：官网1.1. CentOS安装Installation from RPM packagesFor the `` specify the major version number, without dot, and with an appended x.The latest

在前面讲到通过高程信息进行地图建模：本次博客主要是分享对地图节点聚类效果的可视化数据：255,255,255,255,255,255,255,255,255,255,255,255,0,255,255,255,255,255,255,255,255,255,255,255,255,255,255,255255,255,255,255,255,255,255,255,255,255,255,255,0,255,255,255,255,255,255,255,255,255,255,255,255,2

支持向量机支持向量回归核函数核方法替代损失函数硬间隔 软间隔正则化LpL_pLp​范数

图论的基础是三元组，点集，边集，权重函数。然而在实际的地图中，我们只知道地图（row，col）的值，可能表示海拔，也可能表示坡度，形式上就是一个二元矩阵。形如此图：表示的矩阵：在这个矩阵中，255表示普通节点（不是障碍物），0表示障碍物。转换为邻接矩阵，并画出点线图（代码）：import cv2import numpy as np# from MCL import markovClusterimport matplotlib.pyplot as pyobstacle = 0unO

1. 背景介绍区别与点对点的路径规划，本文讲的协同路径规划的目标是多车协同覆盖扫描一个区域。从图中容易知道，黑色的栅格代表障碍物，蓝色的小点代表着小车，用不同颜色的线段代表为每个小车规划的路径。通过上述的讲解，相信已经理解到我所说的协同覆盖扫描一个区域指的是什么了。与上述的情况不一样的是，现在存在一个应用场景，小车随机分布在地图上（有的在目标区域内部，有的则在区域外部），要求给出一个最佳的扫描方案：派出哪几辆车执行扫描任务最佳，给出每个小车的路径。值得注意的是，这个有个隐藏的问题，如果区域外的小车要

人工智能的浪潮正在席卷全球，诸多词汇时刻萦绕在我们耳边：人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）。不少人对这些高频词汇的含义及其背后的关系总是似懂非懂、一知半解。为了帮助大家更好地理解人工智能，这篇文章用最简单的语言解释了这些词汇的含义，理清它们之间的关系，希望对刚入门的同行有所帮助。人工智能：从概念提出到走向繁荣1956年，几个计算机科学家相聚在达特茅斯会议，提出了“人工智能”的概念，梦想着用当

聚类1. 聚类任务2. 性能度量3. 距离计算4. 原型聚类5. 密度聚类6. 层次聚类1. 聚类任务在无监督学习中（unsupervised learning）中，训练样本的标记是未知的，目标是通过对无标记数据的学习来揭示数据内在性质与规律，为进一步的数据分析提供基础。2. 性能度量连续属性的性能度量：外部指标：内部指标：离散属性的性能度量：3. 距离计算闵可夫斯基距离→\to→ p范数4. 原型聚类k均值算法学习向量量化（lvq）高斯混合聚类5. 密度聚类DBSCAN

范数向量范数1. LpL_pLp​范数1.1 L0L_0L0​范数1.2 L1L_1L1​范数1.3 L2L_2L2​范数1.4 L∞L_{\infty}L∞​范数矩阵范数向量范数1. LpL_pLp​范数LpL_pLp​范数是一系列范数的一般表示形式，包括L0L_0L0​范数， L1L_1L1​范数，L2L_2L2​范数…∥x∥p=∑i∣xi∣pp\|\mathbf{x}\|_p=\sqrt[p]{\sum_i{|x_i|^p}}∥x∥p​=p​i∑​∣xi​∣p​1.1 L0L_0L0​范数

@TOC1. 概念解读在一个二分类问题中，非对既是错真实情况\预测情况positivenegativeTrueTPTNFalseFPFNNotice: 上面的图表是个反例，错误的原因是T\F的使用，T代表着预测正确，F代表着预测错误。真实情况\预测情况positivenegativeTrueTPFNFalseFPTN查全率precison=TPTP+FN\textrm{precison}=\frac{\mathr

pytorch全连接神经网络：梯度计算：误差函数：优化算法：初始化情况学习速率Escape minima（动量）kaggle：激活函数及其梯度：RELU(0~1)Sigmod(0~1)Tanh(-1~1)阶梯函数Question：1.梯度是向量，方向指向增长最快的方向ANSERSER:1.梯度的反方向：函数下降最快的方向2.为什么一直沿着梯度反方向，就能到达低点：每一步都走梯度下降最快的方向（这里是无法知道最低点的位置的，只能知道现在位置的梯度方向），详情考虑

线性感知器上一篇博客讲解的是感知器，本次通过线性感知器引入优化算法的概念，本次使用的优化算法是随机梯度下降算法。感受：激活函数是线性感知器的灵魂，控制者线性感知器的输出的数值范围，以及优化算法的具体实现，因为优化算法的下降梯度与激活函数的梯度有关。线性单元的参数修改规则:wnew=wold+η∑i=0n(y(i)−y‾(i))x(i)w_{new}=w_{old}+\eta\sum_{i=0}^n(y^{(i)}-\overline{y}^{(i)})x^{(i)}wnew​=wold​+ηi=0∑

感知器最近看到一篇博客，由浅入深地讲解了机器学习中的神经网络，但是由于它其中的实现代码是python，我也想更加深入的了解一波儿，就用java也实现了一套，实现功能是一样的。这里的代码是实现对于一个感知器的神经网络，输入是二维向量，输出一个数（0,1），通过简单的学习实现对于and 和 or 运算的拟合import java.util.Arrays;public class SensorNetwork { //表示感知器网络结构 private int[] netStuctArra

前言：对于博客中提出的问题的解答习题 1:{0,1,{0,1},{1,2}} 有几个元素? 机器学习中, 这类形式的集合有什么优点和缺点?————————————————答：根据集合的定义可以知道，上述的集合有四个四个元素，分别是0，1，{0,1}，{1,2}。关于在机器学习中的优缺点，目前而来还没有比较深刻的体会。这次就对数据结构层次的优缺点进行表述，优点：可以便利的进行便利；缺点：在查找的时候遍历深度可以会很高。习题 2: ∅ 的基数是多少? { ∅ }呢?—————————————

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、前置知识？1.原码，补码，反码二、挖掘& 0xFF深层的含义总结前言int unsignedbyte = b & 0xFF;上面的这段代码相信会较为容易的经常看到，但是我们往往会忽略为什么要这样，不这样行不行。接下来就此段代码，挖掘它的深层的含义。一、前置知识？1.原码，补码，反码定义那些我在这儿就不在赘述了，我分享一下我的理解。众所周知，冯诺依曼体系结构的计算机的一大特点就是数据