星光2020
星光2020

理解卡尔曼滤波

卡尔曼滤波被广泛的应用于运动估计中，在飞行器中多有应用，区别于普通滤波如低通滤波，卡尔曼滤波具有不延时的优点，即普通的低通滤波在过滤噪声的同时也会引入信号滞后，而卡尔曼滤波则可以实时估计对象状态，不产生滞后。与普通滤波不同，卡尔曼滤波基于对象的数学模型进行设计。

关于卡尔曼滤波的介绍参考如下

https://zh.wikipedia.org/wiki/卡尔曼滤波

或者英文网站

https://en.wikipedia.org/wiki/Kalman_filter

列出应用于对象的卡尔曼滤波的全部公式

1. 对象模型

假设对象符合如下模型

        {\textbf {x}}_{​{k}}={\textbf {F}}_{​{k}}{\textbf {x}}_{​{k-1}}+{\textbf {B}}_{​{k}}{\textbf {u}}_{​{k}}+{\textbf {w}}_{​{k}}
        {\textbf {z}}_{​{k}}={\textbf {H}}_{​{k}}{\textbf {x}}_{​{k}}+{\textbf {v}}_{​{k}}

其中，{\textbf {x}}_{​{k}}为状态变量，{\textbf {z}}_{​{k}}为输出，{\textbf {w}}_{​{k}}和{\textbf {v}}_{​{k}}分别为状态和输出的噪声。并假定它们符合一定协方差{\textbf {Q}}_{k}和{\textbf {R}}_{k}的多元正态分布

        {\textbf {w}}_{​{k}}\sim N(0,{\textbf {Q}}_{k})
        {\textbf {v}}_{​{k}}\sim N(0,{\textbf {R}}_{k})

2. 卡尔曼滤波

卡尔曼滤波的公式如下

a）预测

        \mathbf{x}_{k} = \mathbf{F}_{k} \mathbf{x}_{k-1} + \mathbf{B}_{k} \mathbf{u}_{k} + \mathbf{w}_{k}
        \mathbf{P}_{k\mid k-1} = \mathbf{F}_{k} \mathbf{P}_{k-1\mid k-1} \mathbf{F}_{k}^{\text{T}} + \mathbf{Q}_{k}

b）更新

        \tilde{\mathbf{y}}_k = \mathbf{z}_k - \mathbf{H}_k\hat{\mathbf{x}}_{k\mid k-1}
        \mathbf{S}_k = \mathbf{H}_k \mathbf{P}_{k\mid k-1} \mathbf{H}_k^T + \mathbf{R}_k
        \mathbf{K}_k = \mathbf{P}_{k\mid k-1}\mathbf{H}_k^T \mathbf{S}_k^{-1}

        \hat{\mathbf{x}}_{k\mid k} = \hat{\mathbf{x}}_{k\mid k-1} + \mathbf{K}_k\tilde{\mathbf{y}}_k
        \mathbf{P}_{k|k} = (I - \mathbf{K}_k \mathbf{H}_k) \mathbf{P}_{k|k-1}

除了对象数学模型，卡尔曼滤波包含七个公式，较为复杂，不容易理解，这也是大部分卡尔曼滤波算法的开发者的体会，这里分享一下关于卡尔曼滤波设计的思路，便于对卡尔曼滤波有一个简单直观的理解，以便在工程项目中方便地应用卡尔曼滤波。

3. 卡尔曼滤波的理解

在已知对象模型的条件下，我们可以把卡尔曼滤波看做和被估计对象同时运行的一个系统，这个系统的模型和对象一样，输入和对象一样，输出和对象的输出作比较。在理想条件下，对象的输出和这个模拟系统的输出应该是一样的，但是因为噪声、干扰、初始估计误差等原因，模拟系统的状态变量与对象的状态变量存在误差。卡尔曼滤波的原理就是通过比较模拟系统和对象的输出，反馈到估计量中，不断修正模拟系统中的状态变量估计，从而比较精确的估计出对象模型的状态变量。类似于自动控制中的负反馈。如下图

理解卡尔曼滤波_第1张图片

假设对象模型为

        \mathbf{x}_{k} = \mathbf{F}_{k} \mathbf{x}_{k-1} + \mathbf{B}_{k} \mathbf{u}_{k} + \mathbf{w}_{k}                                                                                （1）

对象输出为

        \mathbf{z}_k = \mathbf{H}_{k} \mathbf{x}_k + \mathbf{v}_k                                                                                                   （2）

其中 {\textbf {w}}_{​{k}}和{\textbf {v}}_{​{k}} 为系统噪声和测量噪声。

        \mathbf{w}_k \sim \mathcal{N}(0, \mathbf{Q}_k)
        \mathbf{v}_k \sim \mathcal{N}(0, \mathbf{R}_k)

卡尔曼滤波的估计为

        \hat{\mathbf{x}}_{k\mid k-1} = \mathbf{F}_{k}\hat{\mathbf{x}}_{k-1\mid k-1} + \mathbf{B}_{k} \mathbf{u}_{k}                                                                              （3）

即为与对象模型等同的一个系统，其中\hat{\mathbf{x}}为模拟系统的状态变量，即对象的状态变量估计。根据卡尔曼滤波估计得到的输出（即模拟系统的输出）与实际测量输出之间的误差为

        \tilde{\mathbf{y}}_k = \mathbf{z}_k - \mathbf{H}_k\hat{\mathbf{x}}_{k\mid k-1}                                                                                            （4）

根据误差对卡尔曼滤波估计进行校正

        \hat{\mathbf{x}}_{k\mid k} = \hat{\mathbf{x}}_{k\mid k-1} + \mathbf{K}_k\tilde{\mathbf{y}}_k                                        ​​​​​​​        ​​​​​​​        ​​​​​​​                         ​​​​​​​        （5）

其中{\textbf {K}}为校正增益矩阵，上述三个公式即表示了卡尔曼滤波的原理。

而方程式组中的其它公式则是计算校正增益阵{\textbf {K}}使滤波效果达到最优。如下式

         \mathbf{K}_k = \mathbf{P}_{k\mid k-1}\mathbf{H}_k^T \mathbf{S}_k^{-1}                                                                                            （6）

其中

        \mathbf{P}_{k\mid k-1} = \mathbf{F}_{k} \mathbf{P}_{k-1\mid k-1} \mathbf{F}_{k}^{\text{T}} + \mathbf{Q}_{k}                                                                           （7）
        \mathbf{S}_k = \mathbf{H}_k \mathbf{P}_{k\mid k-1} \mathbf{H}_k^T + \mathbf{R}_k                                                                                    （8）

从原理上讲，{\textbf {K}}根据信号的质量来计算，包括输入的信号质量，输出的信号质量，和状态估计本身的质量，其中{\textbf {Q}}，{\textbf {R}}，{\textbf {P}}分别为输入、输出和状态变量的协方差

        \mathbf{P}_{k\mid k} = \mathrm{cov}(\mathbf{x}_k - \hat{\mathbf{x}}_{k\mid k})
        \mathbf{P}_{k\mid k-1} = \mathrm{cov}(\mathbf{x}_k - \hat{\mathbf{x}}_{k\mid k-1})

{\textbf {S}}为输出误差的协方差

        \mathbf{S}_{k} = \mathrm{cov}(\tilde{\mathbf{y}}_k)

分别表征输入、输出、系统状态变量估计以及输出误差的信号质量，式（6）通过三个信号的协方差计算得出校正增益阵，基本上是信号质量越好（协方差越小），则在校正矩阵计算结果中所起的作用越大。状态估计协方差则由输入误差引入并根据输出误差进行校正，如下式。

        \mathbf{P}_{k|k} = (I - \mathbf{K}_k \mathbf{H}_k) \mathbf{P}_{k|k-1}                                                                               （9）

综上所述，卡尔曼滤波是一个模拟对象系统进行估计和校正的估计方法。在实际工程应用中，建立对象的数学模型，并估计对象的输入和输出噪声方差，即可以应用卡尔曼滤波来估计对象的内部状态。

你可能感兴趣的:(算法研究,卡尔曼滤波)

  • 用了这么多年的PCA可视化竟然是错的！！！ 生信宝典
    本文启发于上周开的单细胞转录组课程，本次课程由资深单细胞算法研究者戴老师主讲，深入浅出，各部分分析原理从理论到应用层面解释透彻，最新流程，最新代码，绝对值得学习。课程尚未结束，我就迫不及待向一位未能安排出时间参加此课程的老友及时安利了视频课。言归正传，介绍培训课程的一张幻灯片：很多PCA可视化结果都是不合适的。PCA或PCoA是常用的降维工具，之前有几篇文章介绍PCA的原理和可视化。一文看懂PCA
  • 点云从入门到精通技术详解100篇-点云特征学习模型及其在配准中的应用 格图素书 学习
    目录前言应用前景国内外研究现状点云特征提取算法研究现状点云配准算法研究现状相关理论基础2.1深度学习2.1.1深度学习概述2.1.2自编码器2.1.3稀疏编码2.1.4受限玻尔兹曼机2.2多层感知机2.2.1多层感知机概述2.2.2感知器与多层感知机2.2.3多层感知机的训练2.3点云配准方法2.3.1无点对应关系的点云配准方法2.3.2基于对应关系的点云配准方法2.4评价指标2.4.1点云配准评
  • windows系统huggingface连接不上的解决方案 herosunly windowshuggingface连接不上解决方案
      大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于大模型算法的研究与应用。曾担任百度千帆大模型比赛、BPAA算法大赛评委，编写微软OpenAI考试认证指导手册。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。授权多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。  
  • 【概率图与随机过程】01 一维高斯分布：极大似然与无偏性 石 溪 机器学习中的数学（全集）概率论图论自然语言处理机器学习人工智能
    在这个专栏中，我们开篇首先介绍高斯分布，他的重要性体现在两点：第一：依据中心极限定理，当样本量足够大的时候，任意分布的均值都趋近于一个高斯分布，这是在整个工程领域体现出该分布的一种普适性；第二：高斯分布是后续许多模型的根本基础，例如线性高斯模型（卡尔曼滤波）、高斯过程等等。因此我们首先在这一讲当中，结合一元高斯分布，来讨论一下极大似然估计，估计的有偏性、无偏性等基本建模问题。1.极大似然估计问题背
  • Langchain-Chatchat本地部署的解决方案 herosunly 大模型RAGlangchain-chat本地部署解决方案
      大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于大模型算法的研究与应用。曾担任百度千帆大模型比赛、BPAA算法大赛评委，编写微软OpenAI考试认证指导手册。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。授权多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。  
  • 基于华为昇腾910B和LLaMA Factory多卡微调的实战教程 herosunly 大模型微调华为昇腾910B多卡微调实战教程
      大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于大模型算法的研究与应用。曾担任百度千帆大模型比赛、BPAA算法大赛评委，编写微软OpenAI考试认证指导手册。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。授权多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。  
  • EKF+PF的MATLAB例程 Evand J matlab开发语言
    EKF+PF扩展卡尔曼滤波与粒子滤波的MATLAB程序，有中文注释程序源码%EKF+PF效果对比%author:Evand%作者联系方式：[email protected]（除前期达成一致外，咨询需付费）%date:2024-1-10%Ver2clear;clc;closeall;rng(0);%%参数设置N=100;%粒子总数
  • 基于二阶卡尔曼滤波的陀螺仪及加速度计信号融合的姿态角度测量 星e雨 嵌入式
    ★基于陀螺仪及加速度计信号融合的姿态角度测量1、系统组成本文所采用的姿态角度测控系统主要由加速度计、陀螺仪、微控制器、滤波电路、电机调速器、无刷电机等部分组成.姿态检测系统的硬件平台如图1,由微处理器对陀螺仪、滤波电路和加速度计构成的传感器组进行高速A/D采样后,通过卡尔曼滤波器对传感器数据进行补偿和信息融合,得到准确的姿态角度信号,此角度信号再通过PID控制器运算,输出给电子调速器转换成PWM信
  • 【机器学习案例6】使用机器学习从图像中提取突出的颜色（含源码） suoge223 机器学习实用指南机器学习人工智能python
    专栏导读作者介绍：工学博士，高级工程师，专注于工业软件算法研究本文已收录于专栏：《机器学习实用指南》本专栏旨在提供1.机器学习经典案例及源码；2.开源机器学习训练数据集；3.机器学习前沿专业博文。以案例的形式从实用的角度出发，快速上手机器学习项目，在案例中成长，摆脱按部就班填鸭式教学。欢迎订阅专栏，订阅用户可私聊进入机器学习交流群（知识交流、问题解答），并获赠丰厚的机器学习相关学习资料（教材、源码
  • 【机器学习案例7】计算机视觉中的小物体检测：基于补丁的方法 suoge223 机器学习实用指南机器学习计算机视觉人工智能
    专栏导读作者简介：工学博士，高级工程师，专注于工业软件算法研究本文已收录于专栏：《机器学习实用指南》本专栏旨在提供1.机器学习经典案例及源码；2.开源机器学习训练数据集；3.机器学习前沿专业博文。以案例的形式从实用的角度出发，快速上手机器学习项目，在案例中成长，摆脱按部就班填鸭式教学。欢迎订阅专栏，订阅用户可私聊进入机器学习交流群（知识交流、问题解答），并获赠丰厚的机器学习相关学习资料（教材、源码
  • 计算机设计大赛 深度学习人体跌倒检测 -yolo 机器视觉 opencv python iuerfee python
    0前言优质竞赛项目系列，今天要分享的是**基于深度学习的人体跌倒检测算法研究与实现**该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：5分更多资料,项目分享：https://gitee.com/dancheng-senior/postgraduate1.前言人体跌倒是人们日常生活中常见姿态之一，且跌倒的发生具有随机、难
  • java排序算法研究-复制代码即可运行 ssttIsme
    一、排序算法分类使用内存的为内排序，内外存结合使用的为外排序内排序：所有排序操作都在内存中完成；外排序：由于数据太大，因此把数据放在磁盘中，而排序通过磁盘和内存的数据传输才能进行；二、稳定性稳定：如果a原本在b前面，而a=b，排序之后a仍然在b的前面；不稳定：如果a原本在b的前面，而a=b，排序之后a可能会出现在b的后面；时间复杂度：一个算法执行所耗费的时间。空间复杂度：运行完一个程序所需内存的大
  • WebRTC 中带宽估计与拥塞控制算法 逆风了我 WebRTCwebrtc
    WebRTC中的带宽估计与拥塞控制算法有很多，以下是其中几种：-GCC（GoogleCongestionControl）：基于丢包的带宽估计，其基本思想是根据丢包的多少来判断网络的拥塞程度。丢包越多则认为网络越拥塞，发送速率就需要降低；如果没有丢包，则说明网络状况较好，可以提高发送码率以探测是否有更多的带宽可用。-Goog-REMB：基于接收端的延迟算法，利用延迟值，通过卡尔曼滤波器估计出下一时刻
  • 扩展卡尔曼滤波与粒子滤波例程 Evand J 算法人工智能
    三维滤波，非线性系统状态与非线性观测，使用EKF和PF进行滤波，输出滤波值曲线与误差对比，MATLAB程序如下：%EKF+PF效果对比%author:Evand%作者联系方式：[email protected]（除前期达成一致外，咨询需付费）%date:2024-1-10%Ver2clear;clc;closeall;%%参数设置N=100;%粒子总数t=1:1:
  • 【图像分割】基于粒子群算法优化最大类间方差PSO-OTSU图像分割算法研究附Matlab代码 天天Matlab代码科研顾问 图像处理算法matlab开发语言
    ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。个人主页：Matlab科研工作室个人信条：格物致知。更多Matlab完整代码及仿真定制内容点击智能优化算法神经网络预测雷达通信无线传感器电力系统信号处理图像处理路径规划元胞自动机无人机内容介绍摘要图像分割是计算机视觉领域的一项基本任务，其目的是将图像划分为具有相似特征的区域。最大类间方差（OT
  • 卡尔曼滤波详解（1） 见牛羊 人工智能人工智能数学建模
    目录1.核心思想2.五个公式的解读2.1预测部分2.2更新部分3.公式的实际应用4.调参方法1.核心思想首先，卡尔曼滤波器可以用来估计系统的状态，这个状态是时间序列上的，利用上一时刻的状态可以预测当前时刻的状态，利用当前时刻的观测可以更新和修正当前时刻的预测。这么说可能有点绕，看下图。绿色的x表示系统的状态，y表示对系统状态的观测，蓝色的x表示修正后的状态。卡尔曼滤波的核心思想，就是用利用蓝色进行
  • EKF与UKF对比，三维状态量滤波 Evand J 人工智能matlab
    扩展卡尔曼滤波EKF与无迹卡尔曼滤波UKF的MATLAB程序，程序源码：%EKF+UKF效果对比%author:Evand%作者联系方式：[email protected]（除前期达成一致外，付费咨询）%date:2023-11-07%Ver1clear;clc;closeall;%%滤波模型初始化t=1:1:1000;Q=1*
  • 【嵌入式开发】80 少年郎123456 单片机嵌入式硬件stm32fpga开发
    【嵌入式开发】STM32在四轴无人机开发中实现飞行控制主要通过以下步骤：读取传感器数据：STM32通过I2C、SPI等接口与各种传感器进行通信，如陀螺仪、加速度计、磁力计等。它定时读取这些传感器的原始数据，这些数据反映了无人机的姿态、位置和速度等信息。数据处理与姿态解算：读取到的原始数据通常包含噪声和误差，需要进行滤波和处理。STM32运行相应的算法对这些数据进行处理，如卡尔曼滤波、互补滤波等，以
  • YOLO系列详解（YOLOV1-YOLOV3） X.AI666 深度学习yolo
    YOLO算法简介本文主要介绍YOLO算法，包括YOLOv1、YOLOv2/YOLO9000和YOLOv3。YOLO算法作为one-stage目标检测算法最典型的代表，其基于深度神经网络进行对象的识别和定位，运行速度很快，可以用于实时系统。了解YOLO是对目标检测算法研究的一个必须步骤。目标检测思路目标检测属于计算机视觉的一个中层任务，该任务可以细化为目标定位与目标识别两个任务，简单来说，找到图片中
  • 无人机飞控算法原理基础研究，多旋翼无人机的飞行控制算法理论详解，无人机飞控软件架构设计 创小董 无人机技术无人机算法
    多旋翼无人机的飞行控制算法主要涉及到自动控制器、捷联式惯性导航系统、卡尔曼滤波算法和飞行控制PID算法等部分。自动控制器是无人机飞行控制的核心部分，它负责接收来自无人机传感器和其他系统的信息，并根据预设的算法和逻辑，对无人机的姿态、速度、位置等进行控制。控制器通过控制无人机的电机，使无人机能够按照期望的姿态、速度和位置进行飞行。捷联式惯性导航系统则是一种自主式的导航方法，利用载体上的加速度计、陀螺
  • OCCT几何内核开发-brep数据结构 stonewu occt几何内核brep
    OpenCascade提供了TopExp_Explorer类，可以遍历模型中的face、edge等。为了方便分析研究模型的构成，《OpenCascade插件化三维算法研究平台》开发了模型遍历及数据浏览功能。做这个功能的目的是从数据层面，去分析模型处理的结果，方便开展下一步的研究工作：算法研究、数据库存储、协同设计等。参考示例代码：voidlistAll(QTreeWidgetItem*item,c
  • Python 算法集 Aaronlan
    01目录环境需求怎样使用本地化扩展卡尔曼滤波本地化无损卡尔曼滤波本地化粒子滤波本地化直方图滤波本地化映射高斯网格映射光线投射网格映射k均值物体聚类圆形拟合物体形状识别SLAM迭代最近点匹配EKFSLAMFastSLAM1.0FastSLAM2.0基于图的SLAM路径规划动态窗口方式基于网格的搜索迪杰斯特拉算法A*算法势场算法模型预测路径生成路径优化示例查找表生成示例状态晶格规划均匀极性采样（Uni
  • 挑战杯 python+深度学习+opencv实现植物识别算法系统 laafeer python
    0前言优质竞赛项目系列，今天要分享的是基于深度学习的植物识别算法研究与实现学长这里给一个题目综合评分(每项满分5分)难度系数：4分工作量：4分创新点：4分更多资料,项目分享：https://gitee.com/dancheng-senior/postgraduate2相关技术2.1VGG-Net模型GoogleDeepMind公司研究员与牛津大学计算机视觉组在2014年共同研发出了一种全新的卷积神
  • 第1章 数字基础 猫三他爹
    引在本章中，我们将尝试讨论整个文本中使用的所有数值技术。我们将首先讨论向量和矩阵，并说明在应用卡尔曼滤波方程时我们需要知道的各种操作。接下来，我们将展示如何使用两种不同的数值积分技术来求解线性和非线性微分方程。当我们必须将表示现实世界的微分方程整合在用于评估卡尔曼滤波器性能的模拟中时，数值积分技术是必要的。此外，有时需要数值积分技术来传播来自非线性微分方程的状态。接下来，我们将回顾用于表示随机现象
  • 计算huggingface模型占用硬盘空间的实战代码 herosunly 类GPT工具使用技巧和论文解读huggingface模型空间计算模型空间实战代码
      大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。  本文主要介绍了计算huggingface模型占用硬盘空间的实战代码，希望对学习大语言模
  • 计算机设计大赛 深度学习+opencv+python实现车道线检测 - 自动驾驶 iuerfee python
    文章目录0前言1课题背景2实现效果3卷积神经网络3.1卷积层3.2池化层3.3激活函数：3.4全连接层3.5使用tensorflow中keras模块实现卷积神经网络4YOLOV56数据集处理7模型训练8最后0前言优质竞赛项目系列，今天要分享的是**基于深度学习的自动驾驶车道线检测算法研究与实现**该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数
  • 计算机设计大赛 深度学习+opencv+python实现昆虫识别 -图像识别 昆虫识别 iuerfee python
    文章目录0前言1课题背景2具体实现3数据收集和处理3卷积神经网络2.1卷积层2.2池化层2.3激活函数：2.4全连接层2.5使用tensorflow中keras模块实现卷积神经网络4MobileNetV2网络5损失函数softmax交叉熵5.1softmax函数5.2交叉熵损失函数6优化器SGD7学习率衰减策略6最后0前言优质竞赛项目系列，今天要分享的是**基于深度学习的昆虫识别算法研究与实现**
  • 室内定位系列 _49_
    室内定位系列（一）——WiFi位置指纹（译）室内定位系列（二）——仿真获取RSS数据室内定位系列（三）——位置指纹法的实现（KNN）室内定位系列（四）——位置指纹法的实现（测试各种机器学习分类器）室内定位系列（五）——目标跟踪（卡尔曼滤波）室内定位系列（六）——目标跟踪（粒子滤波）
  • 人工智能专业毕业设计最新最全选题精华汇总-持续更新中 HaiLang_IT 毕业设计开题指导毕业设计选题毕设选题教程人工智能毕业设计选题深度学习卷积神经网络计算机视觉机器学习
    大四是整个大学期间最忙碌的时光，一边要忙着准备考研、考公、考教资或者实习为毕业后面临的升学就业做准备,一边要为毕业设计耗费大量精力。学长给大家整理了人工智能专业方向最新精选选题，如遇选题困难或选题有任何疑问，都可以问学长哦(见文末)!目录开题指导建议更多精选选题选题指导最后基于机器学习的手写数字识别系统设计基于深度学习的图像分类算法研究基于卷积神经网络的人脸识别系统设计基于自然语言处理的情感分析算
  • 互联网加竞赛 基于深度学习的动物识别 - 卷积神经网络 机器视觉 图像识别 Mr.D学长 pythonjava
    文章目录0前言1背景2算法原理2.1动物识别方法概况2.2常用的网络模型2.2.1B-CNN2.2.2SSD3SSD动物目标检测流程4实现效果5部分相关代码5.1数据预处理5.2构建卷积神经网络5.3tensorflow计算图可视化5.4网络模型训练5.5对猫狗图像进行2分类6最后0前言优质竞赛项目系列，今天要分享的是基于深度学习的动物识别算法研究与实现该项目较为新颖，适合作为竞赛课题方向，学长非
  • web前段跨域nginx代理配置 刘正强 nginxcmsWeb
    nginx代理配置可参考server部分 server {         listen       80;         server_name  localhost;
  • spring学习笔记 caoyong spring
    一、概述     a>、核心技术 : IOC与AOP b>、开发为什么需要面向接口而不是实现     接口降低一个组件与整个系统的藕合程度，当该组件不满足系统需求时，可以很容易的将该组件从系统中替换掉，而不会对整个系统产生大的影响 c>、面向接口编口编程的难点在于如何对接口进行初始化,(使用工厂设计模式)
  • Eclipse打开workspace提示工作空间不可用 0624chenhong eclipse
    做项目的时候，难免会用到整个团队的代码，或者上一任同事创建的workspace， 1.电脑切换账号后，Eclipse打开时，会提示Eclipse对应的目录锁定，无法访问，根据提示，找到对应目录，G:\eclipse\configuration\org.eclipse.osgi\.manager，其中文件.fileTableLock提示被锁定。 解决办法，删掉.fileTableLock文件，重
  • Javascript 面向对面写法的必要性？ 一炮送你回车库 JavaScript
    现在Javascript面向对象的方式来写页面很流行，什么纯javascript的mvc框架都出来了：ember 这是javascript层的mvc框架哦,不是j2ee的mvc框架   我想说的是，javascript本来就不是一门面向对象的语言，用它写出来的面向对象的程序，本身就有些别扭，很多人提到js的面向对象首先提的是：复用性。那么我请问你写的js里有多少是可以复用的，用fu
  • js array对象的迭代方法 换个号韩国红果果 array
    1.forEach 该方法接受一个函数作为参数， 对数组中的每个元素 使用该函数  return 语句失效 function square(num) { print(num, num * num); } var nums = [1,2,3,4,5,6,7,8,9,10]; nums.forEach(square); 2.every 该方法接受一个返回值为布尔类型
  • 对Hibernate缓存机制的理解 归来朝歌 session一级缓存对象持久化
    在hibernate中session一级缓存机制中，有这么一种情况： 问题描述：我需要new一个对象，对它的几个字段赋值，但是有一些属性并没有进行赋值，然后调用 session.save()方法，在提交事务后，会出现这样的情况： 1：在数据库中有默认属性的字段的值为空 2：既然是持久化对象，为什么在最后对象拿不到默认属性的值？ 通过调试后解决方案如下： 对于问题一，如你在数据库里设置了
  • WebService调用错误合集 darkranger webservice
     Java.Lang.NoClassDefFoundError: Org/Apache/Commons/Discovery/Tools/DiscoverSingleton 调用接口出错， 一个简单的WebService import org.apache.axis.client.Call;import org.apache.axis.client.Service; 首先必不可
  • JSP和Servlet的中文乱码处理 aijuans Java Web
    JSP和Servlet的中文乱码处理 前几天学习了JSP和Servlet中有关中文乱码的一些问题，写成了博客，今天进行更新一下。应该是可以解决日常的乱码问题了。现在作以下总结希望对需要的人有所帮助。我也是刚学，所以有不足之处希望谅解。 一、表单提交时出现乱码： 在进行表单提交的时候，经常提交一些中文，自然就避免不了出现中文乱码的情况，对于表单来说有两种提交方式：get和post提交方式。所以
  • 面试经典六问 atongyeye 工作面试
    题记：因为我不善沟通，所以在面试中经常碰壁，看了网上太多面试宝典，基本上不太靠谱。只好自己总结，并试着根据最近工作情况完成个人答案。以备不时之需。 以下是人事了解应聘者情况的最典型的六个问题： 1 简单自我介绍 关于这个问题，主要为了弄清两件事，一是了解应聘者的背景，二是应聘者将这些背景信息组织成合适语言的能力。 我的回答：(针对技术面试回答，如果是人事面试，可以就掌
  • contentResolver.query()参数详解 百合不是茶 androidquery()详解
    收藏csdn的博客,介绍的比较详细,新手值得一看 1.获取联系人姓名 一个简单的例子，这个函数获取设备上所有的联系人ID和联系人NAME。 [java]  view plain copy   public void fetchAllContacts() {      
  • ora-00054:resource busy and acquire with nowait specified解决方法 bijian1013 oracle数据库killnowait
            当某个数据库用户在数据库中插入、更新、删除一个表的数据，或者增加一个表的主键时或者表的索引时，常常会出现ora-00054:resource busy and acquire with nowait specified这样的错误。主要是因为有事务正在执行（或者事务已经被锁），所有导致执行不成功。 1.下面的语句
  • web 开发乱码 征客丶 springWeb
    以下前端都是 utf-8 字符集编码 一、后台接收 1.1、 get 请求乱码 get 请求中，请求参数在请求头中； 乱码解决方法： a、通过在web 服务器中配置编码格式：tomcat 中，在 Connector 中添加URIEncoding="UTF-8"； 1.2、post 请求乱码 post 请求中，请求参数分两部份， 1.2.1、url？参数，
  • 【Spark十六】： Spark SQL第二部分数据源和注册表的几种方式 bit1129 spark
    Spark SQL数据源和表的Schema case class apply schema parquet json JSON数据源 准备源数据 {"name":"Jack", "age": 12, "addr":{"city":"beijing&
  • JVM学习之:调优总结 -Xms -Xmx -Xmn -Xss BlueSkator -Xss-Xmn-Xms-Xmx
      堆大小设置JVM 中最大堆大小有三方面限制：相关操作系统的数据模型（32-bt还是64-bit）限制；系统的可用虚拟内存限制；系统的可用物理内存限制。32位系统下，一般限制在1.5G~2G；64为操作系统对内存无限制。我在Windows Server 2003 系统，3.5G物理内存，JDK5.0下测试，最大可设置为1478m。典型设置： java -Xmx355
  • jqGrid 各种参数 详解(转帖) BreakingBad jqGrid
      jqGrid 各种参数 详解 分类：  源代码分享  个人随笔请勿参考  解决开发问题 2012-05-09 20:29   84282人阅读   评论(22)   收藏   举报 jquery 服务器 parameters function ajax string  
  • 读《研磨设计模式》-代码笔记-代理模式-Proxy bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ import java.lang.reflect.InvocationHandler; import java.lang.reflect.Method; import java.lang.reflect.Proxy; /* * 下面
  • 应用升级iOS8中遇到的一些问题 chenhbc ios8升级iOS8
    1、很奇怪的问题，登录界面，有一个判断，如果不存在某个值，则跳转到设置界面，ios8之前的系统都可以正常跳转，iOS8中代码已经执行到下一个界面了，但界面并没有跳转过去，而且这个值如果设置过的话，也是可以正常跳转过去的，这个问题纠结了两天多，之前的判断我是在 -(void)viewWillAppear:(BOOL)animated  中写的，最终的解决办法是把判断写在 -(void
  • 工作流与自组织的关系？ comsci 设计模式工作
      目前的工作流系统中的节点及其相互之间的连接是事先根据管理的实际需要而绘制好的，这种固定的模式在实际的运用中会受到很多限制，特别是节点之间的依存关系是固定的，节点的处理不考虑到流程整体的运行情况，细节和整体间的关系是脱节的，那么我们提出一个新的观点，一个流程是否可以通过节点的自组织运动来自动生成呢？这种流程有什么实际意义呢？   这里有篇论文，摘要是：“针对网格中的服务
  • Oracle11.2新特性之INSERT提示IGNORE_ROW_ON_DUPKEY_INDEX daizj oracle
    insert提示IGNORE_ROW_ON_DUPKEY_INDEX 转自：http://space.itpub.net/18922393/viewspace-752123 在 insert into tablea ...select * from tableb中，如果存在唯一约束，会导致整个insert操作失败。使用IGNORE_ROW_ON_DUPKEY_INDEX提示，会忽略唯一
  • 二叉树:堆 dieslrae 二叉树
        这里说的堆其实是一个完全二叉树,每个节点都不小于自己的子节点,不要跟jvm的堆搞混了.由于是完全二叉树,可以用数组来构建.用数组构建树的规则很简单:     一个节点的父节点下标为: (当前下标 - 1)/2     一个节点的左节点下标为: 当前下标 * 2 + 1   &
  • C语言学习八结构体 dcj3sjt126com c
    为什么需要结构体，看代码 # include <stdio.h> struct Student //定义一个学生类型，里面有age, score, sex, 然后可以定义这个类型的变量 { int age; float score; char sex; } int main(void) { struct Student st = {80, 66.6,
  • centos安装golang dcj3sjt126com centos
    #在国内镜像下载二进制包 wget -c  http://www.golangtc.com/static/go/go1.4.1.linux-amd64.tar.gz tar -C /usr/local -xzf go1.4.1.linux-amd64.tar.gz   #把golang的bin目录加入全局环境变量 cat >>/etc/profile<
  • 10.性能优化-监控-MySQL慢查询 frank1234 性能优化MySQL慢查询
    1.记录慢查询配置 show variables where variable_name like 'slow%' ; --查看默认日志路径 查询结果：--不用的机器可能不同 slow_query_log_file=/var/lib/mysql/centos-slow.log 修改mysqld配置文件：/usr /my.cnf[一般在/etc/my.cnf，本机在/user/my.cn
  • Java父类取得子类类名 happyqing javathis父类子类类名
      在继承关系中，不管父类还是子类，这些类里面的this都代表了最终new出来的那个类的实例对象，所以在父类中你可以用this获取到子类的信息！   package com.urthinker.module.test; import org.junit.Test; abstract class BaseDao<T> { public void
  • Spring3.2新注解@ControllerAdvice jinnianshilongnian @Controller
    @ControllerAdvice，是spring3.2提供的新注解，从名字上可以看出大体意思是控制器增强。让我们先看看@ControllerAdvice的实现：   @Target(ElementType.TYPE) @Retention(RetentionPolicy.RUNTIME) @Documented @Component public @interface Co
  • Java spring mvc多数据源配置 liuxihope spring
    转自：http://www.itpub.net/thread-1906608-1-1.html 1、首先配置两个数据库 <bean id="dataSourceA" class="org.apache.commons.dbcp.BasicDataSource" destroy-method="close&quo
  • 第12章 Ajax（下） onestopweb Ajax
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • BW / Universe Mappings blueoxygen BO
      BW Element OLAP Universe Element Cube  Dimension Class Charateristic A class with dimension and detail objects (Detail objects for key and desription) Hi
  • Java开发熟手该当心的11个错误 tomcat_oracle java多线程工作单元测试
    #1、不在属性文件或XML文件中外化配置属性。比如，没有把批处理使用的线程数设置成可在属性文件中配置。你的批处理程序无论在DEV环境中，还是UAT（用户验收 测试）环境中，都可以顺畅无阻地运行，但是一旦部署在PROD 上，把它作为多线程程序处理更大的数据集时，就会抛出IOException，原因可能是JDBC驱动版本不同，也可能是#2中讨论的问题。如果线程数目 可以在属性文件中配置，那么使它成为
  • 推行国产操作系统的优劣 yananay windowslinux国产操作系统
    最近刮起了一股风，就是去“国外货”。从应用程序开始，到基础的系统，数据库，现在已经刮到操作系统了。原因就是“棱镜计划”，使我们终于认识到了国外货的危害，开始重视起了信息安全。操作系统是计算机的灵魂。既然是灵魂，为了信息安全，那我们就自然要使用和推行国货。可是，一味地推行，是否就一定正确呢？ 先说说信息安全。其实从很早以来大家就在讨论信息安全。很多年以前，就据传某世界级的网络设备制造商生产的交
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他