一.简介 注意力机制是在Encoder与Deconder架构中针对输出不同的序列（分词）在输入序列中所占权重一样，或者使用同一个C向量的不足中，引入了能够学习针对不同输出序列在不同输入序列所占的比重不同的一个机制，例如，“我喜欢足球”与“i like football”这个翻译中，‘i’这个词的翻译明显与“我”这个输入词对应，与后面“喜欢足球”的关系不大，因此，
转载
2024-04-02 11:08:10
47阅读
RNN
原创
2022-10-10 15:14:56
289阅读
1.算法描述
神经网络可以当做是能够拟合任意函数的黑盒子，只要训练数据足够，给定特定的x，就能得到希望的y，结构图如下：
RNN是一种特殊的神经网络结构, 它是根据"人的认知是基于过往的经验和记忆"这一观点提出的. 它与DNN,CNN不同的是: 它不仅考虑前一时刻的输入,而且赋予了网络对前面的内容的一种’记忆’功能.RNN之所以称为循环神经网路，即一个序列当前的输出与前
原创
2023-03-27 23:40:45
372阅读
1 base_local planner_params yaml 下面列举了导航包下config/目录下的 base_local_planner_params. yaml参数以及设定的值, 机器人在这样的设定下运行得相当好controller_ frequency:3.0每多少秒我们需要更新一次路径规划?把这个值设得太高会使性能不足的CPU过载。对于一台普通的计算机来说,设定为3到5就可以运行
不少小伙伴做两轮自平衡车或者机器人或者各种比赛时，经常需要用到直流电机带编码器，有的自己可以做外置的编码器，但是否有自带编码器或码盘的直流电机？答案是肯定的，这里就推荐几款带编码器电机：Aslong瑞士maxon电机瑞士ESCAP电机 德国Faulhaber电机 日本Namiki电机 日本TSUKASA驰卡沙注意: 减速箱可以实现编码器脉冲倍频（倍数为减速比i），因为编码盘多装在下面的直流电机上，
本文翻译于《An overview of dynamic parameter identification of robots》（网上可以找到电子版），我译了大部分内容，因为对在线识别不是特别了解，所以将其省略，感兴趣的同学可以下载来祥读。这篇论文是一篇介绍机器人动力学参数辨识的综述论文，我觉得可以作为入门文章来看，其中涉及了动力学参数辨识的流程，介绍了常用的辨识方法，还有提供了一些辨识的案例。一
转载
2024-07-22 12:34:22
435阅读
遗传算法的电池参数辨识
1、遗传算法基本思想 遗传算法（Genetic Algorithms）是一种启发式的随机非线性优化与搜索方法，用于模拟生物界的自然选择与遗传过程，从原理和实现手段等方面区别于传统数学规划的优化算法。遗传算法运算过程的实质就是对待求解问题的解群的重复迭代过程，该解群由M个初始解组成，通过不断的对解群进行交叉、变异运算和选择，即对初始解群进行遗传与进化操作，得到新一
✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。?个人主页：Matlab科研工作室?个人信条：格物致知。
原创
2023-05-04 20:08:11
527阅读
在电机的控制领域，不同的电机有不同的驱动方式，其中应用最广泛的就是PID(proportion integration differentiation)控制。P、I和D分别指比例控制，积分控制和微分控制。其算法简单可靠性高，广泛应用于工业过程控制，至今有90%左右的控制回路具有PID结构。在双轮移动机器人，大多数的电机的速度控制和反馈系统如下: 在上图
DBSCAN01 DBSCAN的原理从样本中选择一点，给定半径epsilon和圆内的最小近邻点数min_points
如果该点满足在其半径为epsilon的邻域圆内至少有min_points个近邻点，则将圆心转移到下一样本点若一样本点不满足上述条件，则重新选择样本点。按照设定的半径epsilon和min_points进行迭代聚类DBSCAN关键在于给定阈值epsilon的选择：若选择的半径过大，则
这里的思想主要是广义旁瓣相消器是LCMV的一种等效的结构。其主要涉及到的公式有：这个降秩矩阵S的计算公式，和原论文相同
原创
2022-10-10 15:26:02
106阅读
过拟合现象 一般来说，量化研究员在优化其交易策略参数时难免会面临这样一个问题：优化过后的策略在样本内表现一般来说均会超过其在样本外的表现，即参数过拟合。
对于参数优化来说，由于优化时存在噪音，过拟合是不可避免的现象。然而为了追求策略的稳定性，我们应当尽可能地使过拟合风险最小化。
为了检测在一个策略的参数优化过程中的过拟合风险，David H. Bailey等人在2015年发表了一篇名为《
转载
2024-02-26 20:56:12
56阅读
1.47.Pytorch实现基本循环神经网络RNN (3)Recurrent Neural networks(Rumelhart, 1986)主要用来处理序列型数据，具有对以往数据的记忆功能。下图所示，输入为input和一个状态Hidden0, 输出为output和hidden1. 一般地，对输入到RNN进行处理的第t个数据，也就是第t时刻，输出的隐藏状态可以表示为： 在RNN对序列数据进行处理时
转载
2023-10-18 17:22:41
92阅读
文章目录RNN标准RNN代码 RNN标准RNN 在PyTorch中的调用也非常简单，使用 nn.RNN（）即可调用，下面依次介绍其中的参数。 RNN() 里面的参数有input_size 表示输入 xt 的特征维度hidden_size 表示输出的特征维度num_layers 表示网络的层数 nonlinearity 表示选用的非线性激活函数，默认是 ‘tanh’ bias 表示是否使用偏置，默
转载
2023-08-20 19:37:08
131阅读
一、 tf.nn.dynamic_rnn的输出
tf.nn.dynamic_rnn的输入参数如下tf.nn.dynamic_rnn(
cell,
inputs,
sequence_length=None,
initial_state=None,
dtype=None,
parallel_iterations=None,
swa
转载
2024-08-06 11:01:17
54阅读
上期我们一起学习了静态RNN和动态RNN的区别，深度学习算法(第16期)----静态RNN和动态RNN我们知道之前学过的CNN的输入输出都是固定长度，今天我们一起学习下RNN是怎么处理变化长度的输入输出的？1. 处理变化长度的输入到目前为止，我们已经知道在RNN中怎么使用固定长度的输入，准确的说是两个时刻长度的输入，但是如果输入的序列是变化长度的呢？比如一个句子。这种情况下，当我们调用dynami
转载
2024-08-12 13:17:26
81阅读
目录1.RNN基础模型2.LSTM3.流程结构1.RNN基础模型RNN主要特点是，在DNN隐藏层的输出内容会被存储，并且可以作为输入给到下一个神经元。如下图所示，当“台北”这个词被输入的时候，前面的词有可能是“离开“，有可能是”到达“，如果把上一次输入的”离开“，所得的隐藏层内容，输入给下一层，这样就有可能区分开是”离开台北“，还是”到达台北“。如果隐藏层存储的内容并给下次使用，叫做Elman N
转载
2024-02-23 23:12:42
60阅读
上次通过pytorch实现了RNN模型，简易的完成了使用RNN完成mnist的手写数字识别，但是里面的参数有点不了解，所以对问题进行总结归纳来解决。 总述：第一次看到这个函数时，脑袋有点懵，总结了下总共有五个问题：1.这个input_size是啥？要输入啥？feature num又是啥？2.这个hidden_size是啥？要输入啥？feature num又是啥？3.不是说RNN会有很多个
转载
2023-07-17 12:48:42
94阅读
from keras.optimizers import Adam, SGD
1.Keras参数optimizers定义:optimizer是优化器(优化参数的算法)
可用的优化器:
1.SGD(随机梯度下降)
from keras.optimizers import SGD
sgd = SGD(lr=0.01,momentum=0,decay=0,nesterov=False)
lr:
转载
2024-09-14 14:20:27
23阅读
总述：第一次看到这个函数时，脑袋有点懵，总结了下总共有五个问题：1.这个input_size是啥？要输入啥？feature num又是啥？2.这个hidden_size是啥？要输入啥？feature num又是啥？3.不是说RNN会有很多个节点连在一起的吗？这怎么定义连接的节点数呢？4.num_layer中说的stack是怎么stack的？5.怎么输出会有两个东西呀output，hn此篇博客介绍p
转载
2023-11-10 05:46:44
67阅读
