其他

雷射雷達擷取的資訊是和周圍物體之間的距離資訊，在移動機器人尤其是自主移動機器人領域具有非常廣泛的應用，那我們就從移動機器人的自主導航開始聊吧。 移動機器人導航是指移動機器人依靠感應器在特定環境中，按時間最優、路徑最短或能耗最低等準則實現從起始位置到目標位置的無碰撞運動。 傳統的移動機器人導航問題包含三大要素：地圖建立、定位和運動控制，通過三大要素，解決三個基本問題：我在哪裡。我要去哪裡。如何去。 機器人定位的目的是回答“我在什麼地方。”這個基本的問題。

出處：http://write.blog.csdn.net/postlist 除了直線，在雷射雷達擷取的資料中，最重要的就是圓弧了，圓弧的位置確定本生沒有直線的精度高， 因此不適合用作定位的基準，但是機器人在執行動作時，需要確定圓弧的位置，或則根據圓弧確定目標是 什麼或者目標的位置。 圓弧的檢測包括圓弧的位置（x,y）和大小r，常用的方法包括Hough變換和最小二乘法擬合。 一般圓弧位置檢測的精度比較低，不能作為定位的標準，不過可以確定機器人和目標之間的位置。

迴圈神經網路教程-第一部分 RNN介紹 迴圈神經網路(RNN)是非常流行的模型，它在許多NLP任務上都表現出了巨大的潛力。雖然它很流行，但是詳細介紹RNN以及如何?RNN的文章卻很少。這篇教程旨在解決上述問題，教程分為4部分： 1. 介紹RNN(這篇教程) 2. 用Tensorflow實現RNN 3. 理解BPTT後向傳播演算法以及梯度消失/爆炸問題 4. 實現GRU/LSTM

1、建立工作空間及安裝編譯rplidar包 參考[ROS學習筆記]ROS中使用雷射雷達（RPLIDAR）步驟1，連結為： http://blog.csdn.net/sdhjqhjq1/article/details/79143498 2、hector_mapping包安裝 sudo apt-get install ros-indigo-hector-slam 3、建立launch檔案

一、裝置介紹 雷射雷達型號：SICK LMS511-10100S01 (DC 24V) 電腦作業系統：Windows10 64位 接線：淘寶買的航空插頭（帶線）,主要接兩根線：Ethernet和Power（也可以擰開顯示面板旁邊的黑色旋鈕蓋，那裡有一個Mini USB B型插口） LMS5xx裝置資料和軟體下載：https://www.sick.com/de/en/detection-and-ranging-solutions/2d-laser-scanners/lms5xx/c/g1

首先我們從CVPR2016觀察一下目標檢測新進展。2016年的CVPR會議目標檢測的方法主要是基於卷積神經網路的架構，代表性的工作有ResNet（在faster R-CNN中將ResNet替換VGG）、YOLO（迴歸檢測架構）、LocNet（更精準定位）、HyperNet（神經網路高層資訊利於識別，底層特徵利於定位，高低層特徵融合）、ION（在Fast R-CNN基礎上增加上下文資訊）、G-CNN（減少潛在框）。 基本都是在faster R-CNN

與第一代TPU只能服務於機器學習模型計算不同，Google最新的TPU現在既能處理訓練也能處理服務。InfoQ年初曾詳細介紹過第一代TPU白皮書。 第二代TPU的發布時間與一周前NVIDIA發布Volta的時間高度吻合，後者是一個普通的GPU，針對TensorFlow進行了最佳化，具備經過嚴格測試的Tensor

專著《極點對稱模態分解方法—資料分析與科學探索的新途徑》已於2015.5出版，敬請關注。http://blog.sciencenet.cn/blog-686810-898163.html    最新免費ESMD軟體下載：此前曾發布過試用版，試用期截止於2013年12月30日。此後一直未曾更新。由於對ESMD方法感興趣並希望能繼續使用者頗多，我們遂決定將其放開，提供給大家免費使用。此款軟體是針對ESMD資料分析方法開發的，凡是與資料分析有關的科學探索者都可嘗試。

本文為原創文章轉載必須註明本文出處以及附上 本文地址超連結  以及 博主部落格地址：http://blog.csdn.net/qq_20259459  和 作者郵箱（ jinweizhi93@gmai.com ）。 （如果喜歡本文，歡迎大家關注我的部落格或者動手點個贊，有需要可以郵件聯絡我） 關於這篇文章，其實上個星期就很想寫了，但是一直感覺這個具有跨時代意義的題目必須得深思熟慮之後才能下筆。 首先，

2017/8/31 19:00 - 21:20 輸入一串只有1和0的串，截取子串能構成1010或010這樣的串（相鄰不重複），求構成這樣的串的最大長度 例子：輸入n 代表輸入串的長度 8 輸入：1 1 0 0 1 1 0 1 構成的子串：10101 即長度為5 輸出：5 import sysif __name__=="__main__": n=int(sys.stdin.readline().strip())

3 一顆高度為4 的平衡二叉樹，其最少節點數為() A. 5 B. 6 C. 7 D. 8 思路：假設高度為n的平衡二叉樹至少有F(n)個節點，那麼F(n)滿足:  F(n) = F(n-1) + F(n-2) + 1 (n >=2).  邊界條件為： F(0) = 0,F(1) = 1, 4 一共三個結點的二叉樹可能出現多少種結構 A. 3

1、資料庫索引可以明顯提高哪一操作的效率。 正確答案: A A SELECT B INSERT INTO … VALUES … C UPDATE D DELETE 2、資料庫：以下哪種鎖定方式能提供最佳的並行訪問效能。 正確答案: D A 列鎖定 B 表鎖定 C 塊鎖定 D 行鎖定 3、從DELETE 語句中省略WHERE 子句，將產生什麼結果。 正確答案: B A DELETE 語句將失敗因為沒有記錄可刪除 B

編程題有題號，應該是隨機抽取的。 題目大意 給定一個數列，求它的最長上升子序列的長度。 思路 - DP 很簡單的 DP ，先做的編程題，就先趕快寫了個 O(n2) 的解法便去做前面的題了。設 dp[i]表示以第i 個數為結尾的最長上升子序列的長度，狀態轉移方程為： dp[i]=max(dp[j])+1,j<i&&num[j]<num[i] 全部做完後，發現還有半個小時，就開始想 O(nlogn)

gbdt版本     MDD Cup 2017，是 美團點評內部首屆演算法大賽，主要是預測外賣的送達時間，是一個迴歸問題，簡單說一說比賽過程自己的所思所想，記錄一下。     拿到資料後，根據大賽的說明簡單分析了一下，訓練集給出的是一個月的部分資料，測試集是下一個月的資料，需要注意的是訓練集給出的是每天24h的資料，而測試集只需要預測11點和17點高峰時期兩個小時的資料，而且給出了10點和16

http://www.kisence.com/2017/05/17/unite-2017-gan-huo-zheng-li-tong-bu-pian/ Unite 2017 乾貨整理 同步篇 2017年05月17日 　　Unite 2017的一些演講做了整理。  　　本篇有幀同步和狀態同步兩個部分。  　　內容持續整理中。 幀同步 優點 　　1.開發效率較高(注:特別是對一些操作細節表現要求較高的遊戲)  　　2.能實現更強的打擊感 

NLF講的是在不考慮具體問題的情況下，沒有任何一個演算法比另一個演算法更優，甚至沒有胡亂猜測更好。 不存在一個與具體應用無關的，普遍適用的“最優分類器” 學習演算法必須要作出一個與問題領域有關的“假設”，分類器必須與問題域相適應。

就像我們中小學學習函數的時候，老師總會給我們說一句： ”一定要把定義域寫上，不寫不給分，不寫定義域誰知道是那種情況” 類比到演算法中也是如此，也就是今天的NFL理論： 《機器學習》第一章1.4小結，有證明： http://www.tup.tsinghua.edu.cn/upload/books/yz/064027-01.pdf   《機器學習》最後總結的文字： 所以，NFL定理最重要的寓意，是讓我們清楚的認識到，脫離具體問題，空泛的談論“

對抗產生網路（Generative Adversarial Nets） Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza. Generative Adversarial Nets. Advances in Neural Information Processing Systems, 2014, 3:2672-2680 Abstract：We propose a new framework for estimating

"深度學習的遷移模型"主題報告速記與評述（四）   紅豆家的白楚先森  關注 2017.11.04 22:33*  字數 3275  閱讀 141 評論 0 喜歡 0

關於產生式對抗學習(Generative Adversarial Network, GAN)相關文章的閱讀整理以及資源匯總。 文章： Generative Adversarial Nets (2014)[paper][code] Ian Goodfellow第一篇提及產生式對抗學習的文章，開創性的工作。 – 提出了通過對抗網路來估計產生模型。 – 理論闡述了模型的損失函數及其訓練方法。 代碼已經整合到Theano等機器學習架構中。 Unsupervised