竞彩足球欧罗巴,足球500,网彩,彩吧助手官网,2024年中超联赛最新赛程表,竞彩足球让球胜平负让5球比赛

如今，機(jī)器學(xué)習(xí)算法被廣泛用于制造無人駕駛汽車中出現(xiàn)的，各種挑戰(zhàn)性的解決方案。通過在汽車中的ECU（電子控制單元）中結(jié)合傳感器處理數(shù)據(jù)，有必要提高機(jī)器學(xué)習(xí)的利用以完成新任務(wù)。

潛在的應(yīng)用包括通過來自不同外部和內(nèi)部傳感器（如激光雷達(dá)，雷達(dá)，攝像頭或物聯(lián)網(wǎng)）的數(shù)據(jù)融合來評估駕駛員狀況或駕駛場景分類。

運(yùn)行汽車信息娛樂系統(tǒng)的應(yīng)用程序可以從傳感器數(shù)據(jù)融合系統(tǒng)接收信息，例如，如果車輛注意到駕駛員受傷，則可以將汽車引導(dǎo)到醫(yī)院。這種基于機(jī)器學(xué)習(xí)的應(yīng)用程序還包括駕駛員的言語和手勢識別和語言翻譯。

算法分為無監(jiān)督和監(jiān)督算法，兩者之間的區(qū)別是他們?nèi)绾螌W(xué)習(xí)。

監(jiān)督算法利用訓(xùn)練數(shù)據(jù)集學(xué)習(xí)，并繼續(xù)學(xué)習(xí)，直到達(dá)到他們所期望的（最小化錯誤概率）程度。監(jiān)督算法可以分為歸類，分類和異常檢測或維數(shù)縮減。

無監(jiān)督算法嘗試從可用數(shù)據(jù)中導(dǎo)出值。這意味著，在可用數(shù)據(jù)內(nèi)，算法產(chǎn)生關(guān)系，以便檢測模式或根據(jù)它們之間的相似程度，將數(shù)據(jù)集劃分為子組。無監(jiān)督算法可以在很大程度上被分類為關(guān)聯(lián)規(guī)則學(xué)習(xí)和聚類。

加強(qiáng)算法是另一組機(jī)器學(xué)習(xí)算法，它處于無監(jiān)督和監(jiān)督學(xué)習(xí)之間。對于每個訓(xùn)練示例，在監(jiān)督學(xué)習(xí)中有一個目標(biāo)標(biāo)簽; 在無監(jiān)督的學(xué)習(xí)中完全沒有標(biāo)簽; 強(qiáng)化學(xué)習(xí)包括時間延遲和稀疏標(biāo)簽 - 未來的獎勵。

代理學(xué)習(xí)根據(jù)這些獎勵在環(huán)境中的行為。了解算法的局限性和優(yōu)點(diǎn)，并開發(fā)高效的學(xué)習(xí)算法是強(qiáng)化學(xué)習(xí)的目標(biāo)。強(qiáng)化學(xué)習(xí)可以解決大量實(shí)際應(yīng)用，從AI的問題到控制工程或操作研究，這些都與開發(fā)自駕車相關(guān)。這可以分為間接學(xué)習(xí)和直接學(xué)習(xí)。

在自主汽車中，機(jī)器學(xué)習(xí)算法的主要任務(wù)之一是連續(xù)渲染周圍環(huán)境，并預(yù)測可能對這些環(huán)境造成的變化。這些任務(wù)分為4個子任務(wù)：

• 檢測對象
  

• 識別對象或識別對象分類
  

• 物體定位與運(yùn)動預(yù)測
  

機(jī)器學(xué)習(xí)算法被寬泛地分為4類：決策矩陣算法，集群算法，模式識別算法和回歸算法?？梢岳靡活悪C(jī)器學(xué)習(xí)算法來完成2個以上的子任務(wù)。例如，回歸算法可以用于對象定位以及對象檢測或運(yùn)動預(yù)測。

決策矩陣算法

決策矩陣算法系統(tǒng)地分析，識別和評估信息集和值之間關(guān)系的表現(xiàn)。這些算法主要用于決策。汽車是否需要制動或左轉(zhuǎn)是基于這些算法對物體的下一次運(yùn)動的識別，分類和預(yù)測的置信度。決策矩陣算法是由獨(dú)立訓(xùn)練的各種決策模型組成的模型，在某些方面，將這些預(yù)測結(jié)合起來進(jìn)行總體預(yù)測，同時降低決策中錯誤的可能性。

AdaBoosting

AdaBoosting是最常用的算法。自適應(yīng)提升或AdaBoost是可以用于回歸或分類的多種學(xué)習(xí)算法的組合。與任何其他機(jī)器學(xué)習(xí)算法相比，它克服了過度擬合，并且通常對異常值和噪聲數(shù)據(jù)敏感。為了創(chuàng)建一個復(fù)合強(qiáng)大的學(xué)習(xí)者，AdaBoost使用多次迭代。

因此，它可以很好的適應(yīng)。通過迭代添加弱勢學(xué)習(xí)者，AdaBoost創(chuàng)造了一個強(qiáng)大的學(xué)習(xí)者。一個新的弱學(xué)習(xí)者被附加到實(shí)體和權(quán)衡載體，以調(diào)整被之前幾輪錯誤分類的例子。結(jié)果是，具有比弱學(xué)習(xí)者的分類器高得多的分類器。

AdaBoost有助于將弱閾值分類器提升為強(qiáng)分類器。上面的圖像描繪了AdaBoost在一個可以理解的代碼的單個文件中的實(shí)現(xiàn)。該函數(shù)包含一個弱分類器和boosting組件。

弱分類器嘗試在數(shù)據(jù)維度之一中定位理想閾值，將數(shù)據(jù)分為2類。分類器通過迭代部分調(diào)用，并且在每個分類步驟之后，它改變了錯誤分類示例的權(quán)重。正因?yàn)槿绱耍瑒?chuàng)建弱分類器的級聯(lián)行為就像一個強(qiáng)分類器。

聚類算法

有時，由系統(tǒng)獲取的圖像不清楚，難以定位和檢測對象。有時，分類算法有可能丟失對象，在這種情況下，它們無法對系統(tǒng)進(jìn)行分類并將其報(bào)告給系統(tǒng)?？赡艿脑蚩赡苁遣贿B續(xù)數(shù)據(jù)，非常少的數(shù)據(jù)點(diǎn)或低分辨率圖像。

聚類算法專門從數(shù)據(jù)點(diǎn)發(fā)現(xiàn)結(jié)構(gòu)。它描述了類的方法和類的問題，如回歸。聚類方法通常通過對分層和基于質(zhì)心的方法進(jìn)行建模來組織。所有方法都關(guān)注利用數(shù)據(jù)中的固有結(jié)構(gòu)將數(shù)據(jù)完美地組織成最大共性的組。

K-means

K-means—多類神經(jīng)網(wǎng)絡(luò)是最常用的算法，是一個著名的聚類算法。K-means存儲它用于定義集群的k質(zhì)心。如果一個點(diǎn)比任何其他質(zhì)心更接近該集群的質(zhì)心，那么這個點(diǎn)被說成是在一個特定的集群中。通過根據(jù)當(dāng)前分配數(shù)據(jù)點(diǎn)到集群和根據(jù)當(dāng)前質(zhì)心將數(shù)據(jù)點(diǎn)分配給集群，選擇質(zhì)心之間進(jìn)行交替。

K均值算法 - 簇重心被描繪為十字，訓(xùn)練示例被描繪為點(diǎn)。（a）原始數(shù)據(jù)集。（b）隨機(jī)初始聚類中心。（cf）運(yùn)行2次k-means迭代的演示。每個訓(xùn)練示例在每個迭代中分配給最接近的聚類中心，然后將每個聚類中心移動到分配給它的點(diǎn)的平均值。

模式識別算法（分類）

通過高級駕駛輔助系統(tǒng)（ADAS）中的傳感器獲得的圖像由各種環(huán)境數(shù)據(jù)組成; 需要過濾圖像以通過排除不相關(guān)的數(shù)據(jù)點(diǎn)來確定對象類別的實(shí)例。在分類對象之前，模式的識別是數(shù)據(jù)集中的重要一步。這種算法被定義為數(shù)據(jù)簡化算法。

數(shù)據(jù)簡化算法有助于減少對象的數(shù)據(jù)集邊緣和折線（擬合線段）以及圓弧到邊緣。直到一個角落，線段與邊緣對齊，并在此之后開始一個新的線段。圓弧與類似于弧的線段的序列對齊。以各種方式，將圖像的特征（圓弧和線段）組合以形成用于確定對象的特征。

**支持向量機(jī)（SVM） **

PCA（原理分量分析）和HOG（定向梯度直方圖），支持向量機(jī)（Support Vector Machines，支持向量機(jī)）是ADAS中常用的識別算法。還使用K個最近鄰（KNN）和貝葉斯決策規(guī)則。

SVM依賴于定義決策界限的決策平面概念。決策平面分離由不同的類成員組成的對象集。下圖給出了示意性示例。在這里，對象屬于RED或GREEN類。分離邊界線將紅色和綠色物體分開。任何落在左側(cè)的新對象都標(biāo)記為RED，如果它落在左邊，則將其標(biāo)記為GREEN。

回歸算法

這種算法有利于預(yù)測事件?；貧w分析評估2個或更多個變量之間的關(guān)系，并將變量的影響整理到不同的量表上，主要由3個指標(biāo)驅(qū)動：

• 回歸線的形狀
  

• 因變量的類型
  

• 自變量的數(shù)量
  

圖像（攝像機(jī)或雷達(dá)）在啟動和定位中在ADAS中起著重要作用，而對于任何算法，最大的挑戰(zhàn)是開發(fā)基于圖像的特征選擇和預(yù)測模型。

通過回歸算法來利用環(huán)境的重復(fù)性，以創(chuàng)建給定對象在圖像中的位置與該圖像之間的關(guān)系的統(tǒng)計(jì)模型。統(tǒng)計(jì)模型，通過允許圖像采樣，提供快速在線檢測，可以離線學(xué)習(xí)。它可以進(jìn)一步擴(kuò)展到其他對象，而不需要廣泛的人造型。對象的位置由算法返回，作為在線階段的輸出和對對象存在的信任。

回歸算法也可以用于短期預(yù)測，長期學(xué)習(xí)?？梢杂糜谧詣玉{駛的這種回歸算法是決策林回歸，神經(jīng)網(wǎng)絡(luò)回歸和貝葉斯回歸等。

神經(jīng)網(wǎng)絡(luò)回歸

神經(jīng)網(wǎng)絡(luò)用于回歸，分類或無監(jiān)督學(xué)習(xí)。他們對未標(biāo)記的數(shù)據(jù)進(jìn)行分組，對數(shù)據(jù)進(jìn)行分類或在監(jiān)督培訓(xùn)后對連續(xù)值進(jìn)行預(yù)測。神經(jīng)網(wǎng)絡(luò)通常在網(wǎng)絡(luò)的最后一層使用邏輯回歸的形式，將連續(xù)數(shù)據(jù)變?yōu)?或0變量。

在上圖中，“x”是輸入，從網(wǎng)絡(luò)上一層傳出的特征。進(jìn)入最后一層隱藏層的每一個節(jié)點(diǎn)，將饋送許多x，并將每個x乘以w，相應(yīng)的權(quán)重，產(chǎn)品的總和被添加并移動到激活功能。

激活功能是ReLU（整流線性單元），通常用于像Sigmoid激活功能，在淺梯度上不飽和。ReLU為每個隱藏節(jié)點(diǎn)提供一個輸出，激活a，并且激活被添加到通過激活和的輸出節(jié)點(diǎn)中。

這意味著，執(zhí)行回歸的神經(jīng)網(wǎng)絡(luò)包含單個輸出節(jié)點(diǎn)，并且該節(jié)點(diǎn)將先前層的激活總和乘以1.網(wǎng)絡(luò)的估計(jì)“y hat”將是結(jié)果。'Y hat'是所有x映射到的因變量。您可以以這種方式使用神經(jīng)網(wǎng)絡(luò)來獲取與您嘗試預(yù)測的y（一個因變量）相關(guān)的x（自變量）。

（本文來源于微信公眾號機(jī)械雞）