fig

有关代码及word文档请关注公众号“浮光倾云”，后台回复A010.02即可获取 一、单级倒立摆概述 　　倒立摆是处于倒置不稳定状态，人为控制使其处于动态平衡的一种摆，是一类典型的快速、多变量、非线性、强耦合、自然不稳定系统。由于在实际中存在很多类似的系统，因此对它的研究在理论上和方法上均有重要意义。 　　单级倒立摆系统 （ Simple Inverted Pendulum System ） 是由倒立摆和小车两部分组成。小车依靠直流电动机施加控制力，可以在导轨上左右移动，其控制目标是在有限长导轨上使倒立摆能够稳定竖立在小车上而不倒，达到动态平衡 [1] 图1 倒立摆小车系统 Fig1. Inverted Pendulum on a Cart 　　图中 F 为施加于小车的水平方向的作用力， 是摆杆的倾斜角。若不给小车施加控制力，摆杆会左右倾斜，控制的过程即当摆杆出现偏角，在水平方向给小车以作用力，通过小车的水平运动，使摆杆保持在垂直位置，意即控制系统的状态参数，以保持倒立摆的倒立稳定。 　　倒立摆系统由6大部分组成，并构成一个闭环结构，包括计算机、数据采集卡、电源及功率放大器、直流伺服电机、倒立摆本体和两个光电编码器等模块，如图2所示。 图2 倒立摆系统结构组成示意图 Fig2 Structure of the Single Inverted Pendulum System 二

决策树系列三—CART原理与代码实现 本文系作者原创，转载请注明出处: https://www.cnblogs.com/further-further-further/p/9482885.html ID3，C4.5算法缺点 ID3决策树可以有多个分支，但是不能处理特征值为连续的情况。 在ID3中，每次根据“最大信息熵增益”选取当前最佳的特征来分割数据，并按照该特征的所有取值来切分， 也就是说如果一个特征有4种取值，数据将被切分4份，一旦按某特征切分后，该特征在之后的算法执行中， 将不再起作用，所以有观点认为这种切分方式过于迅速。 C4.5中是用信息增益比率(gain ratio)来作为选择分支的准则。和ID3一样，C4.5算法分类结果存在过拟合。 为了解决过拟合问题，这里介绍一种新的算法CART。 CART(classification and regression tree) CART由特征选择、树的生成及剪枝组成，既可以用于分类也可以用于回归。 分类：如晴天/阴天/雨天、用户性别、邮件是否是垃圾邮件； 回归：预测实数值，如明天的温度、用户的年龄等； CART决策树的生成就是递归地构建二叉决策树的过程，对分类、以及剪枝采用信息增益最大化准则，这里信息增益采用的基尼指数公式， 当然也可以使用ID3的信息熵公式算法。 基尼指数 分类问题中，假设有K个类别，样本点属于第 类的概率为

Python学习笔记--坐标轴刻度 　　参靠视频:《 Python数据可视化分析 matplotlib教程》链接： https://www.bilibili.com/video/av6989413/?p=6 所用的库及环境 : 　　IDE:Pycharm 　　Python环境：python3.7 　　Matplotlib: Matplotlib 1.11 　　Numpy： Numpy1.15. 　　Datetime ：Datetime 坐标轴刻度 概念 当需要把x，y坐标轴刻度调整的更密集些或者更宽松点 学习如何调整x，y坐标轴刻度 坐标轴刻度调整 　面向对象形式 pyplort形式 locater_params 介绍 文档： https://matplotlib.org/api/_as_gen/matplotlib.pyplot.locator_params.html#matplotlib.pyplot.locator_params 介绍：Control behavior of tick locators. 属性： axis： 介绍：此属性参数表示要操作的轴，默认是both， 如果想只改变x轴就把参数置位‘x’，y轴相同　　 可选参数：both,x,y　　 nbins: 介绍：表示要操作的坐标轴一共有多少格　　 可选参数：可以是数字，表示坐标轴一共有多少格，数字越大格越多，越密集

  A number of K balls are dropped one by one from the root of a fully binary tree structure FBT. Each time the ball being dropped first visits a non-terminal node. It then keeps moving down, either follows the path of the left subtree, or follows the path of the right subtree, until it stops at one of the leaf nodes of FBT. To determine a ball’s moving direction a flag is set up in every non-terminal node with two values, either false or true . Initially, all of the flags are false . When visiting a non-terminal node if the flag’s current value at this node is false , then the ball will first

一、介绍 官方文档： https://www.matplotlib.org.cn/home.html 安装： pip install matplotlib Matplotlib是一个Python 2D绘图库，可以生成各种硬拷贝格式和跨平台交互式环境的出版物质量数据。Matplotlib可用于Python脚本，Python和IPython shell，Jupyter笔记本，Web应用程序服务器和四个图形用户界面工具包。 二、使用例子 1、 波形图 import matplotlib.pyplot as plt import numpy as np x =np.linspace(0,2*np.pi,100) # 100个点组成的2*np.pi线 y1=np.sin(x) # y1线 y2=np.cos(x) # y2线 plt.title( " sin&cos title " ) # 标题 plt.xlabel( " x " ) # x轴的名称 plt.ylabel( " y " ) # y轴的名称 plt.plot(x,y1) #画 y1线 plt.plot(x,y2) #画 y2线 plt.show() # 显示 图片 2、柱状图 import matplotlib.pyplot as plt name_list = [ " A " , " B " , " C " , " D "

Highly Efficient Salient Object Detection with 100K Parameters [ ECCV 2020 ] [ Code ] Abstract Salient object detection models often demand a considerable amount of computation cost to make precise prediction for each pixel, making them hardly applicable on low-power devices. In this paper, we aim to relieve the contradiction between computation cost and model performance by improving the network efficiency to a higher degree. We propose a flexible convolutional module, namely generalized OctConv (gOctConv) , to efficiently utilize both in-stage and cross-stages multi-scale features, while

聚类是一种无监督的学习，它将相似的对象归到同一个簇中。 K-均值算法将数据点归为K个簇，每个簇的质心采用簇中所含数据点的均值构成。 K-均值算法 的工作流程：首先随机确定K个初始点为质心，然后将数据集中的每个点非配到一个簇中，分配原则是分给距离最近的质心所在的簇。然后每个簇的质心更新为该簇所有数据点的平均值。 伪代码： 随机创建K个质心： 当任意一个点的簇分配结果发生改变时： 对数据集中的每个数据点： 对每个质心： 计算质心到数据点的距离 将数据点分配给距离最近的质心所在簇 对每一个簇，计算簇中所有数据点的均值作为质心（更新质心） K-均值聚类支持函数：加载文件、欧式距离计算、随机初始化质心 from numpy import * def loadDataSet(filename): dataSet=[] f=open(filename) for line in f.readlines(): curLine=line.strip().split('\t') floatLine=list(map(float,curLine)) dataSet.append(floatLine) return dataSet def distEclud(vecA,vecB): return sqrt(sum(power(vecA-vecB,2))) def randCent(dataSet,k): n

一．k均值聚类算法 对于样本集 。"k均值"算法就是针对聚类划分 最小化平方误差： 其中 是簇Ci的均值向量。从上述公式中可以看出，该公式刻画了簇内样本围绕簇均值向量的紧密程度，E值越小簇内样本的相似度越高。 工作流程： k-均值算法的描述如下： 创建k个点作为起始质心（通常随机选择） 当任意一个点的簇分配结果发生改变时： 对数据集中的每个点： 对每个质心： 计算质心与数据点之间的距离 将数据点分配到距离其最近的簇 对每一个簇，计算簇中所有点的均值并将均值作为质心 接下来是对于数据集testSet.txt的代码实现： 1.658985 4.285136 -3.453687 3.424321 4.838138 -1.151539 -5.379713 -3.362104 0.972564 2.924086 -3.567919 1.531611 0.450614 -3.302219 -3.487105 -1.724432 2.668759 1.594842 -3.156485 3.191137 3.165506 -3.999838 -2.786837 -3.099354 4.208187 2.984927 -2.123337 2.943366 0.704199 -0.479481 -0.392370 -3.963704 2.831667 1.574018 -0.790153 3

原文： https://www.cnblogs.com/ws0751/p/8361330.html https://www.cnblogs.com/ws0751/p/8313017.html --- matplotlib常用操作2 https://www.cnblogs.com/ws0751/p/8312980.html --- matplotlib 常用操作 https://blog.csdn.net/u014453898/article/details/73395522 ----python3 的 matplotlib绘图库的使用 plt.imshow(face_image.mean(axis=2),cmap='gray') 图片灰度处理 ¶ size = (m,n,3) 图片的一般形式就是这样的 rgb 0-255 jpg图片 166,255,89 0.0-1.0 png图片 0.1，0.2，0.6 灰度处理以后 rgb---->gray 166,255,89 ---> 190 0.1，0.2，0.6 -- > 0.4 size = (m,n) import scipy.misc as misc import numpy as np import pandas as pd from pandas import Series,DataFrame import