mu

题记： 毕业一年多天天coding，好久没写paper了。在这动荡的日子里，也希望写点东西让自己静一静。 恰好 前段时间用python做了一点时间序列方面的东西，有一丁点心得体会想和大家分享下。在此也要特别感谢 顾志耐和 散沙 ，让我喜欢上了python。 什么是时间序列 时间序列简单的说就是各时间点上形成的数值序列，时间序列分析就是通过观察历史数据预测未来的值。在这里需要强调一点的是，时间序列分析并不是关于时间的回归，它主要是研究自身的变化规律的（这里不考虑含外生变量的时间序列）。 为什么用python 　　 用 两个字总结“情怀”，爱屋及乌，个人比较喜欢python，就用python撸了。能做时间序列的软件很多，SAS、R、SPSS、Eviews甚至matlab等等，实际工作中应用得比较多的应该还是SAS和R，前者推荐 王燕写的《应用时间序列分析》，后者推荐“ 基于R语言的时间序列建模完整教程 ”这篇博文（ 翻译版 ）。python作为科学计算的利器，当然也有相关分析的包:statsmodels中tsa模块，当然这个包和SAS、R是比不了，但是python有另一个神器：pandas！pandas在时间序列上的应用，能简化我们很多的工作。 环境配置 　　 python推荐直接装Anaconda，它集成了许多科学计算包，有一些包自己手动去装还是挺费劲的

　　　　K-Means算法是无监督的聚类算法，它实现起来比较简单，聚类效果也不错，因此应用很广泛。K-Means算法有大量的变体，本文就从最传统的K-Means算法讲起，在其基础上讲述K-Means的优化变体方法。包括初始化优化K-Means++, 距离计算优化elkan K-Means算法和大数据情况下的优化Mini Batch K-Means算法。 1. K-Means原理初探 　　　　K-Means算法的思想很简单，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。 　　　　如果用数据表达式表示，假设簇划分为$(C_1,C_2,...C_k)$，则我们的目标是最小化平方误差E：$$ E = \sum\limits_{i=1}^k\sum\limits_{x \in C_i} ||x-\mu_i||_2^2$$ 　　　　其中$\mu_i$是簇$C_i$的均值向量，有时也称为质心，表达式为：$$\mu_i = \frac{1}{|C_i|}\sum\limits_{x \in C_i}x$$ 　　　　如果我们想直接求上式的最小值并不容易，这是一个NP难的问题，因此只能采用启发式的迭代方法。 　　　　K-Means采用的启发式方式很简单，用下面一组图就可以形象的描述。 　　　　上图a表达了初始的数据集，假设k=2

一.1/4半主动悬架模型 注：本人为车辆工程研究生，研究方向为智能网联汽车，汽车系统动力学及控制，后续还会写一些半车模型和整车模型的搭建方法，欢迎各位相同方向的同学交流学习心得。 上图中，Zs表示簧载质量位移，Zu表示非簧载质量位移，ms表示簧载质量，mu表示非簧载质量，kt表示轮胎刚度，ks表示悬架刚度，cs表示悬架阻尼，FMR表示磁流变悬架阻尼力。在这里为了简化计算，不把控制方法作为重点，所以FMR视为0。其它参数的值分别是ms=310kg，mu为70kg，ks为27358N/m，kt为309511N/m，cs为984N.s/m[1]。确定模型和参数以后，根据牛顿第二定律在确定该模型的微分方程。 确定微分方程后，便可以在simulink搭建模型了 二.状态空间法搭建1/4汽车半主动悬架系统动力学模型 先确定状态变量，取系统的输入量 这样选取参照的是simulink里的state-space模块，该模块的用法可以参照Matlab里的说明书，如下图。 在这里，我们选取了4个状态向量，所以n=4。输入为路面激励和阻尼力2个向量，所以m=2。输出的数量自己随意定，在本文中选取的是簧载质量速度dzs，非簧载质量速度dzu，簧载质量位移zu，簧载质量加速度ddzu。然后建立ABCD四个矩阵，矩阵代码如下。 A=[ 0 1 0 0; -ks/ms -cs/ms ks/ms cs/ms; 0

W80是一款基于高通QCA-6391芯片的小型低功耗Wi-Fi + BT模块。该模块符合IEEE标准802.11a/b/g/n/ac/ax。 模块集成了WLAN/BT处理器、BT基带和2.4G/5G射频收发器。支持SIMCom 5G模块SIM8200G之间通过PCIe接口进行数据通信。 该模块可用于5G CPE、mifi、汽车联网、路由器等无线终端。 产品的优势 •紧凑的LCC +LGA包Wi-Fi和BT模块 •支持IEEE标准协议802.11a/b/g/n/ac/ax •支持2.4GHz和5GHz •支持BT 5.1和BLE •支持2x2+2x2 MU-MIMO 产品详细信息 一般特征 •WLAN频率2.4GHz/5GHz •RF电源电压范围:3.3V ~ 4.25V, Typ: 3.8V •操作温度:-40℃~ +85℃ •尺寸:17 * 24 * 2.9毫米 •重量:2 g •WLAN标准:IEEE802.11 a/b/g/n/ac/ax, 2x2+2x2，双MAC •调制方式:CCK, BPSK, QPSK, 16QAM, 64QAM, 256QAM, 1024QAM •加密模式:WPA3 •操作员模式:AP,STA •BT协议:BT 5.1 Tx功率(2×2) •802.11ac/MCS9 _40: 12dBm(2GHz) •802.11ax/MCS11_40:

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 https://www.zhihu.com/question/51707998/answer/1263706761 本文仅作为学术分享，如果有侵权，会删文处理 研究SLAM,对编程的要求有多高？ 作者： 岑斌 https://www.zhihu.com/question/51707998/answer/1263706761 作为不知名slam从业者，狗刨江湖6年，回答一波。 本人技术差强人意，经验倒是累计不少，权当跟题主分享一下个人感受和看法吧。 题主问slam对编程的要求有多高。 大概有两三层楼那么高吧。（开篇先皮一下就很开心） slam编程个人认为主要分两方面，基本技术和综合素质。 拿绘画做比方，首先都是先要提升技巧熟练度和色彩敏感度，成为一个合格的绘画技工。在这个过程中不断提高个人审美度，知道什么是美，什么是不美，形成自己的风格后，就进化成了艺术家。（手动狗头护身） 先说slam编程要求中的基本技术： 1、Matlab\c\c++ 说来惭愧，我现在还在用matlab写的代码跑一些离线的数据来调试和验证。 跑一些轻量的算法代码还挺好用的。 gui之类的插件啊，plot做图形显示在ppt用来展示说明啊等等，反正就是当个工具来用。 如果真的用matlab跑offline slam，2015年的时候我试过

对于光猫，大家一定不陌生。伴随着移动通信网络迈向5G时代，WiFi 6也越来越受关注，这其中的一个重点应用领域就是光猫。前面，宏旺半导体有跟大家讲过路由器、5G CPE的存储芯片解决方案，这次，来跟大家聊聊光猫。 据了解，网络慢、卡顿、掉线成为最主要的三个网络问题。一是76%以上的家庭使用的是2.4G单频WiFi，带宽不到100兆。二是受最后入户的五类限制，宽带WiFi速率小于100兆。三是光猫百兆网口限制速率小于100兆。四是WiFi不可管、不可试，故障修复慢、成本高。五是网络不够安全容易被***。六是光猫功耗大。 这些问题驱动着家庭宽带市场的升级、WiFi技术的更新。宏旺半导体在前面有提到，WiFi6指的是第六代无线网络技术，这个最新的无线局域网络标准，即将在智能设备规模进一步爆发的未来发挥重要作用，成为家庭生活、企业办公、工业互联网搭建无线网络的首选技术。相比于目前普遍使用的WiFi5，WiFi6吸收了大量关于5G的关键特性，包括MU-MIMO、OFDMA等，使得这代WiFi技术能力相比上一代有大幅度提升，在带宽传输上，WiFi6相比于WiFi5提升高达4倍，拥有多设备连接升级、更快的速度、更高的带宽、更低的延时等特性。 WiFi6的发展无疑推动着千兆光猫的普及，光猫可以说是传输网络的神器，它是一种将光纤网络信号转化为网络信号的设备，它转换的距离比较大

----- 2019.8.5更新 实现代码思维导图 ----- ----- 初始原文 ----- Social LSTM最早提出于文献 “Social LSTM: Human Trajectory Prediction in Crowded Spaces”，但经过资料查阅目前暂未找到原文献作者所提供的程序代码和数据，而在github上有许多针对该文献的实现版本代码。 本文接下来的实现代码来自 https://github.com/xuerenlv/social-lstm-tf ，代码语言为Python3，代码大体实现了原论文中 核心原创部分 的模型，包括Vanilla LSTM（没有考虑行人轨迹之间关联性的LSTM）和Social LSTM（使用池化层考虑了行人轨迹之间关联性的LSTM模型）的模型构建、训练和小样本测试的代码，但对横向对比的其他模型、模型量化评估方法等暂未实现。 本文下面将从代码中 矩阵数据和列表(list)数据的维度 细说实现过程和模型的特点。 Vanilla LSTM 模型 训练数据 主要功能代码文件： util.py 数据格式： input_data, target_data = dataLoader.next_batch() # input_data : [batch_size, seq_length, 2] # target_data : [batch

论文传送门 视频 论文主页 作者 山东大学 Yunhai Wang Mingliang Xue Yanyan Wang Xinyuan Yan 北京大学 Baoquan Chen 香港中文大学 Chi-Wing Fu 法国国立民航大学 Christophe Hurter 摘要 存在许多边捆绑技术（即简化数据以支持数据可视化和决策），但是它们不能直接应用于任何类型的数据集，并且它们的参数通常过于抽象并且难以设置。结果，这阻碍了用户创建有效的聚合可视化效果的能力。为了解决这一问题，我们研究了一种以任务驱动和以用户为中心的方法来处理视觉聚合的新颖方法。给定一个图形，我们的方法将产生一个杂乱的视图，如下所示：首先，用户研究不同的边绑定结果，并指定某些边绑定技术将提供用户所需结果的区域。其次，我们的系统然后计算这些指定区域之间的平滑且结构保留的过渡。最后，用户可以使用直接操作技术进一步微调全局可视化效果，以消除局部歧义并应用不同的视觉变形。在本文中，我们提供了设计原理和实现的详细信息。此外，我们展示了与当前的边捆绑技术相比，我们的算法如何提供更合适的结果，最后，我们提供了用法的具体实例，其中算法结合了各种边绑定结果以支持各种数据探索和可视化。 Introduction Edge bundling methods Force-Directed Edge Bundling Skeleton

　　　　在 强化学习（三）用动态规划（DP）求解 中，我们讨论了用动态规划来求解强化学习预测问题和控制问题的方法。但是由于动态规划法需要在每一次回溯更新某一个状态的价值时，回溯到该状态的所有可能的后续状态。导致对于复杂问题计算量很大。同时很多时候，我们连环境的状态转化模型$P$都无法知道，这时动态规划法根本没法使用。这时候我们如何求解强化学习问题呢？本文要讨论的蒙特卡罗(Monte-Calo, MC)就是一种可行的方法。 　　　　蒙特卡罗法这一篇对应Sutton书的第五章和UCL强化学习课程的第四讲部分，第五讲部分。 1. 不基于模型的强化学习问题定义 　　　　在动态规划法中，强化学习的两个问题是这样定义的： 　　　　预测问题，即给定强化学习的6个要素：状态集$S$, 动作集$A$, 模型状态转化概率矩阵$P$, 即时奖励$R$，衰减因子$\gamma$, 给定策略$\pi$， 求解该策略的状态价值函数$v(\pi)$ 　　　　控制问题，也就是求解最优的价值函数和策略。给定强化学习的5个要素：状态集$S$, 动作集$A$, 模型状态转化概率矩阵$P$, 即时奖励$R$，衰减因子$\gamma$, 求解最优的状态价值函数$v_{*}$和最优策略$\pi_{*}$　 　　　　可见, 模型状态转化概率矩阵$P$始终是已知的，即MDP已知，对于这样的强化学习问题

编程语言可以分为三种： 机器语言、汇编语言、高级语言 。 最开始随着1946年第一台计算机出现的是机器语言（也称二进制语言），在学习什么是机器语言之前，我们需要大致了解一下计算机的原理。具体的原理太深奥我也不懂，就拿一个三体中的比喻来简单讲一讲我的理解吧。 在刘慈欣的科幻巨著《三体》中，用士兵比喻组成计算机的简单电子元器件，通过让一个士兵举黑旗白旗代表一个电子元件的导通和关闭状态。比如说有三个士兵，第三个士兵只要看到前两个士兵中有人举了白旗，那么他就举白旗，这样子就构成了一个最简单的两输入或门；只要看到前两个士兵中有人举了黑旗，那么他就举黑旗，这就构成了一个最简单的两输入与门。通过 与门、或门、非门、异或门这四种最基本的门电路 ，就能够组和成无限多的形式，完成非常复杂的运算。《三体》中就是靠三千万个士兵组成的计算机，花了几个月的时间计算出了天体问题。 抛开能否实现不说，这个例子能够十分形象地解释计算机的内部原理。一个士兵就是计算机内部的一个最简单的电子元件，他有稳定的0态和1态，且切换速度很快。通过几个士兵组成的系统就是最基本的门电路，有着稳定的输出。再通过大量的士兵，最终组成一个复杂的计算机，完成复杂且高效的运算。 当时看《三体》看到这一段的时候，我有一种茅塞顿开的感觉，不仅让我理解了计算机的内部简单机理，还解决了我曾经的一些疑惑。比如说，为什么计算机处理的数据得是二进制的