线性系统

长期以来，不论是UPS的供应商还是用户，在UPS功率因数问题上，一直都在讨论着一个焦点性的问题：用户声言要高功率因数的UPS，供应商也说这个数值越大越好，于是各厂家就尽全力去提高这个参数。到底UPS的功率因数是大点好还是小点好呢？ 功率因数是指任意二端网络（与外界有二个接点的电路）两端电压U与其中电流I之间的位相差的余弦 。在二端网络中消耗的功率是指平均功率，也称为有功功率，它等于 由此可以看出，电路中消耗的功率P，不仅取决于电压V与电流I的大小，还与功率因数有关。而功率因数的大小，取决于电路中负载的性质。对于电阻性负载，其电压与电流的位相差为0，因此，电路的功率因数最大（ )；而纯电感电路，电压与电流的位相差为π／2，并且是电压超前电流；在纯电容电路中，电压与电流的位相差则为－（π／2），即电流超前电压。在后两种电路中，功率因数都为0。对于一般性负载的电路，功率因数就介于0与1之间。 一般来说，在二端网络中，提高用电器的功率因数有两方面的意义，一是可以减小输电线路上的功率损失；二是可以充分发挥电力设备（如发电机、变压器等）的潜力。因为用电器总是在一定电压U和一定有功功率P的条件下工作，由 公式 : 可知，功率因数过低，就要用较大的电流来保障用电器正常工作，与此同时输电线路上输电电流增大，从而导致线路上焦耳热损耗增大。另外，在输电线路的电阻上及电源的内组上的电压降

简介 　　已经历经了半个世纪的卡尔曼滤波至今仍然是研究的热点，相关的文章不断被发表。其中许多文章是关于卡尔曼滤波器的新应用，但也不乏改善和扩展滤波器算法的研究。而对算法的研究多着重于将卡尔曼滤波应用于非线性系统。 　　为什么学界要这么热衷于将卡尔曼滤波器用于非线性系统呢？因为卡尔曼滤波器从一开始就是为线性系统设计的算法，不能用于非线性系统中。但是事实上多数系统都是非线性的，所以如果卡尔曼滤波器不能用在非线性系统中的话，那么它的应用范围就非常有限了。如果真的是这样，卡尔曼滤波器可能早就寿终正寝或者过很久很久才会被人注意到。幸运的是早期的学者们对这个问题理解的非常深刻，而且也找到了解决方法，就是扩展卡尔曼滤波（EKF）。 　　事实上世界上的第一个卡尔曼滤波也是扩展卡尔曼滤波，而不是线性卡尔曼滤波器。扩展卡尔曼滤波有很久远的历史，如果说有一个 非线性系统 需要用到卡尔曼滤波的话，不必怀疑，先试试扩展卡尔曼滤波准没错。因为他有很久远的历史，所以可以轻松的找到许多这方面的资料。 　　不过扩展卡尔曼滤波也不是无懈可击的，它有一个很 严重的短板——发散 。使用扩展卡尔曼滤波的时候请务必记在心上，时刻提醒自己，这样设计滤波器其结果会发散吗？毫不夸张地说相对于线性卡尔曼滤波设计扩展卡尔曼滤波器的就是在解决发散问题。发散问题解决了剩下的都是小事。 小结： 扩展卡尔曼滤波器主要用于非线性系统；

文章目录 深度学习-图像识别 人脸定位 手工提取特征的图像分类 识图认物 传统分类系统的特征提取 计算机眼中的图像 什么是图像特征？ 卷积运算 利用卷积提取图像特征 基于神经网络的图像分类 传统图像分类系统和深度神经网络 深度神经网络的架构 卷积层 池化层 全连接层 归一化指数层 非线性激活层 Sigmoid函数 双曲正切函数 ReLU函数 深度神经网络的训练 反向传播算法 图像分类应用——人脸识别 人脸识别的流程 人脸识别应用场景 小结 深度学习-图像识别 人脸定位   相信你们外出游玩的时候，都不会带上你的牛逼plus诺基亚手机出门，而是带上你的智能手机给自己美美的拍上一张。当你用手机镜头对准人脸的时候，都会出现一个矩形框，如下图所示（前方高能），那么这个技术是怎么做到的呢？   相机中的人脸定位技术用的是二分类技术。该技术流程如下图所示。   如上图所示，相机首先会将照片分割成一块块的图像块，一张照片往往会有成千上万的图像块被切割出来。   然后每一个图像块都会经过人脸分类器去判别是否是人脸。人脸分类器是预先训练好的分类器，类似于我们之前讲的手写数字识别应用程序中的支持向量机分类器。如果人脸分类器预测该图像块为人脸，相机则会在这个图像块中显示出框的位置。   在人脸定位中，为了解决由于手机离人的距离不同，导致手机上显示的人脸大小不一致的问题。手机在切割图像的时候

基础知识部分 为了方便理解，首先会对( Luminance )的相关概念做一个简单介绍。如果已经了解就跳到后面吧。 我们用Radiant energy（辐射能量）来描述光照的能量，单位是焦耳(J)，因为光实际是以一定速度在传播的电磁波，所以把单位时间内的传播的 Radiant energy(能量)称作 radiant flux ( 辐射通量),用来描述他的能量表现，单位瓦特(Watt )。 Radiant intensity ( 辐射强度 )用来指定 radiant flux ( 辐射通量)的方向，正式的来说，他是用来定义每个立体角的 Radiant energy(辐射能量) 的传递速度，它的单位是瓦特/球面度((W · sr - 1 )。 辐射强度( Radiant intensity )通常会是一个很大的空间范围，但对于使用像素的成像系统来说是一个很小的区域，所以使用 intensity 来作为图像数据的度量并不合适。那么就需要一个可以对应面积的单位，我们把通过单位面积的能量( Radiant energy )，称作辐射照度( Irradiance )。 而把在每个单位面积上的辐射强度 ( Radiant intensity )，称作辐射率( radiance ), 他的单位是瓦特/球面度/平方米。 图像保存在文件里的（如TIFF），就是于辐射率成正比

这是我在知乎上问题写的答案，修改了一下排版，转到博客里。 原问题： 能否简单并且易懂地介绍一下多个基于滤波方法的SLAM算法原理？ 目前SLAM后端都开始用优化的方法来做，题主想要了解一下之前基于滤波的方法，希望有大神能够总结一下各个原理（EKF，UKF，PF，FastSLAM），感激不尽。 作者：半闲居士 链接：https://www.zhihu.com/question/46916554/answer/103411007 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 　　我怎么会写得那么长……如果您有兴趣可以和我一块把公式过一遍。 　　要讲清这个问题，得从状态估计理论来说。先摆上一句名言： 状态估计乃传感器之本质。（To understand the need for state estimation is to understand the nature of sensors.） 　　任何传感器，激光也好，视觉也好，整个SLAM系统也好，要解决的问题只有一个： 如何通过数据来估计自身状态。 每种传感器的测量模型不一样，它们的精度也不一样。换句话说，状态估计问题，也就是“ 如何最好地使用传感器数据 ”。可以说，SLAM是状态估计的一个特例。 1. 离散时间系统的状态估计 　　记机器人在各时刻的状态为 ，其中 是离散时间下标。在SLAM中

本篇博文转自：https://www.cnblogs.com/guoyaohua/p/8724433.html 　Batch Normalization作为最近一年来DL的重要成果，已经广泛被证明其有效性和重要性。虽然有些细节处理还解释不清其理论原因，但是实践证明好用才是真的好，别忘了DL从Hinton对深层网络做Pre-Train开始就是一个 经验领先于理论分析 的偏经验的一门学问。本文是对论文《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》的导读。 　　机器学习领域有个很重要的假设： IID独立同分布假设 ，就是假设训练数据和测试数据是满足相同分布的，这是通过训练数据获得的模型能够在测试集获得好的效果的一个基本保障。那BatchNorm的作用是什么呢？ BatchNorm就是在深度神经网络训练过程中使得每一层神经网络的输入保持相同分布的。 　　接下来一步一步的理解什么是BN。 　　为什么深度神经网络 随着网络深度加深，训练起来越困难，收敛越来越慢？ 这是个在DL领域很接近本质的好问题。很多论文都是解决这个问题的，比如ReLU激活函数，再比如Residual Network，BN本质上也是解释并从某个不同的角度来解决这个问题的。 一、

文章目录 1 线性系统与消元法 2 高斯消元法 3 高斯-约旦消元法 4 行最简式和线性方程组解的结构 5 直观理解线性方程组解的结构 6 更一般化的高斯-约旦消元法 7 齐次线性方程组 参考资料 注：转载请标明原文出处链接： https://xiongyiming.blog.csdn.net/article/details/103897231 1 线性系统与消元法 来源： CSDN 作者： TechXYM 链接： https://blog.csdn.net/zaishuiyifangxym/article/details/103897231

A Taxonomy of Deep Convolutional Neural Nets for Computer Vision 基本信息 摘要 1. Introduction 2. Introduction to Convolutional Neural Networks 2.1. Building Blocks of CNNs 2.1.1. Why Convolutions? 2.1.2. Max-Pooling 2.1.3. Non-Linearity 2.2. Depth 2.3. Learning Algorithm 2.3.1. Gradient-Based Optimization 2.3.2. Dropout 2.4. Tricks to Increase Performance 2.5. Putting It All Together: AlexNet 2.6. Using Pre-Trained CNNs 2.6.1. Fine-Tuning 2.6.2. CNN Activations as Features 2.7. Improving AlexNet 3. CNN Flavors 3.1. Region-Based CNNs 3.2. Fully Convolutional Networks 3.3. Multi-Modal Networks 3.4.

BN作为最近一年来深度学习的重要成果，已经广泛被证明其有效性和重要性。虽然还解释不清其理论原因，但是实践证明好用才是真的好。 一、什么是BN 机器学习领域有个很重要的假设： 独立同分布假设 ，就是假设训练数据和测试数据是满足相同分布的，这是通过训练数据获得的模型能够在测试集获得好的效果的一个基本保障。BN就是深度神经网络训练过程中使得每层网络的输入保持相同分布。 二、为什么要使用BN 根据论文《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》所讲内容，BN主要是解决Internal Convariate Shift问题。那么什么是Internal Convariate Shift呢? 可以这样解释：如果ML系统实例集合<X,Y>中的输入值X的分布老是变，这不符合IID假设，网络模型很难学习到有效的规律。对于深度学习这种包含很多隐层的网络结构，在训练过程中，因为各层参数不停在变化，所以每个隐层都会面临covariate shift的问题，也就是在训练过程中，隐层的输入分布老是变来变去，这就是所谓的“Internal Covariate Shift”，Internal指的是深层网络的隐层，是发生在网络内部的事情，而不是covariate

前言： Batch Normalization是深度学习领域在2015年非常热门的一个算法，许多网络应用该方法进行训练，并且取得了非常好的效果。 众所周知，深度学习是应用随机梯度下降法对网络进行训练，尽管随机梯度下降训练神经网络非常有效，但是它有一个缺点，就是需要人为的设定很多参数，比如学习率，权重衰减系数，Dropout比例等。这些参数的选择对训练结果至关重要，以至于训练的大多数精力都耗费在了调参上面。BN算法就可以完美的解决这些问题。当我们使用了BN算法，我们可以去选择比较大的初始学习率，这样就会加快学习的速度；我们还可以不必去理会过拟合中的dropout、正则项约束问题等，因为BN算法可以提高网络的泛化能力；我们再也不需要使用局部响应归一化层，因为BN本身就是归一化的网络；还可以打乱训练数据，防止每批训练的时候，某一个样本经常被选到。通常在训练神经网络之前，我们都会对数据进行归一化处理，为什么呢？因为神经网络训练实际是为了学习数据的分布情况，一旦训练数据与测试数据分布不同，那么网络的泛化能力也会大大降低。另外，如果每一批的训练数据都不同，那么神经网络就会去适应不同训练数据的分布，这样就会大大降低网络训练的速度。深度学习的训练是一个复杂的过程，如果前几层的数据分布发生了变化，那么后面就会积累下去，不断放大，这样就会导致神经网络在训练过程中不断适应新的数据分布，影响网络训练的速度