渤海大学研究生机器学习课程考核论文
院（系、部）：信息科学与技术学院年级：一专业：计算机软件与理论
姓名：马健学号： 2010100002 密封线
任课教师：秦玉平
一、命题部分
二、评分标准
三、教师评语
请根据您确定的评分标准详细评分，给定成绩，填入“成绩”部分。
阅卷教师评语
成绩
评阅教师签字：
200 年月日
____________________________
注1：本页由学生填写卷头和“任课教师”部分，其余由教师填写。其中蓝色字体部分请教师在命题时删除。提交试卷时含本页。学生从第二页开始写作，要求见蓝色字体部分。
注2：“阅卷教师评语”部分请教师用红色或黑色碳素笔填写，不可用电子版。无“评语”视为不合规范。注3：试题、评分标准、评语尽量控制在本页。
注4：不符合规范试卷需修改规范后提交。
密封线
基于支持向量机的机器学习研究
马健
摘要: 基于数据的机器学习，研究的实质是从观测数据出发寻找规律，利用这些规律对未来数据或无法观测的数据进行分类、研究、处理。支持向量机是基于统计学习理论的一种新的机器学习方法，因其出色的学习性能在国内为学术界引起了日益广泛的重视。本文对机器学习、支持向量机的研究现状进行了综述，阐述了机器学习和支持向量机的基本概念和支持向量机的训练算法。关键字：机器学习支持向量机统计学习理论
0 引言
学习是一起智能系统最根本的特征。机器学习是人工智能最具智能特征、最前沿的研究领域之一。机器学习就是要使计算机模拟人的学习行为，自动地通过学习获取知识和技能，不断改善性能，实现自我完善。
与传统统计学比较，统计学习理论是一种专门研究有限样本情况下机器学习规律的理论。V.Vapinik等人从上世纪六、七十年代开始致力于此方面研究，到九十年代中期，其理论不断发展和成熟。统计学习理论是建立在一套较坚实的理论基础之上的，为解决有限样本学习问题提供了一个统一的框架，它能将很多现有方法纳入其中，同时，在这一理论基础上发展了一种新的通用的学习方法----支持向量机（Support Vector Machine或SVM),它已初步表现出很多优于已有方法的性能。目前，SLT和SVM 已成为国际上机器学习新的研究热点问题。
1 机器学习简介
在人们对机器智能的研究中，希望能够用计算机来模拟人的思考和推广能力这种学习能力，这就是我们所说的基于数据的机器学习问题，或者简单地称为机器学习（Machine Learning）问题。
1.1 机器学习系统的基本结构
密 封 线
一个学习系统一般应该由环境、学习、知识库、执行四个基本部分组成。如图1所示
图1 机器学习系统的基本结构
环境向系统的学习部分提供某些信息；学习部分利用这些信息修改知识库，以增强系统执行部分完成任务的效能；执行部分根据知识库完成任务，同时把获得的信息反馈给学习部分。在具体应用中，环境、知识库和执行部分决定了具体的工作内容，学习部分所需要解决的问题完全由上述三部分确定。 1.2 机器学习的主要策略
机器学习有很多优秀的学习算法，基本上可以分为基于符号和基于非符号学习（连接学习）。其中比较好的策略有机械式学习、指导式学习、归纳学习、类比学习、基于解释的学习、基于神经网络的学习、支持向量机、基于遗传算法的学习、强化学习、多Agent 学习。
1.3 分类问题
机器学习主要关心分类问题，它是许多其他问题的基础和核心。
分类是通过对具体类别标记的实例（数据）进行训练，得出一个能够预测新实例类别的模型。设{}1...m D d d =,为训练的实例集合，每一个实例都有预先标记好的类{}0,k k C C C =。通过对这些数据的有导师学习，产生一个称为分类器的模型，它能对不知道类别标记的实例预测其类别。预测的准确程度可以评价分类器的性能。
分类方法主要有贝叶斯分类、分治法、覆盖算法、投票算法等。
2 基于支持向量机的机器学习
2.1 支持向量机简介
支持向量机（Support Vector Machine ）是Cortes 和Vapnik 于1995年首先提出的，它在解决小样本、非线性及高维模式识别中有许多特有的优势，并能推广应用到函数拟合等其他机器学习问题中。
支持向量机方法是建立在统计学习理论的VC 维和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力。
环境 学习 知识库 执行
密 封 线
1）VC 维
定义1.1(N(F,m Z ))：设F 是一个假设集，即由在
n R X ?上取值为-1或1的若干函数组成的集合。记m Z = },...,,{21m x x x 为
X 中的ｍ个点组成的集合。考虑当f 取遍F 中的所有可能的假设时产生的m 维向量(f (1x ),f (2x ),…f (m x ))。定义N(F,m Z ))为上述m 维向量中不同的向量个数。
定义1.2（m Z 被F 打散）：设F 是一个假设集，m Z = },...,,{21m x x x 为X 中的m 个点组成的集合。称m Z 被F 打散，或F 打散m Z 。
定义 1.3（VC 维）：设假设集F 是一个由X 上取值为-1或1的函数组成的集合。定义F 的VC 维为max{m|N(F,m Z ) = m 2}.
VC 维反映了函数集的学习能力。一般而言，VC 维越大，学习机器越复杂。但目前没有通用的关于任意VC 维计算的理论，只对一些特殊函数集的VC 维可以计算。如何利用理论和实验的方法计算VC 维是当前统计学习理论中一个待研究的问题[3]。
2）结构风险最小化
机器学习本质上是一种对问题真实模型的逼近，由于真实世界的模型往往无法精确给出，我们给出的模型与真实模型就存在一个误差，这个与真实模型之间的误差积累就叫做风险。统计学习理论系统地研究了对于各种类型的函数集，经验风险和实际风险之间的关系，即泛化误差界。统计学习理论指出：经验风险)(w R emp 和实际风险)(w R 之间至少以1-η的概率满足如下关系
l h l h w R w R emp )4/ln()1)/2(ln()()(η-++
≤ 其中，l 是样本数，h 是函数集的VC 维。
这一结论表明，统计学习的实际风险由两部分组成：一个是经验风险，另一个是置信风险。置信风险反映了真实风险和经验风险差值的上确界，和VC 维h 记样本数l 有关。可简单地表示为
)/()()(l h w R w R emp Φ+≤
在有限的训练样本下，学习机器的复杂性越高，VC 维越大，置信风险就越大，就会导致真实风险和经验风险间的差别越大。如图所示
密封线
这就解释了为什么有些学习机器训练阶段的准确率可以达到100%而泛化能力却很差。结构风险最小化原则（Structural Risk Minimization ,SRM）就是为了取得经验风险与置信风险的最小和。统计机器学习理论就是为了努力最小化结构风险。即不仅要使经验风险最小化，还要使VC维最小。
2.2 线性分类器
线性分类器是最简单也是很有效的分类器形式，SVM就是是从线性可分情况下的最优分
类面发展而来的。
1）线性可分
当一个线性函数能将样本完全正确地分开时，此时这些样本就是线性可分的。否则就称为非线性可分的。线性函数指形如f(x) = wx + b的一次函数，此函数值为0时确定了一个n维空间的超平面(Hyper Plane)。w、x为n维向量，b为常数。
2）广义最优分类面
密 封 线
方形和圆形为两类样本，H 为分类线，21H ,H 分别为过各类分类线最近的样本，且与分类线平行，他们之间的距离margin 称为分类间隔。当分类线H 不但能将两类正确分开，而且使分类间隔最大时，此分类线称为最优分类线。对分类线方程wx + b = 0进行归一化处理，使得对线性可分的样本集}1,1{,,,...,1),,(-+∈∈=y R x n i y x d i i ，满足
.,....,1,01])[(n i b x w y i i =≥-+?
此时分类间隔等于w /2，使间隔最大等价于使2w 最小。满足上述条件的分类面就叫最优分类面，21H ,H 上的训练样本点就称作支持向量。
使分类间隔最大实际上就是对推广能力的控制，这是SVM 的核心思想之一。统计学习理论指出，在N 维空间中，设样本分布在一个半径为R 的超球范围内，则满足条件
A w ≤的正则超平面构成的指示函数集})sgn{(),,(b x w b w x f +?=（sgn()为符号函数）的VC 维满足下面的界
1)],min([22+≤N A R h
因此，使
2w 最小就是使VC 维的上界最小，从而实现SRM 准则中对函数复杂性的选择。 于是问题就转换成一个有约束的非线性规划问题：
2,21min w b w
l i b x w y t s i i ,....,2,1,1)(..=≥+?
称上二式组成的最优化问题为原始优化问题。由于此为凸二次寻优问题，根据最优化理论，这个问题存在唯一全局最小解。其Lagrange 函数为：
密 封 线
∑=+?-+=l i i i i b x w y w L 1
2)](1[21α 其中，0≥i
α是约束1)(≥+?b x w y i i 的Lagrange 乘子。 根据KKT 条件（Karush-Kuhn-Tucker ）有：
∑∑===?=-=??l i i i i l i i i i x y w x y w w L 1
10αα 01
==??∑=l i i i y b L α 根据wolf 对偶理论，经运算将原始优化问题转为
∑∑==?-=l
i l j i j i j i j i i x x y y w 11,)(21)(max ααααα
.,...,2,1,0,0..1l i y t s i l i i i =≥=∑=αα
解此最优化问题，可确定最优超平面。且通常只有一小部分
i α不为0，这些非零解对应的样本就是支持向
量。此时得到的最优分类函数是 ∑=+?=+?=n
i i i i b x x y b x w x f 1*})(sgn{})sgn{()(α
不难看出，式中的求和实际上只对支持向量进行。
*b 可由任一支持向量回代求得。此时，我们就得到了
一个样本线性可分时的线性分类器。
2.3核函数
线性可分的问题可以由上述的线性分类器求解，当待分类样本为非线性可分时，可以通过非线性变换转化为某个高维空间中的线性问题，在变换空间求最优分类面。如图
密 封 线
当（a,b ）范围内的样本为一类，其余部分为一类时，在二维空间无法找到一个线性函数将其正确分开，但我们可以找到一条曲线，如
此时该函数表达式为
2120)(c x c x c x g ++=
新建一个向量
T T T T c c c a a a a x x y y y y ),,(),,(,)1,,(),,(2103212321====
将g(x)转化为>= 但遗憾的是，目前还没有一种系统地将低维向量映射到高维的方法。 密 封 线 事实上，计算过程中我们只关心高维向量之间的内积，只要找出一种方法可以求出此值就得到了我们想要的结果。 核函数（kernel function ）正是为了求出低维空间的向量经过变换后在高维空间的内积而提出的。并且由于其输入为原空间中的低维向量，避开了高维变换计算问题，使得问题大大简化了。 根据泛函的有关理论，只要一种核函数 ),(j i x x K 满足Mercer 条件，它就对应某一变换空间中的内积[6]。 Mercer 条件：对任意的对称函数 ),(x x K ',它是某个特征空间中的内积运算的充分必要条件是，对任 意0)(≡/x ?，且∞'''??x dxd x x x x K ?? 用核函数替换内积函数后，此时的最优分类目标函数变为 ∑=+?=n i i i i b x x K y x f 1*})(sgn{)(α 此时由于计算仍在原空间进行，分类器的计算复杂度没有增加[4]。 目前，常用的核函数有以下几种： 线性核函数： j i j i x x x x K ?=),( 多项式核函数： d j i j i x x x x K ]1)[(),(+?= 径向基函数（RBF ）： )exp(),(2j i j i x x x x K --=γ Sigmoid 函数： ))(tanh(),(c x x v x x K j i j i +?= 这时SVM 实现的是包含一个隐层的多层感知器，隐层节点数是由算法自动确定的，而且算法不存在困扰神经网络方法的局部极小点问题。 3 支持向量机目前研究现状 由于支持向量机坚实的理论基础和它在很多领域表现出的良好的推广性能，目前，国际上正在广泛开 密 封 线 展支持向量机的研究，包括算法本身的改进和算法的实际应用，都陆续提了出来。以下是其中主要的研究热点。 3.1 改进训练算法 鉴于SVM 对偶问题的求解过程相当于解一个线性约束的二项规划问题（QP ），需要计算和存储核函数矩阵，其大小与训练样本的平方相关，因此，随着样本数目的增加，所需要的内存也增大，例如，当样本数目超过4000时，存储核函数矩阵需要多达128M 内存；其次，SVM 在二次型寻优过程中要进行大量的矩阵运算，多数情况下，巡优算法是占用算法时间的主要部分。通常，训练算法改进的思路是把要求解的问题分成许多子问题，然后通过反复求解子问题来求得最终的解，方法有如下几种： （1）块处理算法（chunking algorithm ） 它的思想是将采样本集分成工作样本集合测试样本集，每次对工作样本集利用二项规划求得最优解，剔除其中的分支持向量，并用训练结果对剩余样本进行检验，将不符合训练结果（一般是指违背KKT 条件）的样本（或其中的一部分）与本次结果的支持向量合并，成为一个新的工作样本集，然后重新训练。如此重复下去，直到获得最优结果。其依据是去掉Lagrange 乘子等于零的训练样本不会影响原问题的解，块算法的一个前提是：支持向量的数目比较少。然而如果支持向量的数目本身就比较多，那么随着训练迭代次数的增加，工作样本数也越来越大，就会导致算法无法实施。 （2）固定工作样本集算法 它使样本数目固定在足以包含所有的支持向量，且算法速度在计算机可以容忍的限度内。迭代过程中只是将剩余样本中部分“情况最糟的样本‘与工作样本集中的样本进行等量交换。即使支持向量的个数超过工作样本集的规模。文献[3]介绍了一种具体的算法，将样本集分为B 和N 两个集合，集合B 作为子问题的工作样本集进行SVM 训练，集合N 中所有样本的Lagrange 乘子均置为零。显然，如果把集合B 中，对应Lagrange 乘子为零的样本i(0,i a i B =∈)与集合N 的样本j(既0,j a j N =∈)交换，不会改变子问题与原问题的可行性（既仍旧满足约束条件）。于是可以按照以下步骤迭代求解：1）选择集合B,构造子问题；2）求子问题最优解 ,b a 0,;i j a i B j N ∈=∈及,并置3)计算 (),,j j g x y j N ∈找出其中()1j j g x y <的样子j,(1()l j p p g x a y ==∑ (,))j p K x x b +, 与B 中满足 0i i a =的样本交换，构成新的子问题，需要指出：如果集合 B 不足以包括所有的支持向量，该算法没有 提出改变B 的大小的策略，那么有可能得不到结果。 密封线 （3）SMO算法 SMO是固定工作样子集算法的一个极端情况，其工作样本数目为2.需要两个样子，是因为等式线性约束的存在使得同时至少有两个Lagrange乘子发生变法。由于只有两个变量，而且应用等式约束可以将其中一个用另一个表示来，所以迭代过程中，每一步子问题的最优解都可以直接求解优化问题的过程；此外，算法还设计了一个两层嵌套循环，分别选择进入工作样本集的样本，这种启发式策略大大加快了算法的收敛速度，标准样本集的实验结果证明，SMO在速度方面表现出良好性能。 4.总结 总之，支持向量机是一种基于统计学习理论的新的机器学习方法，它可以用于模式识别、回归分析和函数拟合等问题中，并且有一套坚实的理论基础。但与其理论研究相比，应用研究尚相对比较滞后，目前多数算法还处于仿真和实验阶段，支持向量机的应用研究应该是一个大有作为的方向，相信支持向量机是一个值得大力研究的领域，对它的研究将对机器学习等学科领域产生重要的影响。 参考文献 [1]柳回春，马树元.支持向量机研究现状，中国图像图形学报，2008.4 [2]张学工.关于统计学习理论与支持向量机，自动化学报，2000.1 [3]李京华，许家栋，李红娟支持向量机的战场直升机目标分类识别[期刊论文]-火力与指挥控制 2008(1) [4]秦玉平.基于支持向量机的文本分类算法研究 [5] Platt J C , Cristianini N , Shawe-Taylor J . Large margin DAG’s for multiclass classification. Advances in Neural Information Processing Systems. Cambridge , MA : MIT Press , 2000 , 12 : 547-553. [6]李红莲, 王春花, 袁保宗. 一种改进的支持向量机NN-SVM[J]. 计算机学报, 2003, 26(8): 1015-1020. [7]李蓉, 叶世伟, 史忠植. SVM-KNN分类器——一种提高SVM分类精度的新方法[J]. 电子学报, 2002, 30(5): 745-748. [8]郭辉核函数学习方法的研究及其应用[学位论文]博士 2006 [9]朱杰,吴树芳.王妍.刘永立支持向量机研究现状[期刊论文]-大众科技 2009（5） 第一章 1、3 什么就是人工智能？它的研究目标就是什么？ 人工智能(Artificial Intelligence),英文缩写为AI。它就是研究、开发用于模拟、延伸与扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 研究目标:人工智能就是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理与专家系统等。 1、7 人工智能有哪几个主要学派？各自的特点就是什么？ 主要学派:符号主义,联结主义与行为主义。 1.符号主义:认为人类智能的基本单元就是符号,认识过程就就是符号表示下的符号计算, 从而思维就就是符号计算; 2.联结主义:认为人类智能的基本单元就是神经元,认识过程就是由神经元构成的网络的信 息传递,这种传递就是并行分布进行的。 3.行为主义:认为,人工智能起源于控制论,提出智能取决于感知与行动,取决于对外界复 杂环境的适应,它不需要只就是,不需要表示,不需要推理。 1、8 人工智能有哪些主要研究与应用领域？其中有哪些就是新的研究热点？ 1、研究领域:问题求解,逻辑推理与定理证明,自然语言理解,自动程序设计,专家系统,机器 学习,神经网络,机器人学,数据挖掘与知识发现,人工生命,系统与语言工具。 2、研究热点:专家系统,机器学习,神经网络,分布式人工智能与Agent,数据挖掘与知识发 现。 第二章 2、8 用谓词逻辑知识表示方法表示如下知识: (1)有人喜欢梅花,有人喜欢菊花,有人既喜欢梅花又喜欢菊花。 三步走:定义谓词,定义个体域,谓词表示 定义谓词 P(x):x就是人 “工业机器人”设计大作业 作品题目：货物装卸机器人 专业：机械设计制造及其自动化 姓名：班级：学号： 姓名：班级：学号： 姓名：班级：学号： 指导教师：陈明 1 前言 货物装卸作业是指用一种设备握持工件，是指从一个加工位置移到另一个加工位置。货物装卸机器人可安装不同的末端执行器以完成各种不同形状和状态的工件货物装卸工作，大大减轻了人类繁重的体力劳动。目前世界上使用的货物装卸机器人愈10 万台，被广泛应用于机床上下料、冲压机自动化生产线、自动装配流水线、码垛货物装卸、集装箱等的自动货物装卸。部分发达国家已制定出人工货物装卸的最大限度，超过限度的必须由货物装卸机器人来完成。装卸货物装卸是物流的功能要素之一，在物流系统中发生的频率很高 2 设计方案论证 本课题通过对货物装卸机器人工作对象及工作场所的分析研究，深入了解其工作是 如何进行，各部分零部件应该如何运行以及如何紧密配合，先确定其总体结构再对主要 零部件进行设计计算确定其尺寸大小以及确定电机型号。 2.1 基本思想 （1）设计要考虑要求和工作环境的限制。 （2）考虑到货物装卸货物时所需要精确度不是很高，为了简化结构，境地成本，采用 角铁焊接结构。 （3）为了满足设计要求，须设计三个独立的电机驱动系统，各部分之间通过计算 机控制、协调工作。 （4）本次设计只是该题目的机械部分，而对应控制部件的考虑较少。 3 仓库货物装卸机器人的设计计算 3.1 货物装载伸缩装置的设计 3.1.1 确定传动方案 我们所学的传动方式有以下几种：带传动、链传动、齿轮传动、蜗轮蜗杆传动和钢 丝绳传动等，一般地说，啮合传动传递功率的能力高于摩擦传动；蜗轮传动工作的发热 情况较为严重，因而传动的功率不宜过大；摩擦轮传动由于必须有足够的压紧力，故而 在传递同一圆周力时，其压轴力比齿轮传动的大几倍，因而不宜用于大功率传动。带传 统计机器学习大作业 学院：支持向量机理论 学院：电子工程 姓名：宋强 学号：1202121332 1 统计机器学习理论 目前机器学习的一个比较热门的方向是统计机器学习（另外一个可能是图模型，按照Jordan的说法是统计机器学习属于频率主义，而图模型属于贝叶斯主义），对于每一个做统计机器学习的研究者来说，他们大致可以分为两类：一类做统计学习理论相关工作，如泛化界、约简或一致性；一类做优化算法，如支持向量机、Boosting等。作为一个纯统计机器学习的学者来说，我想这两块内容都得了解。优化算法的门槛低点，可能比较容易上手，了解他们并不太难，比如支持向量机本质上是求解一个RKHS上的二次优化问题，Boosting是函数空间上的梯度下降优化问题。统计学习理论的门槛高点，需要的基础数学知识多点，离计算机出生的人比较远，因而常常使人望而生畏。最近本人对统计学习理论这块做了些整理，发现其实这块东西并非如想象的那么难，他们的本质无非是概率集中不等式在机器学习上的应用，下面以泛化界为例讲一下自己对那块内容的理解。 Talagrand(1996)说过: "A random variable that depends (in a "smooth way") on the influence of many independent variables(But not too much on any of them) is essentially constant". 中文上的意思是，依赖于许多独立随机变量的随机变量本质上是个常量，举个例子，经验风险就是一个依赖于一个随机训练样本集合的随机变量，因而经验风险本质上应该是个常量。正因为如此，这个随机变量离开它均值的概率就以指数形势衰减，因此这就是泛化界中常见的如下论述：“以1-\sigma的概率，作如下论断”的由来。目前使用的各种泛化界分析工具本质上正是基于这个原理，下面介绍下目前主流的三种泛化界分析方法，VC维，R复杂度和稳定性分析。 为了叙述清楚，如一个游戏开始之前需要设置游戏规则一样，这里简单介绍一下机器学习问题设置。统计机器学习研究的问题一般是，给定一堆带标签的训练样本集合，需要从训练集合中学习出一个预测器来，对新的样本进行预测，使得预测结果尽可能的接近它的真实标签。相应的，对统计机器学习理论分析，我们需要做如下一些假设：假设训练样本集合是从一个未知但固定的分布中独立同分布的抽取出来，学习的目标是根据这样一个样本集合，从一个事先给定的分类器集合中挑选出一个分类器，使得分类器的对从同一个分布中随机抽取的样本在给定的一个损失评价下的风险最小。一个需要特别注意的是，在统计学习泛化界分析时，分类器的风险常常被认为是随机样本集上的一个随机变量，这样的随机风险集合(以分类器为索引)在统计上被叫做经验过程。 模式识别大作业 班级 021252 姓名 谭红光 学号 02125128 1.线性投影与Fisher 准则函数 各类在d 维特征空间里的样本均值向量： ∑∈= i k X x k i i x n M 1 ，2,1=i (1) 通过变换w 映射到一维特征空间后，各类的平均值为： ∑∈= i k Y y k i i y n m 1，2,1=i (2) 映射后，各类样本“类内离散度”定义为： 22 ()k i i k i y Y S y m ∈= -∑，2,1=i (3) 显然，我们希望在映射之后，两类的平均值之间的距离越大越好，而各类的样本类内离 散度越小越好。因此，定义Fisher 准则函数： 2 1222 12||()F m m J w s s -= + (4) 使F J 最大的解* w 就是最佳解向量，也就是Fisher 的线性判别式. 从 )(w J F 的表达式可知，它并非w 的显函数，必须进一步变换。 已知： ∑∈= i k Y y k i i y n m 1，2,1=i , 依次代入上两式，有： i T X x k i T k X x T i i M w x n w x w n m i k i k === ∑∑∈∈)1 (1 ，2,1=i (5) 所以：2 21221221||)(||||||||M M w M w M w m m T T T -=-=- w S w w M M M M w b T T T =--=))((2121 (6) 其中：T b M M M M S ))((2121--= (7) b S 是原d 维特征空间里的样本类内离散度矩阵，表示两类均值向量之间的离散度大 小，因此，b S 越大越容易区分。 将(4.5-6) i T i M w m =和(4.5-2) ∑∈= i k X x k i i x n M 1代入(4.5-4)2i S 式中： ∑∈-= i k X x i T k T i M w x w S 22)( ∑∈?--? =i k X x T i k i k T w M x M x w ))(( w S w i T = (8) 其中：T i X x k i k i M x M x S i k ))((--= ∑=，2,1=i (9) 因此：w S w w S S w S S w T T =+=+)(212221 (10) 显然： 21S S S w += (11) w S 称为原d 维特征空间里，样本“类内离散度”矩阵。 w S 是样本“类内总离散度”矩阵。 为了便于分类，显然 i S 越小越好，也就是 w S 越小越好。 IRB1600型机器人的运动学分析及仿真 目录 1.引言................................................................................................................ - 2 - 1.1 ABB公司简介.................................................................................... - 3 - 1.2ABB发展历史 .................................................................................... - 4 - 2. IRB1600 ........................................................................................................ - 5 - 2.1 IRB1600的资料................................................................................. - 6 - 2.2建立基于D-H方法的连杆坐标系 ................................................... - 8 - 2.3建立六自由度点焊机器人的运动学方程....................................... - 10 - 3. 虚拟样机的建立........................................................................................ - 12 - 3.1 导入.................................................................................................. - 12 - 3.2 添加约束副...................................................................................... - 13 - 3.3 基于ADAMS的机器人运动学仿真 ............................................. - 14 - 4. 结语............................................................................................................ - 18 - 5. 参考资料.................................................................................................... - 19 - 题目：人工智能 1.谈谈你对本课程学习过程中的心得体会与建议？ 人工智能是研究如何利用计算机来模拟人脑所从事的感知、推理、学习、思考、规划等人类智能活动，来解决需要用人类智能才能解决的问题，以延伸人们智能的科学。掌握人工智能的基本概念、基本原理、知识的表示、推理机制和求解技术，以及机器学习的技术方法，掌握人工智能的一个问题和三大技术，即通用问题求解和知识表示技术、搜索技术、推理技术。 人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。关于什么是“智能”，就问题多多了。这涉及到其它诸如意识、自我、思维等等问题。人唯一了解的智能是人本身的智能，这是普通人认可的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。 2.《人工智能》课程设计,从以下5个题目中任选其一作答。 《人工智能》课程设计 题目三：深度优先搜索算法 要求：（1）撰写一份word文档，里面包括（算法思路、算法程序框图、主要函数代码）章节。 （2）算法思路：简单介绍该算法的基本思想，至少100字。 （3）算法程序框图：绘制流程图或原理图，从算法的开始 到结束的程序框图。 （4）主要函数代码：列出算法的具体代码。 （5）简单描述在人工智能的哪些领域需要使用深度优先搜 索算法。 答：深度优先搜索是图论中的经典算法，利用深度优先搜索算法可以产生目标图的相应拓扑排序表，利用拓扑排序表可以方便的解决很多相关的图论问题，如最大路径问题等等。一般用堆数据结构来辅助实现DFS算法。 1.深度优先遍历图算法步骤： （1）访问顶点v； （2）依次从v的未被访问的邻接点出发，对图进行深度优先遍历；直至图中和v有路径相通的顶点都被访问； （3）若此时图中尚有顶点未被访问，则从一个未被访问的顶点出发，重新进行深度优先遍历，直到图中所有顶点均被访问过为止。 上述描述可能比较抽象，举个实例： DFS在访问图中某一起始顶点v后，由v出发，访问它的任一邻接顶点w1；再从w1出发，访问与w1邻接但还没有访问过的顶点w2；然后再从w2出发，进行类似的访问，......如此进行下去，直至到达 机械原理 课后习题及参考答案 机械原理课程组编 武汉科技大学机械自动化学院 习题参考答案 第二章机构的结构分析 2-2 图2-38所示为一简易冲床的初拟设计方案。设计者的思路是：动力由齿轮1输入，使轴A连续回转；而固装在轴A上的凸轮2与杠杆3组成的凸轮机构将使冲头4上下运动以达到冲压的目的。试绘出其机构运动简图，分析其运动是否确定，并提出修改措施。 4 3 5 1 2 解答：原机构自由度F=3?3- 2 ?4-1 = 0，不合理，改为以下几种结构均可： 2-3 图2-396为连杆；7为齿轮及偏心轮；8为机架；9为压头。试绘制其机构运动简图，并计算其自由度。 O 齿轮及偏心轮ω A 齿轮及凸轮 B E F D C 压头 机架 连杆 滑杆滑块 摆杆滚子 解答：n=7; P l =9; P h =2，F=3?7-2 ?9-2 = 1 2-6 试计算图2-42所示凸轮—连杆组合机构的自由度。 解答：a) n=7; P l =9; P h =2，F=3?7-2 ?9-2 =1 L 处存在局部自由度，D 处存在虚约束 b) n=5; P l =6; P h =2，F=3?5-2 ?6-2 =1 E 、B 处存在局部自由度，F 、C 处存在虚约束 b) a)A E M D F E L K J I F B C C D B A 2-7 试计算图2-43所示齿轮—连杆组合机构的自由度。 B D C A (a) C D B A (b) 解答：a) n=4; P l =5; P h =1，F=3?4-2 ?5-1=1 A 处存在复合铰链 b) n=6; P l =7; P h =3，F=3?6-2 ?7-3=1 B 、C 、D 处存在复合铰链 2-8 试计算图2-44所示刹车机构的自由度。并就刹车过程说明此机构自由度的变化情况。 机器人测控技术 大作业 题目: 电气工程学院 学院名称：电气工程学院 专业班级：自动 学生姓名： 学号： 2015 指导教师：张世杰 考虑如图1所示的双关节刚性机械臂，试分析以下问题： 图1 双关节机械臂示意图 （1） 用D-H 建模法建立上述机械臂的运动学方程； （2） 忽略重力、摩擦力和干扰项的情况下，建立该机械臂的动力学 方程； （3） 如果取11l =，20.8l =，120.5m m ==，初始状态： 11220.100.10q q q q ???? ????????=?????????? ?? 试设计一个PD 控制器，让其跟踪一条如下指定的曲线： 12sin 2sin 2d d q t q t ππ=?? =?，并利用Matlab 中给出仿真结果。 解： Y 0 X 0 X 1 Y 1 X 2 Y2 ①建立坐标系 a 、机座坐标系｛0｝ b 、杆件坐标系｛i ｝ ②确定参数 d i ——相邻坐标系x 轴之间的距离； θi ——相邻坐标系x 轴之间的夹角； l i ——相邻坐标系z 轴之间的距离； αi ——相邻坐标系z 轴之间的夹角。 ③相邻杆件位姿矩阵 M 01=Rot(z,θ1)·Trans(l 1,0,0) = 1 00 01000011 011θθθθc s s c - 1 000010000101 l 001 = 1 01001 1011 1 1011θθθθθθs L c s c L s c - 同理可得： M 12=Rot(z,θ2)·Trans(l 2,0,0) = 1 01002 20222 2022θθθθθθs L c s c L s c - M 23（h ）=Rot(z,θ3)·Trans(l 3,0,0) = 1 01003 30333 3033θθθθθθs L c s c L s c - 机器学习大作业 -标准化文件发布号：（9456-EUATWK-MWUB-WUNN-INNUL-DDQTY-KII 机器学习大作业 支持向量机是基于统计学习理论的结构风险最小化原则的，它将最大分 界面分类器思想和基于核的方法结合在一起，表现出了很好的泛化能力。由 于SVM方法不仅考虑了对渐进性能的要求，而且在现有有限信息的条件下得 到最优结果，并且能够根据有限的样本信息在模型的复杂性和学习能力之间 寻求最佳折中，从而获得最好的推广能力。SVM主要是应用于分类，简单而言，就是如果有一堆已经分好类的东西（可是分类的依据是未知的），当有 新的未知数据进来时，SVM能够预测这个新的数据要分到哪一堆去。 第一章理论知识 1.1最优间隔分类器 SVM的主要思想是针对两类分类问题，在高维空间寻找一个最优分类超 平面作为分类平面，来保证最小的分类错误率。我们的目标是寻找一个超平面，使得离超平面比较近的点有更大的间距，也就是说，我们不考虑所有的 点都必须远离超平面，我们关心的只是想要求得的超平面能够使得所有点中 离它最近的点具有最大间距。形象的说，我们将上面的图看作是一张纸，我 们要找一条折线，按照这条折线折叠后，离折线最近的点的间距比其他折线 都要大。形式化表示为： 上面描述的这种情况是建立在样例线性可分的假设上，当样例线性不可分时，可以引入松弛变量，它允许在一定程度上违反间隔约束。我们可以尝试使用核函数来将特征映射到高维，这样很可能就可分了。然而，映射后我们也不能100%保证可分。那怎么办呢，我们需要将模型进行调整，以保证在不可分的情况下，也能够尽可能地找出分隔超平面。 看下面两张图： 第二章习题及解答 2-1 如题图2-1所示为一小型冲床，试绘制其机构运动简图，并计算机构自由度。 （a）（b） 题图2-1 解： 1)分析 该小型冲床由菱形构件1、滑块2、拨叉3和圆盘4、连杆5、冲头6等构件组成，其中菱形构件1为原动件，绕固定点A作定轴转动，通过铰链B与滑块2联接，滑块2与拨叉3构成移动副，拨叉3与圆盘4固定在一起为同一个构件且绕C轴转动，圆盘通过铰链与连杆5联接，连杆带动冲头6做往复运动实现冲裁运动。 2)绘制机构运动简图 选定比例尺后绘制机构运动简图如图（b）所示。 3)自由度计算 其中n=5，P L=7, P H=0, F=3n-2P L-P H=3×5-2×7=1 故该机构具有确定的运动。 2-2 如题图2-2所示为一齿轮齿条式活塞泵，试绘制其机构运动简图，并计算机构自由度。 （a）（b） 题图2-2 解： 1)分析 该活塞泵由飞轮曲柄1、连杆2、扇形齿轮3、齿条活塞4等构件组成，其中飞轮曲柄1为原动件，绕固定点A作定轴转动，通过铰链B与连杆2联接，连杆2通过铰链与扇形齿轮3联接，扇形齿轮3通过高副接触驱动齿条活塞4作往复运动，活塞与机架之间构成移动副。 2) 绘制机构运动简图 选定比例尺后绘制机构运动简图如图（b）所示。 3)自由度计算 其中n=4，P L=5, P H=1 F=3n-2P L-P H=3×4-2×5-1=1 故该机构具有确定的运动。 2-3 如图2-3所示为一简易冲床的初步设计方案，设计者的意图是电动机通过一级齿轮1和2减速后带动凸轮3旋转，然后通过摆杆4带动冲头实现上下往复冲压运动。试根据机构自由度分析该方案的合理性，并提出修改后的新方案。 机器人视觉论文 论文题目：基于opencv的手势识别院系：信息科学与工程学院 专业：信号与信息处理 姓名：孙竟豪 学号：21160211123 摘要 文中介绍了一种易于实现的快速实时手势识别算法。研究借助计算机视觉库OpenCV和微软Visual Studio 2008 搭建开发平台，通过视频方式实时提取人的手势信息，进而经二值化、膨胀腐蚀、轮廓提取、区域分割等图像处理流程甄别出当前手势中张开的手指，识别手势特征，提取出人手所包含的特定信息，并最终将手势信息作为控制仪器设备的操作指令，控制相关设备仪器。 0、引言 随着现代科技的高速发展及生活方式的转变，人们越发追求生活、工作中的智能化，希望享有简便、高效、人性化的智能操作控制方式。而伴随计算机的微型化，人机交互需求越来越高，人机友好交互也日益成为研发的热点。目前，人们已不仅仅满足按键式的操作控制，其目光已转向利用人体动作、表情变化等更加方便、友好、直观地应用智能化交互控制体系方面。近年来，国内外科学家在手势识别领域有了突破性进展。1993 年B．Thamas等人最先提出借助数据手套或在人手粘贴特殊颜色的辅助标记来进行手势动作的识别，由此开启了人们对手势识别领域的探索。随后，手势识别研究成果和各种方式的识别方法也纷然出现。从基于方向直方图的手势识别到复杂背景手势目标的捕获与识别，再到基于立体视觉的自然手势识别，每次探索都是手势识别领域内的重大突破。 1 手势识别流程及关键技术 本文将介绍一种基于 OpenCV 的实时手势识别算法，该算法是在现有手势识别技术基础上通过解决手心追踪定位问题来实现手势识别的实时性和高效性。 基于 OpenCV 的手势识别流程如图 1 所示。首先通过视频流采集实时手势图像，而后进行包括图像增强、图像锐化在内的图像预处理，目的是提高图像清晰度并明晰轮廓边缘。根据肤色在 YCrCb 色彩空间中的自适应阈值对图像进行二值化处理，提取图像中所有的肤色以及类肤色像素点，而后经过膨胀、腐蚀、图像平滑处理后，祛除小块的类肤色区域干扰，得到若干块面积较大的肤色区域; 此时根据各个肤色区域的轮廓特征进行甄选，获取目标手势区域，而后根据目标区域的特征进行识别，确定当前手势，获取手势信息。 机器学习大作业Revised on November 25, 2020 题目：机器学习 授课老师：韩红 基于BP 神经网络的非线性函数拟合 摘要：BP(Back Propagation)神经网络是 1986年由 Rumelhart和 McCelland 提出的，它是一种误差按反向传播的多层前馈网络，是目前应用最广泛的神经网络模型之一。 BP神经网络具有非常强的非线性映射能力，能以任意精度逼近任意连续函数，因此在人工智能的许多领域都得到了广泛的应用。 通常，BP算法是通过一些学习规则来调整神经元之间的连接权值，在学习过程中，学习规则以及网络的拓扑结构不变。然而一个神经网络的信息处理功能不仅取决于神经元之间的连接强度，而且与网络的拓扑结构（神经元的连接方式）、神经元的输入输出特性和神经元的阈值有关，因而神经网络模型要加强自身的适应和学习能力，应该知道如何合理地自组织网络的拓扑结构，知道改变神经元的激活特性以及在必要时调整网络的学习参数等。 1 BP神经网络概述 BP神经网络是一种多层前馈神经网络,该网络的主要特点是信号前向传递,误差反向传播。在前向传递中,输入信号从输入层经隐含层逐层处理, 直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出, 则转入反向传播,根据预测误差调整网络权值和阈值,从而使B P神经网络预测输出不断逼近期望输出。BP神经网络的拓扑结构如图 图1中, X1, X2, …, X n是BP神经网络的输入值, Y1, Y2, …, Y m是BP神经网络的预测值,ωij和ωjk为BP神经网络权值。从图2可以看出, BP神经网络可以看成一个非线性函数, 网络输入值和预测值分别为该函数的自变量和因变量。当输入节 机械原理课后全部习题答案 目录 第1章绪论 (1) 第2章平面机构的结构分析 (3) 第3章平面连杆机构 (8) 第4章凸轮机构及其设计 (15) 第5章齿轮机构 (19) 第6章轮系及其设计 (26) 第8章机械运动力学方程 (32) 第9章平面机构的平衡 (39) 第一章绪论 一、补充题 1、复习思考题 1)、机器应具有什么特征机器通常由哪三部分组成各部分的功能是什么 2）、机器与机构有什么异同点 3）、什么叫构件什么叫零件什么叫通用零件和专用零件试各举二个实例。 4）、设计机器时应满足哪些基本要求试选取一台机器，分析设计时应满足的基本要求。 2、填空题 1)、机器或机构，都是由组合而成的。 2）、机器或机构的之间，具有确定的相对运动。 3）、机器可以用来人的劳动，完成有用的。 4）、组成机构、并且相互间能作的物体，叫做构件。 5）、从运动的角度看，机构的主要功用在于运动或运动的形式。 6）、构件是机器的单元。零件是机器的单元。 7）、机器的工作部分须完成机器的动作，且处于整个传动的。 8）、机器的传动部分是把原动部分的运动和功率传递给工作部分的。 9）、构件之间具有的相对运动，并能完成的机械功或实现能量转换的的组合，叫机器。 3、判断题 1)、构件都是可动的。（） 2）、机器的传动部分都是机构。（） 3）、互相之间能作相对运动的物件是构件。（） 4）、只从运动方面讲，机构是具有确定相对运动构件的组合。（）5）、机构的作用，只是传递或转换运动的形式。（） 6）、机器是构件之间具有确定的相对运动，并能完成有用的机械功或实现能量转换的构件的组合。（） 7）、机构中的主动件和被动件，都是构件。（） 2 填空题答案 1）、构件2）、构件3）、代替机械功4）、相对运动5）、传递转换6）、运动制造7）、预定终端8）、中间环节9）、确定有用构件 3判断题答案 1）、√2）、√3）、√4）、√5）、×6）、√7）、√ Adaptive Evolutionary Artificial Neural Networks for Pattern Classification 自适应进化人工神经网络模式分类 Abstract—This paper presents a new evolutionary approach called the hybrid evolutionary artificial neural network (HEANN) for simultaneously evolving an artificial neural networks (ANNs) topology and weights. Evolutionary algorithms (EAs) with strong global search capabilities are likely to provide the most promising region. However, they are less efficient in fine-tuning the search space locally. HEANN emphasizes the balancing of the global search and local search for the evolutionary process by adapting the mutation probability and the step size of the weight perturbation. This is distinguishable from most previous studies that incorporate EA to search for network topology and gradient learning for weight updating. Four benchmark functions were used to test the evolutionary framework of HEANN. In addition, HEANN was tested on seven classification benchmark problems from the UCI machine learning repository. Experimental results show the superior performance of HEANN in fine-tuning the network complexity within a small number of generations while preserving the generalization capability compared with other algorithms. 摘要——这片文章提出了一种新的进化方法称为混合进化人工神经网络(HEANN),同时提出进化人工神经网络(ANNs)拓扑结构和权重。进化算法(EAs)具有较强的全局搜索能力且很可能指向最有前途的领域。然而,在搜索空间局部微调时，他们效率较低。HEANN强调全局搜索的平衡和局部搜索的进化过程，通过调整变异概率和步长扰动的权值。这是区别于大多数以前的研究，那些研究整合EA来搜索网络拓扑和梯度学习来进行权值更新。四个基准函数被用来测试的HEANN进化框架。此外,HEANN测试了七个分类基准问题的UCI机器学习库。实验结果表明在少数几代算法中，HEANN在微调网络复杂性的性能是优越的。同时，他还保留了相对于其他算法的泛化性能。 I. INTRODUCTION Artificial neural networks (ANNs) have emerged as a powerful tool for pattern classification [1], [2]. The optimization of ANN topology and connection weights training are often treated separately. Such a divide-and-conquer approach gives rise to an imprecise evaluation of the selected topology of ANNs. In fact, these two tasks are interdependent and should be addressed simultaneously to achieve optimum results. 人工神经网络(ANNs)已经成为一种强大的工具被用于模式分类[1],[2]。ANN 拓扑优化和连接权重训练经常被单独处理。这样一个分治算法产生一个不精确的评价选择的神经网络拓扑结构。事实上,这两个任务都是相互依存的且应当同时解决以达到最佳结果。 网络教育学院 《数据挖掘》课程大作业 题目：题目一：Knn算法原理以及python实现 姓名： XXX 报名编号： XXX 学习中心：奥鹏XXX 层次：专升本 专业：计算机科学与技术 第一大题：讲述自己在完成大作业过程中遇到的困难，解决问题的思路，以及相关感想，或者对这个项目的认识，或者对Python与数据挖掘的认识等等，300-500字。 答： 数据挖掘是指从大量的数据中通过一些算法寻找隐藏于其中重要实用信息的过程。这些算法包括神经网络法、决策树法、遗传算法、粗糙集法、模糊集法、关联规则法等。在商务管理，股市分析，公司重要信息决策，以及科学研究方面都有十分重要的意义。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术，从大量数据中寻找其肉眼难以发现的规律，和大数据联系密切。如今，数据挖掘已经应用在很多行业里，对人们的生产生活以及未来大数据时代起到了重要影响。 第二大题：完成下面一项大作业题目。 2019秋《数据挖掘》课程大作业 注意：从以下5个题目中任选其一作答。 题目一：Knn算法原理以及python实现 要求：文档用使用word撰写即可。 主要内容必须包括： （1）算法介绍。 （2）算法流程。 （3）python实现算法以及预测。 （4）整个word文件名为 [姓名奥鹏卡号学习中心]（如 戴卫东101410013979浙江台州奥鹏学习中心[1]VIP ） 答： KNN算法介绍 KNN是一种监督学习算法，通过计算新数据与训练数据特征值之间的距离，然后选取K(K>=1)个距离最近的邻居进行分类判(投票法)或者回归。若K=1，新数据被简单分配给其近邻的类。 KNN算法实现过程 (1)选择一种距离计算方式, 通过数据所有的特征计算新数据与 大作业：PUMA 机器人 1. 坐标系建立 利用D-H 参数法建立坐标系： 2．D-H 参数表 关节 i θ(?) i α(?) i l i d 运动范围 1 90 -90 0 0 -160°~160° 2 0 0 a 2 d 2 -225°~45° 3 90 90 -a 3 0 -45°~225° 4 0 -90 0 4d -110°~170° 5 0 90 0 0 -100°~100° 6 6d -266°~266° 3. 正运动学推导 3.1变换矩阵求取 1 i-1i 11Rot(,) Trans(0,0,d ) Trans(l ,0,0) Rot(,) = 00 1i i i i i i i i i i i i i i i i i i i i i i c s c s s l c c c c c s l s A z x s c d θθαθαθθ θαθαθθααα----????-? ?=?????? 列各D-H 变换矩阵如下： 110101010010000 01-????? ?=??-? ???c s s c A 2212222 02220200 10 001c s a c s c a s A d -??????=?? ???? 33233 03 3303301000001c s a c s c a s A -?? ??--??=?? ? ? ?? 344404040400100001-??????=??-????c s s c A d 45 50 5 0505001000001c s s c A ????-??=?? ?? ?? 5666-6 066000010 001c s s c A d ?? ????=?? ???? 注：为书写方面，本文中cos ,sin i i ci si θθ== 又由00123456123456T A A A A A A =?????，利用Matlab 进行符号运算，运行程序PUMAzhengyundongxue （程序详见附录）得： ??????? ?? ???=10 0060 pz az sz nz py ay sy ny px ax sx nx T 其中 - c6*(s5*(c1*c2*s3 + c1*c3*s2) + c5*(s1*s4 - c4*(c1*c2*c3 - c1*s2*s3))) - s6*(c4*s1 + s4*(c1*c2*c3 - c1*s2*s3))s6*(c1*c4 - s4*(c2*c3*s1 - s1*s2*s3)) - c6*(s5*(c2*s1*s3 + c3*s1*s2) nx ny == - c5*(c1*s4 + c4*(c2*c3*s1 - s1*s2*s3)))s4*s6*(c2*s3 + c3*s2) - c6*(s5*(c2*c3 - s2*s3) + c4*c5*(c2*s3 + c3*s2))nz ??? ??? ?=?? 机器学习大作业 题目机器学习大报告 学院电子工程学院 专业 学生姓名 学号 目录 第一章机器学习的基本理论及算法 (3) 1.1机器学习的基本理论 (3) 1.1.1 机器学习的概念 (3) 1.1.2 机器学习的发展历程 (3) 1.1.3 机器学习的模型 (4) 1.2机器学习主要算法 (5) 1.2.1 决策树算法 (5) 1.2.2 人工神经网络 (6) 1.2.3贝叶斯学习算法 (7) 1.2.4 遗传算法 (8) 1.2.5 支持向量机 (9) 第二章支持向量机（SVM）原理 (11) 2.1 SVM的产生与发展 (11) 2.2 统计学习理论基础 (12) 2.3 SVM原理 (12) 2.3.1．最优分类面和广义最优分类面 (13) 2.3.2 SVM的非线性映射 (16) 2.3.3．核函数 (17) 第三章支持向量机的应用研究现状 (19) 3.1 应用概述 (19) 3.2支持向量机的应用 (19) 3.2.1 人脸检测、验证和识别 (19) 3.2.2说话人/语音识别 (20) 3.2.3 文字／手写体识别 (20) 3.2.4 图像处理 (20) 3.2.5 其他应用研究 (21) 第四章基于SVM的实例及仿真结果 (23) 4.1 16棋盘格数据分类 (23) 4.2 UCI中iris数据分类 (25) 第一章机器学习的基本理论及算法 1.1机器学习的基本理论 1.1.1 机器学习的概念 机器学习是人工智能的一个分支，是现代计算机技术研究一个重点也是热点问题。顾名思义，机器学习就是计算机模仿人类获取知识的模式，通过建立相应的模型，对外界输入通过记忆"归纳"推理等等方式，获得有效的信息和经验总结，进而不断的自我完善，提高系统的功能。目前，机器学习的定义尚不统一，不同专业背景的学者出于不同的立场，对于机器学习的看法是不同的。下面主要介绍两位机器学习专业研究者赋予机器学习的定义。兰利（https://www.doczj.com/doc/546527128.html,ngley）认为：“机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。米切尔（T.M.Mitchell）在其著作《机器学习》中谈到“机器学习”关注的问题是“计算机程序如何随着经验积累自动提高自身的性能”，也就是主要指的是归纳学习，另外“分析学习和增强学习也是学习的一个不可或缺组成部分”。两位学者的观点类似，都把机器学习看成是计算机或人工智能的一个分支学科，都强调的是归纳学习算法。 机器学习在人工智能领域中是一个相对比较活跃的研究领域,其研究目的就是要促进机器像人样可以源源不断获取外界的知识,建立相关学习的理论,构建学习系统,并将这些发明应用于各个领域。 1.1.2 机器学习的发展历程 机器学习(machine learning)是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。作为人工智能研究的一个新崛起的分支，机器学习的发展历程大至可分为如下几个时期： （1）热烈时期：20 世纪50 年代的神经模拟和决策理论技术,学习系统在运行时很少具有结构或知识。主要是建造神经网络和自组织学习系统, 学习表现为阈值逻辑单元传送信号的反馈调整。 （2）冷静时期：20 世纪60 年代早期开始研究面向概念的学习, 即符号学习。 第8章作业 8-l 铰链四杆机构中，转动副成为周转副的条件是什么?在下图所示四杆机构ABCD 中哪些运动副为周转副?当其杆AB 与AD 重合时，该机构在运动上有何特点?并用作图法求出杆3上E 点的连杆曲线。 答：转动副成为周转副的条件是： （1）最短杆与最长杆的长度之和小于或等于其他两杆长度之和； （2）机构中最短杆上的两个转动副均为周转副。图示ABCD 四杆机构中C 、D 为周转副。 当其杆AB 与AD 重合时，杆BE 与CD 也重合因此机构处于死点位置。 8-2曲柄摇杆机构中，当以曲柄为原动件时，机构是否一定存在急回运动，且一定无死点?为什么? 答：机构不一定存在急回运动，但一定无死点，因为： （1）当极位夹角等于零时，就不存在急回运动如图所示， （2）原动件能做连续回转运动，所以一定无死点。 8-3 四杆机构中的极位和死点有何异同? 8-4图a 为偏心轮式容积泵；图b 为由四个四杆机构组成的转动翼板式容积泵。试绘出两种泵的机构运动简图，并说明它们为何种四杆机构，为什么? 解 机构运动简图如右图所示，ABCD 是双曲柄机构。 因为主动圆盘AB 绕固定轴A 作整周转动，而各翼板CD 绕固定轴D 转动，所以A 、D 为周转副，杆AB 、CD 都是曲柄。 8-5试画出图示两种机构的机构运动简图，并说明它们各为何种机构。 图a 曲柄摇杆机构 图b 为导杆机构。 8-6如图所示，设己知四杆机构各构件的长度为240a mm =，600b =mm ,400,500c mm d mm ==。试问: 1)当取杆4为机架时，是否有曲柄存在? 2)若各杆长度不变，能否以选不同杆为机架的办法获得双曲柄机构和双摇杆机构?如何获得?人工智能大作业
工业机器人设计(大四机器人课设作业)(DOC)
宋强 1202121332 统计机器学习大作业
模式识别大作业02125128(修改版)
机器人大作业
大工《人工智能》大作业参考题目及要求【内容仅供参考】647
机械原理习题及课后答案(图文并茂)
机器人测控技术大作业
机器学习大作业
机械原理习题及解答
机器人视觉大作业
机器学习大作业
机械原理课后全部习题答案
人工智能大作业翻译
大工19秋《数据挖掘》大作业题目及要求答案
机器人技术大作业
机器学习大作业
机械原理课后答案第8章
相关主题
文本预览