<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[HUSHLALA的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/HUSHLALA</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; HUSHLALA]]></copyright><item><title><![CDATA[【优化问题】从基础优化开始到现代控制的一点点思考]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/162879017</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/162879017</guid><author>HUSHLALA</author><pubDate>Tue, 14 Jul 2026 23:23:34 +0800</pubDate><description><![CDATA[（这里先不考虑约束、定义域等）这是最基础的优化问题，而后面作为控制领域的问题，现代控制理论中最优化控制和强化学习实际上都建立在这样的优化理论之上。一般最优化函数中的目标函数J是在对一个泛函进行优化，x,u都是时间t的函数。原始的优化问题中，最基础最简单的问题是有一个决策变量一个目标函数，说的更统一一点就是。仔细想想确实很多概念回到了最初最本质的概念，向量没法比较大小，因此多目标优化的解是一个解集而非单个解。开始学习最优化控制的时候，其实总被名词所迷惑，也会被无处不在的优化和各种各样的优化弄花了眼。]]></description><category></category></item><item><title><![CDATA[【texlive2025】cannot find FangSong_GB2312]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/159347716</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/159347716</guid><author>HUSHLALA</author><pubDate>Sun, 22 Mar 2026 10:19:48 +0800</pubDate><description><![CDATA[Copy-Item “C:\Windows\Fonts\仿宋_GB2312.ttf” “C:\Windows\Fonts\FangSong_GB2312.ttf”Copy-Item “C:\Windows\Fonts\楷体_GB2312.ttf” “C:\Windows\Fonts\KaiTi_GB2312.ttf”执行后，XeTeX 就能通过 FangSong_GB2312 找到对应的 ASCII 文件名字体文件，不需要修改模板代码。是系统里面字体以中文命名，复制一份为英文，就可以加载到。]]></description><category></category></item><item><title><![CDATA[【deepseek本地部署，结合zotero插件】]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/145709986</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/145709986</guid><author>HUSHLALA</author><pubDate>Tue, 18 Feb 2025 22:26:58 +0800</pubDate><description><![CDATA[deepseek本地部署，结合zotero插件]]></description><category></category></item><item><title><![CDATA[simulink学习记录 0【自己的过程记录】]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/145123908</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/145123908</guid><author>HUSHLALA</author><pubDate>Mon, 13 Jan 2025 23:33:13 +0800</pubDate><description><![CDATA[四杆腿仿真过程记录]]></description><category></category></item><item><title><![CDATA[simulink 学习记录1【关于时间】想要设置随时间变化的输入的尝试]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/145120598</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/145120598</guid><author>HUSHLALA</author><pubDate>Mon, 13 Jan 2025 21:09:02 +0800</pubDate><description><![CDATA[simulink 和时间相关的内容学习]]></description><category></category></item><item><title><![CDATA[【小白的open harmony摸索之路】基于野火鲁班猫rk3568的open harmony入手——从编译烧录到HelloWorld]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/140834075</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/140834075</guid><author>HUSHLALA</author><pubDate>Wed, 31 Jul 2024 23:35:13 +0800</pubDate><description><![CDATA[因为买的是野火的板子所以把野火的手册和open harmony官方给的都要参考一下，必要时还可以结合淘宝技术客服😎下面大概总结一下流程以及会碰到的一些问题。]]></description><category></category></item><item><title><![CDATA[【Xavier NX】刷机随手记录]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/140712670</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/140712670</guid><author>HUSHLALA</author><pubDate>Fri, 26 Jul 2024 13:17:13 +0800</pubDate><description><![CDATA[最近重新刷机了一下jetson Xavier NX的板子，之前重装了系统后主要是有点慢，再加上下载的东西什么的比较乱，需要重新规划一下，乘着这个机会刚好就重新刷机了，在这里记录一点遇到的问题。网上刷机教程很多，不另外说。]]></description><category></category></item><item><title><![CDATA[【MIT Cheetah】整体设计学习]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/139129342</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/139129342</guid><author>HUSHLALA</author><pubDate>Thu, 23 May 2024 18:02:06 +0800</pubDate><description><![CDATA[MIT Cheetah ]]></description><category></category></item><item><title><![CDATA[足式机器人仿真学习汇总]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/137337889</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/137337889</guid><author>HUSHLALA</author><pubDate>Wed, 03 Apr 2024 11:31:06 +0800</pubDate><description><![CDATA[学习贴汇总]]></description><category></category></item><item><title><![CDATA[linux ROS2学习入门1【节点的创建和相关基础指令】]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/135963821</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/135963821</guid><author>HUSHLALA</author><pubDate>Wed, 31 Jan 2024 23:27:45 +0800</pubDate><description><![CDATA[在学习过程中记录一些自己容易忘记的linux和ROS2的指令，顺便在学习过程中梳理一下大致思路。]]></description><category></category></item><item><title><![CDATA[simscape建立四连杆结构问题记录]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/131564229</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/131564229</guid><author>HUSHLALA</author><pubDate>Wed, 05 Jul 2023 21:52:28 +0800</pubDate><description><![CDATA[在昨天学习的基础上尝试建立一个简单的四连杆机构，过程中发现问题还是很多，在这里记录一下遇到的问题和解决方案。]]></description><category></category></item><item><title><![CDATA[Simscape-mutibody官网教程——单摆分析（Analyze a Simple Pendulum）]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/131543673</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/131543673</guid><author>HUSHLALA</author><pubDate>Tue, 04 Jul 2023 22:55:15 +0800</pubDate><description><![CDATA[simulink simscape初学，单摆分析设置]]></description><category></category></item><item><title><![CDATA[【ADAMS应用实例记录】——换挡选档机械手仿真]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/128671822</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/128671822</guid><author>HUSHLALA</author><pubDate>Mon, 06 Mar 2023 20:28:55 +0800</pubDate><description><![CDATA[选档、换挡机械手仿真]]></description><category></category></item><item><title><![CDATA[【ADAMS学习记录】——STEP函数添加运动驱动]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/128686782</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/128686782</guid><author>HUSHLALA</author><pubDate>Mon, 13 Feb 2023 18:43:47 +0800</pubDate><description><![CDATA[STEP函数添加运动驱动]]></description><category></category></item><item><title><![CDATA[【Abaqus】部件分割操作用法学习]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/128831236</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/128831236</guid><author>HUSHLALA</author><pubDate>Wed, 01 Feb 2023 14:06:30 +0800</pubDate><description><![CDATA[Abaqus 部件分割功能]]></description><category></category></item><item><title><![CDATA[【Abaqus 网格划分1——基础内容】]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/128629396</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/128629396</guid><author>HUSHLALA</author><pubDate>Thu, 12 Jan 2023 09:42:11 +0800</pubDate><description><![CDATA[有限元仿真软件Abaqus网格划分的基础知识]]></description><category></category></item><item><title><![CDATA[神经网络学习5【train()函数编写 + 完整的神经网络代码】]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/119935300</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/119935300</guid><author>HUSHLALA</author><pubDate>Fri, 22 Oct 2021 09:38:08 +0800</pubDate><description><![CDATA[上一篇文章讲了误差的传递与更新。至此这样一个简单的神经网络的脉络我们已经梳理清楚了。
紧接着，我们再回到已经写好输入和查询的神经网络框架中，去完善它。
train()函数
训练网络。训练任务分为两个部分:①针对给定的训练样本计算输出。②将计算得到的输出与所需输出对比，使用差值来指导网络权重的更新。
①针对给定的训练样本计算输出
我们已经完成了第一部分：
    # train the neural network
    def train(self, inputs_list, targets_list):]]></description><category></category></item><item><title><![CDATA[神经网络学习4【误差传递与权重更新】]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/119715478</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/119715478</guid><author>HUSHLALA</author><pubDate>Thu, 26 Aug 2021 16:42:20 +0800</pubDate><description><![CDATA[1.4. 误差反馈
1.4.1 误差反馈校正权重矩阵
可以理解，输出和误差都是多个节点共同作用的结果，那么该如何更新链接权重？

思考一下，得到误差后，该怎么分配？平均分的话是否会有失公平？毕竟我们在之前的学习中了解到，前一层每个节点的贡献都是不一样的。考虑极端情况，当某权重为0时，它对下一个节点的贡献为0；这时如果误差仍然平均分配显然是不那么合适的。
但我们很容易想到这个标准：较大链接权重的连接分配更多的误差。

将同样的思想扩展到多个节点。如果我们拥有100个节点链接到输出节点，那么我们要在这100条链]]></description><category></category></item><item><title><![CDATA[神经网络学习3【计算流程公式推导+Python代码框架】]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/119702996</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/119702996</guid><author>HUSHLALA</author><pubDate>Sun, 15 Aug 2021 17:26:34 +0800</pubDate><description><![CDATA[在上一篇文章  神经网络学习2【分类器+升华至神经元 搭建神经网络】中由浅入深的理解了从分类器开始如何理解神经网络的内部计算。
接下来我们借用数学工具去逐步推导其计算公式，并同时建立出Python代码框架。
1.神经网络公式推导
1.1两层神经网络计算
尝试使用只有两层、每层两个神经元的较小的神经网络，来演示神经网络如何工作:

两个输入值分别为1.0和0.5,每个节点使用激活函数。使用一些随机权重：

第一层仅作输入层，不需要使用激活函数。
第二层中需要做一些计算，以及使用激活函数，当然，在这个简单的网络]]></description><category></category></item><item><title><![CDATA[神经网络学习2【分类器+升华至神经元 搭建神经网络】]]></title><link>https://blog.youkuaiyun.com/HUSHLALA/article/details/119635243</link><guid>https://blog.youkuaiyun.com/HUSHLALA/article/details/119635243</guid><author>HUSHLALA</author><pubDate>Thu, 12 Aug 2021 16:45:45 +0800</pubDate><description><![CDATA[1.训练简单的分类器
基于上一篇文章神经网络学习1【】原理初解末尾的问题：对于花园里小虫子的分类问题，我们如何得到正确的斜率？

用以上真实正确的训练数据帮我们调整分类函数的斜率：

由于分界线是一条直线，因此我们可以设： y =Ax。
尝试从A = 0.25开始，分界线为y = 0.25x 。绘制直线，观察情况：

我们大概理解，分类器与之前的预测器之间的差别就在于误差的表示。预测时，误差就是输出与真实值之间的差值，但对于预测，我们没办法具体的用已知的真实值来表示。但如上图，我们可以从图像上确定出期望直线]]></description><category></category></item></channel></rss>