巴壁虎的专栏

看了看PID控制算法的原理，自己用Python的matplotlib简单写了一个控制小球到指定位置的小演示。如果小球不在指定的高度，就计算误差，再输入一个控制信号——这里是加速度a，以便驱动小球运动，从而改变小球的位置。不停的计算：计算高度误差，计算输出的信号——加速度a，计算新的速度，计算新高度。如果只考虑小球当前位置和指定高度的误差，始终会来回摆动，无法进入稳定状态。如果用到P...

根据感知机学习规则，分类直线与权重向量正交。如果开始的分类直线计算出来的Yj与预期输出Dj之间有误差Ej=Dj-Yj，就应该把连接权重Wj的方向依据学习向量X调整。正误差时，Wj朝着X调整，因此，Wj(t+1)=Wj(t)+n*Ej*X.据此，在Python中实现最简单的逻辑与的感知机学习代码：import numpy as np#--------------------------------...

理解了BP神经网络的原理，接下来实现一个比较正常的BP神经网络：3个输入节点，3个隐含层节点，2个输出节点。对Numpy不是很熟悉，看例子琢磨了好久，才做通，还是不错。一点体会：Numpy真是强。import numpy as np# --------------------------------------------# 激活函数# 当derive为True时，是对sigmoid函数求...

第一个最简单的BPNN：包括3个输入层节点，3个隐含层节点，1个输出层节点。学习样本为5个，每次都把5个学习样本都学习一遍，直到学习次数达到预设的次数。每次学习都记录下误差（或者叫损失）。为了简单，隐含层和输出层暂时不考虑偏置，等下一次再考虑。训练了1000次，误差在0.05多些，然后损失就下降得很慢了，估计增加偏置后会好些。import numpy as np# --------------...

1.为数据增加维度# Price是一个1行5列的矩阵，注意列表是两层，表示是二维的：[ [] ]Price = np.array([[15.90, 16.26, 10.1, 19.19, 25.33]])# 生成的是一个1维矩阵mylist = np.array([1, 2, 3])# 在1维矩阵的基础上增加一个维度，成为2维矩阵mylist2 = mylist.[:, np....

# -*- coding: utf-8 -*-import cv2import numpy as npimport mathimport osimport matplotlib.pyplot as plt# 取得给定的LBP字符串的最小二进制值，实现旋转不变形def Rotate_LBP_Min(str_lbp_input): str_lbp_tmp = str_lbp_i...