qq_36130719的博客

本专栏以MATLAB基础知识讲解为主，相信有很多刚入门的理工科小伙伴，对于MATLAB这个软件还不是很熟悉，在这里给各位学弟学妹们一个小建议：大学期间数模竞赛如果有机会尽量去参加，一方面是对自己所学知识的一次检验，另外，如果能在比赛中获得好名次的话，对你之后的求职升学等方面都会有很大助力！本专栏的进阶版参见博主的这个专栏，里面详细列举了各类算法的算法原理、应用案例及多种编程语言的代码实现，配合基础篇一起学习能达到事半功倍的效果哦。

混合专家模型（Mixture of Experts, MoE）是一种神经网络架构，它通过一个门控网络（gating network）为每个输入动态地选择一小部分被称为“专家”的子网络进行计算，从而以稀疏激活的方式提升模型容量与计算效率。允许模型总参数量变得极大，单次前向传播的计算成本能保持在可控范围内。核心思想是“分治策略+条件计算”，通过稀疏激活机制（仅调用部分专家）显著提升模型容量与计算效率的平衡性。核心特点在于其“高参数、低计算”的稀疏性。

什么是激光、发射激光的激光器有哪些类型，激光器有哪些重要的参数，本文期望能够说清一二。一、激光的诞生激光Laser的英文全称为Light Amplification by Stimulated Emission of Radiation，直译过来就是受激辐射光放大，听起来有点别扭，但其实精确表达了激光产生的原理，而要讲清这个原理，就不得不从物资原子结构聊起。

自动白平衡（AWB，Auto White Balance）是图像信号处理流程（ISP）中的核心模块，主要用于消除不同的光源色温对物体真实颜色的影响，以确保在不同光照条件（尤其是不同的色温状况）下白色物体能够被正确还原为白色。之所以需要在ISP处理环节中包含自动白平衡的处理，其背后的主要原因在于，与图像传感器相比，人眼具有卓越的“颜色恒常性”的特性，也就是说，人眼能够自动适应不同色温的变化，这样就可以确保人眼在不同色温下看到的白色都能够基本自动地还原为白色，但图像传感器本身不具备此能力，因此。

卡尔曼滤波器是一种基于状态估计的滤波算法，广泛应用于信号处理、控制系统和导航等领域。其主要思想是通过对系统的动态特性和测量噪声进行建模，利用观测数据进行状态估计和预测，从而提供准确的系统状态估计。1. 系统模型 在融合惯性传感器与GPS数据的定位问题中，我们可以将车辆在惯性传感器坐标系下的位置和速度作为系统状态。而惯性传感器的测量数据则提供了车辆的加速度和姿态角等信息。而GPS数据则提供了车辆相对于全球坐标系的位置和速度。2. 状态预测 卡尔曼滤波器首先利用惯性传感器的测量数据对当前状态进行预测。

这种架构结合了策略梯度方法（Policy - Gradient Methods）和价值函数估计方法（Value Function Estimation Methods）的优点。在强化学习中，智能体（Agent）需要通过与环境（Environment）的交互来学习最优的行为策略，以获得最大的累积奖励（Cumulative Reward）。

在语言模型的应用中，比如要让模型解出数学题、满足人类对话偏好（例如避免不良输出，或给出更详细解释），我们往往先用大规模的无监督或自监督训练打下基础，然后通过一些“监督微调”（SFT）再进一步让模型学会初步符合需求。然而，SFT 有时难以将人类或某些高层目标的偏好显式地整合进去。这时，“强化学习微调”就登场了。PPO 是其中的代表性算法，但它同样有自己的痛点，比如要维护额外的大价值网络，对内存与计算的需求在大模型场景中不容忽视。GRPO 正是在此背景下闪亮登场。

锂枝晶是锂电池在充电过程中锂离子还原时形成的树枝状金属锂结构，这种发生在电池负极表面的现象不仅会影响电池性能和寿命，还会引起安全隐患。锂枝晶的形成可以分为成膜、成核和生长三个阶段。在成膜阶段，锂金属负极与电解液反应形成固态电解质界面膜（SEI），该膜可以隔离电解液和金属锂，但锂离子仍然可以通过并在电极表面沉积。随后，锂离子在沉积过程中被还原成锂原子，并在负极表面不均匀沉积，形成不规则的凸起，直至顶破原始SEI膜。

一般线性回归模型的目标是最小化残差平方和，即通过拟合一个线性方程来预测目标变量。然而，在实际问题中，可能存在大量的自变量，其中一些可能对目标变量的预测能力较弱或冗余。此时，Lasso回归通过引入L1正则化(即Lasso惩罚项)，可以将系数向量中小的权重变为0，从而实现特征选择和模型稀疏性。Lasso回归具备如下几个作用。特征选择：Lasso回归可以用于选择最重要的特征。它通过在优化目标函数中添加一项惩罚项（L1正则化）来实现稀疏性，使得系数向量中很多特征的权重变为0。

随着预训练LLM的发展，在各种任务的零样本和少样本场景中取得了出色的性能。然而，当应用于下游任务时，LLM的性能往往会下降。虽然使用人工微调模型有助于对齐和性能提升，但获得人类对响应的偏好通常更可行。因此，最近的研究转向使用人类偏好微调LLM。人类反馈的强化学习(RLHF)：提出通过使用近端策略优化(PPO)等强化算法，使用Bradley-Terry(BT)模型训练的奖励模型来优化最大奖励操作。虽然RLHF增强了模型的性能，但它要应对强化学习中固有的不稳定性、reward hacking和可扩展性等挑战。

近年来，视觉 - 语言 - 动作（Vision-Language-Action, VLA）模型的发展成为机器人动作建模研究的重要方向。这类模型通常是在大规模预训练的多模态大语言模型（Multimodal Large Language Models, MLLMs）基础上，添加一个动作输出头或专门的动作模块，以实现对动作的生成。MLLMs 在感知和决策方面表现出色，使得 VLA 模型在多种机器人任务中展现出良好的泛化能力。然而，这些模型存在一个显著的局限性：它们往往缺乏对动作本身的深入理解。

VLA模型是在视觉语言模型（VLM）的基础上发展而来的。VLM是一种能够处理图像和自然语言文本的机器学习模型，它可以将一张或多张图片作为输入，并生成一系列标记来表示自然语言。然而，VLA不仅限于此，它还利用了机器人或汽车运动轨迹的数据，进一步训练这些现有的VLM，以输出可用于机器人或汽车控制的动作序列。通过这种方式，VLA可以解释复杂的指令并在物理世界中执行相应的动作。

Reeds-Shepp路径规划算法是一种经典的路径规划算法，用于在二维空间中规划车辆从一个点到另一个点的最短路径。该算法特别适用于无人车、自动驾驶车辆等场景，其中车辆的运动被限制为仅沿着直线或圆弧行驶。

​模糊集合理论的概念于1965年由美国自动控制专家查德教授提出，用以表达事物的不确定性。模糊综合评价法是一种基于模糊数学的综合评价方法。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。评价者从诸因素出发，参照有关信息， 根据其判断对复杂问题分别作出“大、中、 小”;“高、中、低”;“优、良、可、 劣”;

熵是信息理论中的概念，原本是用来衡量系统的无序程度，现在也可以用于度量数据所提供的有效信息。熵值法就是根据各指标传输给决策者的信息量的大小来确定指标权数的方法。某项评价指标的差异越大，熵值越小，该指标所携带的信息越多，相应权重越大。

模糊层次分析法（FAHP）及计算过程层次分析法(AHP)是20世纪70年代美国运筹学T.L. Saaty教授提出的一种定性与定量相结合的系统分析方法。该方法对于量化评价指标,选择最优方案提供了依据,并得到了广泛的应用。然而, AHP存在如下方面的缺陷:检验判断矩阵是否一致非常困难,且检验判断矩阵是否具有一致性的标准CR＜0. 1缺乏科学依据;判断矩阵的一致性与人类思维的一致性有显著差异。

层次分析法，简称AHP，是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。该方法是美国运筹学家匹兹堡大学教授萨蒂于20世纪70年代初，在为美国国防部研究"根据各个工业部门对国家福利的贡献大小而进行电力分配"课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。层次分析法(Analytic Hierarchy Process,AHP)这是一种定性和定量相结合的、系统的、层次化的分析方法。

在临床预测模型领域，DCA曲线作为一种评估工具，显得尤为重要。它不同于传统的ROC曲线分析，后者主要关注模型的准确性，并通过计算曲线下面积(AUC)来衡量，AUC值越大，准确性越高。然而，ROC曲线分析在选取临界值时，可能会面临假阳性和／或假阴性的问题。DCA曲线则巧妙地避开了这些问题，它直接计算净收益，旨在最大化净收益。在DCA曲线图中，横坐标代表阈概率，而纵坐标则是净获益率(net benefit, NB)。

校准曲线是用于描述待测物质的浓度或量与相应的测量仪器的响应量或其他指示量之间定量关系的曲线，包括工作曲线和标准曲线。如果基体效应对分析方法至关重要时，应使用含有与实际样品类似基体的标准溶液系列进行校准曲线的绘制。通常，一条校准曲线须配制包括零浓度在内六个以上的标准系列浓度点的信号值。用扣除空白信号值的数据为纵坐标，浓度（或含量）为横坐标，在坐标纸上植点，即为散点图，通过各点绘出一条与各点距离最小的直线，即可得出校准曲线图。在得到满足要求的散点图后，进行线性回归处理，得曲线y=bx+a。

适合较大样本且期望频数较高的情况下使用。

使用正交回归（也叫 Deming 回归）可以确定两种仪器或两种方法能否提供相似的测量结果。正交回归检查两个连续变量（一个响应变量 (Y) 和一个预测变量 (X)）之间的线性关系。与简单线性回归（最小二乘回归）不同，正交回归中的响应和预测变量均包含测量误差。在简单回归中，只有响应变量包含测量误差。当这两个变量包含测量误差时，如果您使用简单回归确定可比较性，则结果取决于计算过程假设哪个变量没有测量误差。正交回归解决了此问题，因此，变量的角色对结果的影响很小。

是一个开放协议，旨在实现 LLM 应用与外部数据源和工具之间的无缝集成。无论您是构建 AI 驱动的 IDE、增强聊天界面，还是创建自定义 AI 工作流，MCP 都提供了一种标准化的方式来连接 LLM 与外部世界。简单来说，MCP 是一种客户端-服务器架构的协议，允许 LLM 应用程序（如 Claude、各种 IDE 等）通过标准化的接口访问外部数据和功能。这解决了 LLM 在实际应用中常见的一些痛点：LLM 无法直接访问实时数据（如天气、股票行情等）

MCP和Function Calling在大语言模型（LLM）与外部工具或数据源交互方面各有优势。MCP作为一种开放标准协议，提供了统一的接口和流程，支持工具发现、调用执行、统一接口、双向通信和上下文管理，适用于复杂场景下的多工具协调与上下文管理。而Function Calling则作为模型内部的功能扩展，是LLM的一种能力，允许模型根据用户输入生成结构化的函数调用指令，从而与外部工具或API交互。Function Calling能够快速实现简单场景下的函数调用任务。

层次线性模型（HLM），也称为分层线性模型或多水平线性模型，是一种多元统计分析方法，适用于处理具有层次结构的数据。HLM能够同时考虑同一层次和不同层次间的数据变异，解决了传统回归模型在处理嵌套数据时随机误差独立性假设难以满足的问题。HLM通过将误差分解为个体间和群体间的差异，提供了更准确的标准误估计和更有效的区间估计。在教育、心理学等领域，HLM被广泛应用于分析不同层次变量对因变量的影响，如学校环境对学生成绩的影响。HLM的优点包括能够分析多水平协方差、探讨不同层次对因变量的影响程度、以及分析重复测量数据等

发布MATLAB® 代码文件 (.m) 可创建包括您的代码、注释和输出的格式化文档。发布代码的常见原因是与其他人共享文档以用于教学或演示，或者生成您代码的可读外部文档。

当创建图形时，MATLAB® 会为这一特定图形适当设置某些属性值。这些属性，如控制坐标轴范围和图窗渲染器的属性，具有相关联的模式属性。这一模式属性确定MATLAB是否计算此属性值（模式为 auto）或属性是否使用指定值（模式为 manual）。通过以下方式控制属性定义的各个方面：分别为每个属性指定默认值，参考默认属性值。在类构造函数中为属性赋值，参考在构造函数中为属性赋值。用常量值定义属性，参考Named Value。按代码块为属性特性赋值，参考属性特性。

在MATLAB中，处理日期和时间通常涉及使用datetime类。datetime类是MATLAB中用于表示日期和时间的首选方式，它提供了灵活的方法来进行日期时间的比较、计算和格式化。

​无线通信模块是一种能够在无线网络中进行数据传输的设备。它通常集成了网络接口层、传输层和应用层等多个功能模块，以支持TCP/IP等网络通信协议。TCP/IP协议族是互联网的基础通信协议，它定义了设备间如何进行数据传输的规则和标准。通过TCP/IP协议，无线通信模块可以与PC端等设备进行稳定、可靠的数据传输。无线通信模块可以通过TCP/IP协议向PC端传送数据。无线通信模块实现TCP/IP协议向PC端传送数据的过程主要包括：首先，当需要传输数据时，会将数据添加TCP/IP首部，然后通过无线网络发送出去。

自回归模型（Autoregressive Model，简称 AR 模型）是一种统计模型，用于分析和预测时间序列数据。以下是自回归模型的一些基本概念：1. 时间序列数据：时间序列是按照时间顺序排列的数据点集合，例如股票价格、气温记录或销售额等。2. 自回归：自回归模型的核心思想是使用时间序列过去的值来预测未来的值。"自回归"意味着模型使用自身的过去值作为预测未来值的依据。3. 滞后（Lag）：在自回归模型中，时间序列的过去值被称为滞后值。

卡尔曼滤波使用关联的观测数据来估计目标的状态，并预测目标的未来位置和速度等信息。目标跟踪过程中，测量数据通常会受到各种噪声的影响，例如传感器噪声、环境干扰等。卡尔曼滤波器可以通过对测量数据和系统模型的加权处理来减少噪声的影响，提供更准确的目标状态估计。卡尔曼滤波用来估计带噪信号中隐藏的真实信息。卡尔曼滤波是一种利用线性状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。

卡尔曼滤波（Kalman filtering）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。

1. 在散点图中，右键点击数据点，选择“格式数据系列”。2. 选择“趋势线”，然后在选项中自定义趋势线的类型和格式。3. 你可以通过调整趋势线的选项来优化拟合效果，例如改变多项式的次数。

多架无人机组成无人机集群可以协同完成任务，是未来无人机的发展方向。组成无人机集群的多架无人机通过机间链路互相通信实现协作，可以迅速准确地执行路径规划、协同侦察、协同感知和协同攻击等复杂任务。为实现无人机集群协作的诱人前景，国内外都积极开展了相关研究工作。美国方面，美国国防预先研究计划局(DARPA)于2015年推出“小精灵”项目，计划研制具备自组织和智能协同能力的无人机蜂群系统。

单目标优化是通过改变一组自变量来最小化或最大化一个目标函数的问题。在实际应用中，我们经常需要解决单目标优化问题，例如参数优化、函数逼近等。布谷鸟算法（Cuckoo Search Algorithm）是一种启发式优化算法，模拟了布谷鸟的寄生习性以及布谷鸟蛋的扩散策略。它具有全局搜索能力和较好的收敛性，因此被广泛应用于优化问题。然而，传统的布谷鸟算法存在着一些问题，如局部最优解陷阱和收敛速度较慢等。为了提高布谷鸟算法的性能，本文引入了多阶段动态扰动和动态惯性权重的策略。

模拟退火算法(Simulated Annealing，SA)的思想最早由Metropolis等人于1953年提出：Kirkpatrick于1983年第一次使用模拟退火算法求解组合最优化问题。模拟退火算法是一种基于MonteCarlo迭代求解策略的随机寻优算法， 其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。其目的在于为具有NP(Non-deterministic Polynomial) 复杂性的问题提供有效的近似求解算法，它克服了其他优化过程容易陷入局部极小的缺陷和对初值的依赖性。

随着无人机的发展，无人机避障问题一直是无人机应用中的热点和难点问题。在 对避障问题的研究与探索中， 形成了许多比较成熟的理论方法，例如可视图法、栅格 法与人工势场法等等，其中最著名的是向量场直方图方法， 也就是VFH算法。于是 采用VFH算法和路径规划相结合的方法实现无人机沿着预定路径前进中的避障问题。采用激 光雷达来获取机器人周围环境信息，并用仿真验证所做的避障设计是可以实现 的。

混合专家模型（MixtureofExperts：MoE）的思想可以追溯到集成学习，集成学习是通过训练多个模型（基学习器）来解决同一问题，并且将它们的预测结果简单组合（例如投票或平均）。集成学习的主要目标是通过减少过拟合，提高泛化能力，以提高预测性能。常见的集成学习方法包括Bagging，Boosting和Stacking。

混合专家模型（MoE，Mixture of experts）是一种机器学习方法，它将人工智能（AI）模型划分为单独的子网络（或“专家”），每个子网络专攻输入数据的一个子集，以共同执行任务。混合专家模型使大规模模型，甚至那些包含数十亿个参数的模型，在预训练期间大大降低计算成本，并在推理时间内实现更快的性能。一般来说，它通过选择性地激活特定任务所需的特定专家来实现这种效率，而不是为每个任务激活整个神经网络。与稠密模型相比， 预训练速度更快与具有相同参数数量的模型相比，具有更快的 推理速度。

Newton-Raphson方法，通常简称为N-R法，是一种用于求解非线性方程组的数值技术。这种方法基于泰勒展开式的线性近似，通过逐次逼近的方式找到方程组的解。这种方法之所以广受欢迎，是因为它通常能够快速收敛到解，并且计算量相对较小。在应用Newton-Raphson方法时，首先需要对非线性方程进行一次泰勒展开，并只保留线性项。这样做的目的是简化复杂的非线性问题，使之转化为一个线性问题，从而更容易求解。经过简化后的线性方程组可以使用标准的线性代数方法求解。

训练数据库的不完整本来就会使分割出来的肤色块比较琐碎，而背景块的剔除会造成肤色块更加琐碎，最终提取的肤色块效果一定是小块小块并且支离破碎的，这样的肤色分割在后期手势或人脸跟踪中根本没法用，所以就有了块原点能量的需求，相比盲目的形态学计算效果分割得更加完整和精确，因为单一得形态学计算没有考虑肤色和背景噪声的关系。（3）检测肤色块 查找初始等高线灰度图像的等高线，并获得面积最大登高线，同时在肤色掩码彩色图像上用检测到的所有肤色块（红色块，分割的结果包括背景肤色噪声）覆盖肤色块。