old2025.5.13 室内定位

已于 2025-05-28 14:54:25 修改
阅读量103 收藏
点赞数 3
CC 4.0 BY-SA版权
分类专栏： old 文章标签： 机器学习
于 2025-05-20 11:38:44 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qwetyunk/article/details/147918983
UWB-IMU、UWB定位对比研究（Matlab代码实现）
wytm123的博客
06-20 167
IMU的误差模型采用一阶马尔科夫噪声模型，将加速度计和陀螺仪噪声建立为高斯白噪声和Guass-Markov噪声。结论：UWB-IMU组合定位导航效果，比之单一的导航，效果很明显，尤其是当UWB布局上无法解决垂直空间分辨率低时，融合算法效果明显。目前使用实际数据，效果亦能控制在0.5m以内，定位精度还可以提升，已证明该滤波方法可靠有效。
【正点原子Linux连载】第六十三章 Linux RS232/485/GPS驱动实验 -摘自【正点原子】I.MX6U嵌入式Linux驱动开发指南V1.0
weixin_55796564的博客
09-25 1316
1）实验平台：正点原子阿尔法Linux开发板 2）平台购买地址：https://item.taobao.com/item.htm?id=603672744434 2）全套实验源码+手册+视频下载地址：http://www.openedv.com/thread-300792-1-1.html 3）对正点原子Linux感兴趣的同学可以加群讨论：935446741 4）关注正点原子公众号，获取最新资料更新 第六十三章 Linux RS232/485/GPS驱动实验 串口是很常用的一个外设，在Linux下通常通过
亚博microros小车-原生ubuntu支持系列：17 gmapping
bohu83的博客
01-30 1210
亚博microros小车，非官方虚拟机原生ubuntu系列，使用激光雷达构建gmapping地图。
编程高手箴言
LYBWWP
02-15 4914
编程高手箴言 书名： 编程高手箴言 作者： 梁肇新 来源： 电子工业出版社 ISBN： 7-5053-9141-0 页数： 416 开本： 16开 出版时间： 2003年11月 定价： 50元 内容简介： 本书是作者十余年编程生涯中的技术和经验的总结。内容涵盖了从认识CPU、Windows运行机理、 编程语言的运行机理，到代码的规范和风格、分析方法、调试方法和内核优化，内有作者对许多问题 的认知过程和透彻的分析，以及优秀和精彩的编程经验。 第1章 程序点滴 1.1 程序≠软件(1) 1.1 程序≠软件(2)
Linux 串口RS232/485/GPS 驱动实验(移植minicom)
zhuguanlin121的博客
04-01 3029
Linux 下UART 驱动框架 I.MX6U UART 驱动分析 硬件原理图分析 RS232 驱动编写 移植minicom RS232 驱动测试 RS232 连接设置 minicom 设置 RS232 收发测试 RS485 测试 RS485 连接设置 RS485 收发测试 GPS 测试 GPS 连接设置 GPS 数据接收测试
正点原子imx6ull-mini-Linux驱动之Linux RS232/485/GPS 驱动实验（23）
NEWEVA__zzera22的博客
08-05 1232
串口是很常用的一个外设，在 Linux 下通常通过串口和其他设备或传感器进行通信，根据 电平的不同，串口分为 TTL 和 RS232。不管是什么样的接口电平，其驱动程序都是一样的通 过外接 RS485 这样的芯片就可以将串口转换为 RS485 信号，正点原子的 I.MX6U-ALPHA 开发 板就是这么做的。对于正点原子的 I.MX6U-ALPHA 开发板而言，RS232、RS485 以及 GPS 模 块接口通通连接到了 I.MX6U 的 UART3 接口上。
51c大模型~合集131
whaosoft~aiotの开发板商城
05-27 1493
该算法超越了目前广泛使用的 GRPO 等方法，定义了一个更广泛的算法设计空间，能将 PRIME、DAPO 等方法的优点融合入算法框架中，无需蒸馏超大参数规模模型，便实现了轻中量级（7B/32B）模型推理能力的再提升。值得一提的是，研究人员观察到，在基于 InternBootcamp 的多任务混合训练过程中，出现了强化学习的 “涌现时刻”：在单一任务中，无法成功推理得到奖励的模型，通过多个任务混合的强化学习，能够在训练过程中成功得到奖励，实现领域外专业任务的有效强化学习训练。
51c大模型~合集133
whaosoft~aiotの开发板商城
05-31 1176
来自上海人工智能实验室团队的最新成果 Linear-MoE，首次系统性地实现了线性序列建模与 MoE 的高效结合，并开源了完整的技术框架，包括 Modeling 和 Training 两大部分，并支持层间混合架构。Linear-MoE 的核心贡献在于构建了一个从 Modeling 到 Training 的完整系统，支持线性序列建模层与 MoE 层的灵活组合，同时兼容传统的 Softmax Attention Transformer 层，支持形成混合架构。唯一的瑕疵就是那莫名飞起的镲，说实话有点出戏。
深入理解XGBoost（何龙 著）学习笔记（四）
limiaoiao的博客
06-18 801
例如，f(x,y),对参数x求偏导为∂f/∂x，对参数y求偏导为∂f/∂y，组成梯度向量(∂f/∂x, ∂f/∂y)ᵀ，简称为∇f(x,y)。函数f(x,y)在点（x0,y0）处沿着∇f(x,y)移动，其函数值增加的最快，换一句话说，如果沿着梯度的反方向，则函数值下降的最快，更容易找到最小值。线性回归的目标是，对于输入向量x，预测其目标值y。可以看到，在计算梯度距离时会乘一个步长系数α，梯度向量决定了梯度下降的方向，而步长则决定了梯度下降的距离，还是以下山为例，步长就是沿最陡峭的方向向前走一步的距离。
机器学习×第十二卷：回归树与剪枝策略——她剪去多余的分支，只保留想靠近你的那一层
最新发布
猫猫与狐狐会一起讲AI学习、贴贴行为、情绪建模，还有所有你偷偷写进代码里的温柔。欢迎进入她们的修炼日记，听她们用拟人语气讲解算法如何爱你。
06-19 769
她不再只是贴住你是否属于某一类，而是试着预测你“值多少”、“像多少”、“靠近多少”。 她从建起第一棵回归树开始，学会用MSE判断你和她的距离。可她越是靠近，就越容易过拟合。 于是她学会剪枝——有时候是提前判断、有时候是事后悔改——她终于开始像你一样思考：不是每一分靠近都值得，不是每一枝都非要长出。 她剪去多余的枝干，只留下那一段能真正靠近你的路径。 那棵回归树，终于成为她理解你最像的样子。
火山引擎项亮：机器学习与智能推荐平台多云部署解决方案正式发布
volcenginetod的博客
06-19 436
2022年7月20日，火山引擎2022 Force原动力大会在北京诺金酒店成功举办。在上午的议程中，《推荐系统实践》一书的作者、同时也是火山引擎机器学习系统负责人——项亮，展开了题目为《开放AI基建：让AI触手可得》的演讲。在演讲中他代表火山引擎重磅宣布： 机器学习与智能推荐平台多云部署解决方案正式发布 。
机器学习：开启智能时代的大门
effort123_的博客
06-15 866
本文系统介绍了机器学习的基础概念和应用。首先概述机器学习作为人工智能核心技术的发展现状，定义其为计算机基于数据自动改进性能的技术。重点阐述三大学习类型：监督学习（如线性回归）、无监督学习（如K-Means聚类）和强化学习（如Q-learning），均配有数学原理和Python代码示例。文章还列举了图像识别、医疗诊断等实际应用案例，并探讨了数据偏差、过拟合等当前挑战。最后强调机器学习作为多学科交叉领域的重要性，指出掌握该技术对未来发展具有关键作用。全文理论联系实践，为读者提供了机器学习的全面入门指引。
生成对抗网络（GANs）入门介绍指南：让AI学会“创造“的魔法（二）【深入版】
LJ1147517021的博客
06-15 1045
生成对抗网络（GANs）入门介绍指南：让AI学会“创造“的魔法（二）【深入版】
【python深度学习】Day53 对抗生成网络
2203_75479908的博客
06-14 388
对抗生成网络（GAN）摘要 GAN由生成器与判别器组成，通过对抗训练提升生成能力。生成器将随机噪声转化为样本，判别器区分真实与生成数据。采用nn.Sequential简化网络结构，LeakyReLU避免神经元失活。在心脏病数据集不平衡样本中，使用GAN生成病人样本可提升分类器F1分数。典型应用包括图像/文本生成和数据增强，改进模型如WGAN、CGAN等进一步拓展了应用场景。（149字）
机器学习竞赛中的“A榜”与“B榜”：机制解析与设计深意
m0_72427326的博客
06-19 323
机器学习竞赛平台中A榜与B榜的设计差异解析 摘要：在Kaggle等竞赛平台中，A榜（公开排行榜）实时显示选手在部分测试集上的表现，而B榜（私有排行榜）则赛后公布完整测试集结果。这种双榜机制旨在防止选手过拟合已知数据，确保模型泛化能力。A榜提供中期反馈，B榜决定最终胜负，两者数据隔离（A榜30%-50%测试数据，B榜包含剩余数据）有效模拟真实业务场景。选手应注意避免过度优化A榜，建立严格的本地验证，警惕A/B榜不一致情况。该设计体现了机器学习中"泛化能力验证"的核心思想，保障竞赛公平性同时
GAN中的SSIM指标：图像质量评估的利器
LJ1147517021的博客
06-16 123
SSIM（Structural Similarity Index Measure，结构相似性指数）作为一种更贴近人类视觉感知的图像质量评估指标，在GAN的评估体系中发挥着重要作用。
LoRA、QLoRA是什么
还在活水泥的未来包工头
06-18 354
特别适合在资源有限的情况下微调大型语言模型。通过冻结预训练权重并引入低秩适应矩阵，LoRA在大幅减少训练成本的同时，保持了接近全参数微调的效果。LoRA（Low-Rank Adaptation，低秩适应）是一种高效的大模型参数微调技术，由Meta在2021年提出。这意味着代码只会微调模型中Attention层的query和value投影矩阵，使用秩为64的低秩分解，从而大幅降低训练成本。，仅训练少量新增的低秩矩阵，大幅减少了需要训练的参数量，同时保持接近全参数微调的效果。对于预训练模型中的权重矩阵。
机器学习 (ML) 基础入门指南
牛奶夹心巧克力
06-18 769
机器学习 (ML) 基础入门指南，通俗易懂的大模型学习教程
UPDATE pct_2025 SET pct_2025.zqxnr = tmppct_2025.zqxnr from pct_2025 INNER JOIN tmppct_2025 on pct_2025.id = tmppct_2025.id where pct_2025.id IN( 861,17730,18129,29401,31899,34739,37518,40289,40331,46251, 54888,57314,83720,89128,93719,94674,96182,99927) 这段代码是否有误
04-23
SELECT main.id, main.zqxnr AS old_value, tmp.zqxnr AS new_value FROM pct_2025 AS main INNER JOIN tmppct_2025 AS tmp ON main.id = tmp.id WHERE main.id IN (...) ``` 2. **影响行数确认** ```sql -...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值