<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sddfsAv的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sddfsAv</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sddfsAv]]></copyright><item><title><![CDATA[ROS2 Navigation2 DWB 算法轨迹评估函数原理]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/160475470</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/160475470</guid><author>sddfsAv</author><pubDate>Wed, 29 Apr 2026 16:51:35 +0800</pubDate><description><![CDATA[DWB算法是navigation2中的对move base的DWA的替代。本文结合个人理解+AI对DWB算法中的轨迹评估函数进行简要解释。DWB中的轨迹评估函数由插件定义。在humble 分支1.1.20版本中，这些插件的代码位于dwb_critics文件夹中。BaseObstacle - 根据路径在代价地图上的经过位置对轨迹进行评分。ObstacleFootprint - 通过验证机器人足迹上的所有点是否与代价地图中标记的障碍物接触来对轨迹进行评分。]]></description><category></category></item><item><title><![CDATA[Inkscape绘制梯形和圆角梯形]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/128599616</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/128599616</guid><author>sddfsAv</author><pubDate>Sun, 08 Jan 2023 11:35:09 +0800</pubDate><description><![CDATA[Inkscape绘制梯形和圆角梯形]]></description><category></category></item><item><title><![CDATA[基于MATLAB App Designer的串口RS485 Modbus上位机]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/127020801</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/127020801</guid><author>sddfsAv</author><pubDate>Sat, 24 Sep 2022 15:36:45 +0800</pubDate><description><![CDATA[基于MATLAB App Designer的串口 Modbus上位机]]></description><category></category></item><item><title><![CDATA[设计模式-抽象工厂,关于C++和Python实现的思考]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/126869457</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/126869457</guid><author>sddfsAv</author><pubDate>Thu, 15 Sep 2022 13:55:55 +0800</pubDate><description><![CDATA[设计模式-抽象工厂，C++与Python的实现]]></description><category></category></item><item><title><![CDATA[python解决自定义类import后找不到类的问题]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/126813702</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/126813702</guid><author>sddfsAv</author><pubDate>Mon, 12 Sep 2022 10:14:35 +0800</pubDate><description><![CDATA[python中类名和文件名相同时，使用import报错的解决办法]]></description><category></category></item><item><title><![CDATA[Simulink开发STM32环境配置注意事项，自动生成代码无法正常实现功能分析]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/102524034</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/102524034</guid><author>sddfsAv</author><pubDate>Sat, 12 Oct 2019 17:23:52 +0800</pubDate><description><![CDATA[Simulink开发STM32环境配置注意事项，自动生成代码无法正常实现功能分析
最近做PIL，记录一些过程，备忘
1.环境配置的注意事项

需要的软件包括
MATLAB ，我的是2018b
STM32MAT
Java
STM32CubeMX，我下载的是5.3版本
STM32F1库，注意是用于STM32CubeMX，不是Keil，可以在软件中自动下载，但速度呵呵，还没有断点续传功能…，所以，还是在...]]></description><category></category></item><item><title><![CDATA[STM32 FSMC 驱动16脚12864lcd液晶显示屏]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/97272045</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/97272045</guid><author>sddfsAv</author><pubDate>Thu, 25 Jul 2019 17:22:36 +0800</pubDate><description><![CDATA[写在前面
在学习了两天STM32 FSMC后，总算是拿这个东西做了第一个应用，关于FSMC是什么东西怎么用，优快云中有很多介绍，但是，估计新手刚看都是一头雾水（我就是），不过，你仍必须反反复复地看，看了很多很多次后，你最终就能理解它。视频方面，不推荐看正点原子的FSMC的视频，而野火的FSMC讲得很好，推荐看用FSMC读写SRAM那一节。
请记住，如果你完全不懂FSMC，那么你高概率看不懂后面的...]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习（七）——正则化解决过拟合]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/89681415</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/89681415</guid><author>sddfsAv</author><pubDate>Sun, 05 May 2019 20:13:30 +0800</pubDate><description><![CDATA[吴恩达机器学习（七）正则化解决过拟合过拟合
过拟合
无论线性回归还是逻辑回归均可能出现过拟合问题。举一个线性回归过拟合的例子。

]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习（六）逻辑回归]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/89523127</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/89523127</guid><author>sddfsAv</author><pubDate>Thu, 25 Apr 2019 20:02:18 +0800</pubDate><description><![CDATA[吴恩达机器学习（六）逻辑回归（未完成）逻辑回归的应用对象逻辑回归的假设函数、目标函数、求解假设函数目标函数求解例子分类结果
逻辑回归的应用对象
首先，最重要的是明白一个算法的应用对象。逻辑回归主要应用于分类问题。现实中分类问题有很多，简单的二分类：邮件中的垃圾邮件和非垃圾邮件；人中的男人和女人。多分类：自动驾驶中人、车、障碍物的识别；各种阻值不同的电阻识别。
对于特征较少分类问题，逻辑回归是一种有...]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习（五）最小二乘法的概率性解释]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/88804644</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/88804644</guid><author>sddfsAv</author><pubDate>Wed, 27 Mar 2019 13:45:40 +0800</pubDate><description><![CDATA[吴恩达机器学习（五）最小二乘法的概率性解释问题提出分析流程
问题提出
当面临一个回归问题时，为什么目标函数要用以下的形式定义：
J=12∑i=1m(hθ(x(i))−y(i))2
J= \frac{1}{2}\sum_{i=1}^m(h_\theta(x^{(i)})-y^{(i)})^2
J=21​i=1∑m​(hθ​(x(i))−y(i))2
分析流程
1.假设目标变量yyy与输入量xxx存在...]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习（四）局部加权回归]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/88540724</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/88540724</guid><author>sddfsAv</author><pubDate>Mon, 18 Mar 2019 20:29:31 +0800</pubDate><description><![CDATA[吴恩达机器学习（四）局部加权回归使用局部加权回归的原因局部加权回归的原理
使用局部加权回归的原因
在讲义中描述的是：makes the choice of features less critical（为了让特征的选择不是那么重要）
另外，局部加权回归可以用线性回归的方法得到一个非线性的拟合结果。这句话有点奇怪，但了解局部加权回归的原理就能明白其中的原因了。
局部加权回归的原理
相关参数定义：
m...]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习（三）梯度下降算法的解析解]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/88137382</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/88137382</guid><author>sddfsAv</author><pubDate>Mon, 04 Mar 2019 20:42:29 +0800</pubDate><description><![CDATA[吴恩达机器学习（三）梯度下降算法的解析解随机梯度下降算法理论推导实例总结
随机梯度下降算法理论推导
由于在课程的讲义中老师已经推导了解析解，此处仅列出结论：
θ⃗=(XTX)−1XTy⃗
\vec{\theta}=(X^TX)^{-1}X^T\vec{y}
θ=(XTX)−1XTy​
在推导当中，老师使用了下面一个性质：
∇AtrABATC=CAB+CTAB
\nabla_AtrABA^TC=CA...]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习（二）随机梯度下降算法练习]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/87923827</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/87923827</guid><author>sddfsAv</author><pubDate>Wed, 27 Feb 2019 20:34:31 +0800</pubDate><description><![CDATA[随机梯度下降算法理论推导（待完成）
在吴恩达的机器学习课程中，在介绍了批量梯度下降算法后，又介绍了随机梯度下降算法，随机梯度下降算法在处理大批量数据的时候运算速度优于批量梯度下降算法。
讲义中并未提及该算法的具体推导，仅列出了算法的流程：
Loop
{
for i=1i=1i=1 to m，
θj:=θj−α(−∑i=1m(y(i)−h(xj(i)))xj(i))\theta_j := \thet...]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习（一）批量梯度下降算法练习]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/87876009</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/87876009</guid><author>sddfsAv</author><pubDate>Fri, 22 Feb 2019 12:21:24 +0800</pubDate><description><![CDATA[吴恩达机器学习批量梯度下降算法练习批量梯度学习算法理论推导实例总结
批量梯度学习算法理论推导
吴恩达机器学习课程的第一课中介绍了批量梯度下降算法，本节首先对该算法进行一定的数学推导。为便于分析，首先仅考虑一维的情况，涉及的公式符号与课程讲义一致。
mmm:训练集数量
x1(i)x^{(i)}_1x1(i)​ :第iii个训练样本的输入
y(i)y^{(i)}y(i) :第iii个训练样本的输出
h...]]></description><category></category></item><item><title><![CDATA[用python语言改写《Matlab智能算法30个案例分析》第13个案例——粒子群算法的寻优算法]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/84885574</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/84885574</guid><author>sddfsAv</author><pubDate>Fri, 07 Dec 2018 18:52:24 +0800</pubDate><description><![CDATA[记录自己的python和智能算法学习之路。


class PSO:
    '''简易粒子群算法'''

    def __init__(self,c1,c2,maxgen,sizepop,popmax,popmin,Vmax,Vmin):
        '''
        遗传算法相关参数设定
        c1,c2：速度更新参数
        maxgen：迭代次数
     ...]]></description><category></category></item><item><title><![CDATA[《Python简明教程》第10章在Windows下利用Haozip命令行备份文件]]></title><link>https://blog.youkuaiyun.com/sddfsAv/article/details/80226948</link><guid>https://blog.youkuaiyun.com/sddfsAv/article/details/80226948</guid><author>sddfsAv</author><pubDate>Mon, 07 May 2018 16:53:36 +0800</pubDate><description><![CDATA[在《Python简明教程》第10章中的备份程序使用的是在Linux下压缩命令。由于本人没安装Linux系统，为了实现例子10.1，便需要一个带命令行的压缩程序。国产好压软件刚好带有命令行，因此，可以在Windows下较为方便地实现这个例子。代码及注释如下：#!/usr/bin/python
# Filename:backup_ver1.py

import os
import time

# 1....]]></description><category></category></item></channel></rss>