<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[wangyj705的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/wangyj705</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; wangyj705]]></copyright><item><title><![CDATA[汽车专业名词]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/124580586</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/124580586</guid><author>wangyj705</author><pubDate>Sat, 23 Jul 2022 21:46:27 +0800</pubDate><description><![CDATA[ABS

制动防抱死系统（antilock brake system）

链接：防抱死制动系统_百度百科

EBD

（Electronic Brake-Force Distribution）EBD是电子制动力分配，实际上EBD是ABS的辅助功能，配置有EBD系统的车辆，会自动侦测各个车轮与地面间的附着力状况，将刹车系统所产生的力量，适当地分配至四个车轮，在EBD系统的辅助之下，制动力可以得到有效的控制，使得制动距离明显地缩短，并在制动的时候保持车辆的平稳，提高行车的安全。EBD的功能就是在汽车制动的瞬间，]]></description><category></category></item><item><title><![CDATA[专业名词（ADAS）]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/124574331</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/124574331</guid><author>wangyj705</author><pubDate>Thu, 05 May 2022 00:11:03 +0800</pubDate><description><![CDATA[LDW

车道偏离预警(LDW)旨在帮助驾驶员在高速公路、快速道路等类似主干道上降低车辆意外偏离车道的风险，车道偏离预警(LDW)将通过视觉、听觉和触觉的方式警告驾驶员。

链接：

​​​​​​LDW车道偏离预警系统_什么是LDW车道偏离预警系统_太平洋汽车网百科

车道偏离报警(ldw)系统技术简介

ADAS算法设计（三）：LDW算法设计、







FCW

前碰撞预警，全称Forward Collision Warning，简称FCW。它通过视觉摄像头或雷达系统监测车辆与前车距离及相对时速，对]]></description><category></category></item><item><title><![CDATA[半导体公司]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/105011877</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/105011877</guid><author>wangyj705</author><pubDate>Sat, 21 Mar 2020 16:37:36 +0800</pubDate><description><![CDATA[MOTOROAL(美国莫托罗拉半导体产品公司)
			http://www.motorola.com/　
		PHILIPS(荷兰菲利浦公司)
			http://www.semiconductors.philips.com/　
		FAIRCHILD(美国仙童公司)
			http://www.fairchildsemi.com/　
		SANKEN(日本三肯电子公司)
			http://ww...]]></description><category></category></item><item><title><![CDATA[makefile知识点整理]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/103366549</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/103366549</guid><author>wangyj705</author><pubDate>Tue, 03 Dec 2019 14:21:34 +0800</pubDate><description><![CDATA[.PHONY
PHONY 目标名称
这里的目标名称不是真实的文件名称，作为执行命令显示的名称。
= := ?= +=
= 是最基本的赋值
:= 是覆盖之前的值
?= 是如果没有被赋值过就赋予等号后面的值
+= 是添加等号后面的值

...]]></description><category></category></item><item><title><![CDATA[Redis代码剖析（1）]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/103350822</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/103350822</guid><author>wangyj705</author><pubDate>Mon, 02 Dec 2019 17:14:48 +0800</pubDate><description><![CDATA[Redis代码剖析（1）ACLAEaeCreateEventLoop 创建事件循环aeCreateTimeEvent 创建时间事件aeSearchNearestTimer查找最近一个时间事件processTimeEvents循环执行时间事件aeMain event处理主循环事件处理api
ACL
ACL 访问控制列表（Access Control List）
AE
事件驱动的程序库。
aeCrea...]]></description><category></category></item><item><title><![CDATA[数据挖掘-支持度]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/84957754</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/84957754</guid><author>wangyj705</author><pubDate>Tue, 11 Dec 2018 16:55:08 +0800</pubDate><description><![CDATA[在数据挖掘的关联分析中，支持度和置信度会同时分析。

支持度和置信度总是伴随关联规则存在的，他们是对关联规则的必要的补充。

A-&amp;gt;B（support=30%，confidence=60%）

支持度是说A和B同时发生的概率。P(AB)=30

置信度是说在A发生的条件下，B发生的概率。P(B|A)=60%

 

 ...]]></description><category></category></item><item><title><![CDATA[机器学习-感知机模型（pocket算法）实现]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/84346536</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/84346536</guid><author>wangyj705</author><pubDate>Thu, 22 Nov 2018 18:29:08 +0800</pubDate><description><![CDATA[我们上一篇考虑的感知机模型有一个假定：数据是线性可分的。实际上，由于噪音或者其他因素的存在，不能都是线性可分的。所以，需要考虑非线性可分的情况下，实现方法。

这里使用Pocket算法：

Pocket算法的思想非常简单，在搜索W的时候，不断记录最好的准确率和W。这样即使数据不是线性可分的，也可以得到比较好的测试结果（只要不断的提高迭代的次数）

数据：

https://www.csie.ntu...]]></description><category></category></item><item><title><![CDATA[机器学习-线性感知机模型]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/84304435</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/84304435</guid><author>wangyj705</author><pubDate>Tue, 20 Nov 2018 16:36:45 +0800</pubDate><description><![CDATA[ 

把断断续续学习的机器学习方面的东西整理一下，还是需要系统的记录一下。

线性预测定义下面的的函数



Ld是一个函数集合，W是d维度的参数，b是定义在R的标量。所以整个函数就是标量。



当Y的值域是{-1,1}的时候，半空间可以定义为：



在于W垂直的超平面上面的部分，数据被标记为正类，当在超平面的下面的话，数据被标记为负类。



=&amp;gt;两边同时乘以



因为sign(&amp;l...]]></description><category></category></item><item><title><![CDATA[hyperledger fabric环境构建]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/83655545</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/83655545</guid><author>wangyj705</author><pubDate>Fri, 02 Nov 2018 16:39:25 +0800</pubDate><description><![CDATA[1.ubuntu 16.04LTS准备（通过虚拟机安装）

2.升级docker

首先需要更新源，之前使用163和阿里的，发现总有更新不成功的源，所以改回官方源。

vim /etc/apt/sources.list

http://wiki.ubuntu.org.cn/%E6%A8%A1%E6%9D%BF:16.04source

apt-get update --fix-missing

更...]]></description><category></category></item><item><title><![CDATA[机器学习-AUC/ROC]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/83020708</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/83020708</guid><author>wangyj705</author><pubDate>Fri, 12 Oct 2018 00:46:05 +0800</pubDate><description><![CDATA[1.ROC

接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线）



ROC空间将伪阳性率（FPR）定义为 X 轴，真阳性率（TPR）定义为 Y 轴。

TPR：在所有实际为阳性的样本中，被正确地判断为阳性之比率。


FPR：在所有实际为阴性的样本中，被错误地判断为阳性之比率。


给定一个二元分类模型和它的阈值，就能从所有样...]]></description><category></category></item><item><title><![CDATA[主成分分析（PCA）]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/82825511</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/82825511</guid><author>wangyj705</author><pubDate>Wed, 10 Oct 2018 10:03:38 +0800</pubDate><description><![CDATA[1.PCA的原理

主成分分析PCA(principal component analysis)是一种降维的方法。在PCA中，数据集被从原来的坐标系统转换到一个新的坐标系统。

坐标系的选择是有数据决定的，第一个坐标选择是原始数据中方差最大的方向，第二个坐标轴选择是跟第一个坐标轴正交，并且具有最大方差的方向。其他坐标轴的选择跟这个一样的做法。

这样大部分方差大的坐标就在前几个坐标系里面了。

2...]]></description><category></category></item><item><title><![CDATA[特征选择-熵和互信息]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/82799818</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/82799818</guid><author>wangyj705</author><pubDate>Fri, 21 Sep 2018 13:02:23 +0800</pubDate><description><![CDATA[1、熵

一个离散型的随机变量X的熵H(X)定义为



熵常用以2为底的对数，则熵的单位用比特(bit)进行表示。

以e为底的对数，则熵的单位用nat表示

熵可以看做是随机变量平均不确定度的度量。

 

2、互信息定义（mutual information）

它是一个随机变量包含另一个随机变量信息的度量。

考虑两个随机变量X和Y，它们的联合概率密度函数为p(x,y)，其边际概率密度函数...]]></description><category></category></item><item><title><![CDATA[特征选择-χ²检验]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/82796615</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/82796615</guid><author>wangyj705</author><pubDate>Fri, 21 Sep 2018 10:42:52 +0800</pubDate><description><![CDATA[χ²检验用来检验两个事件的独立性。

如果A，B两个事件是独立的，则概率P(AB)=P(A)P(B)。

公式如下：



其中：

1）D是数据集

2）t：term，即特征

3）c：class，分类

4）N：在数据集里面观测值的频率

5）E：数学期望

计算方法：

0）前提假设：t与c是独立的

1）首先计算t=xi，c=yi的观测值（观测数量/频率）

Nx,y= xi出现并且yi出...]]></description><category></category></item><item><title><![CDATA[mysql数据库导入导出命令]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/82796671</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/82796671</guid><author>wangyj705</author><pubDate>Fri, 21 Sep 2018 09:37:04 +0800</pubDate><description><![CDATA[当数据库有json或者外键依赖的时候，通过navicat等工具导出有时候就会出现错误，因而还是需要通过命令行进行导入导出。

备份一下命令：

■数据导出

mysqldump.exe -h localhost -u root -p --default-character-set=utf8 test &amp;gt;d:\datatable\test.sql

■数据导入

mysql  -h local...]]></description><category></category></item><item><title><![CDATA[特征选择-单变量特征选择]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/82793229</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/82793229</guid><author>wangyj705</author><pubDate>Thu, 20 Sep 2018 22:53:52 +0800</pubDate><description><![CDATA[1.SelectKBest可以依据相关性对特征进行选择，保留k个评分最高的特征。

①方差分析

分类问题使用f_classif，回归问题使用f_regression。

f_classif：分类任务

跟目标的分类，将样本划分成n个子集，S1,S2,..,Sn，我们希望每个子集的均值μ1，μ2，...，μn不相等。

我们假设H0:μ1=μ2=...=μn，当然我们希望拒绝H0,所以我们希望构造...]]></description><category></category></item><item><title><![CDATA[特征选择-方差分析]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/82788321</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/82788321</guid><author>wangyj705</author><pubDate>Thu, 20 Sep 2018 15:58:34 +0800</pubDate><description><![CDATA[1.方差分析按照其性质分为两大类：固定处理(fixed treatment)和随机效应(random effect)。
方差分析模型分为三类：
1）固定模型方差分析(fixed model anova),或称为模型Ⅰ方差分析。
2）随机模型方差分析（random model anova),又叫做模型Ⅱ方差分析。
3）混合模型方差分析（mixed model anova),即模型Ⅲ方差分析。
 

...]]></description><category></category></item><item><title><![CDATA[连续数据的离散化]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/82766378</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/82766378</guid><author>wangyj705</author><pubDate>Wed, 19 Sep 2018 00:42:05 +0800</pubDate><description><![CDATA[1.分段类散
同步pandas.cut对值进行分段划分，进行离散化。类散化后是分段的index。


import pandas as pd
data = [1,3,6,20,50,100]
w =[0,10,50,100]
v=5
data_cut1 = pd.cut(data,w,labels=False)
data_cut2=pd.cut(data,v,labels=False)
print...]]></description><category></category></item><item><title><![CDATA[特征变换]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/82762029</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/82762029</guid><author>wangyj705</author><pubDate>Tue, 18 Sep 2018 18:24:31 +0800</pubDate><description><![CDATA[1.One-Hot Encoding
有多少个状态就用几个bit来进行表示，实际上是向量维度增加了。

树形模型不进行One-Hot Encoding


from sklearn.preprocessing import OneHotEncoder
import pandas as pd
data = pd.DataFrame({'number': [1, 2, 1], 'age': [20, ...]]></description><category></category></item><item><title><![CDATA[特征放缩(Feature scaling)]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/82758498</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/82758498</guid><author>wangyj705</author><pubDate>Tue, 18 Sep 2018 15:39:54 +0800</pubDate><description><![CDATA[特征放缩的几种方法

1.Min-Max scaling min-max标准化

该方法是最简单的数组放缩方法。




处理类：
from sklearn.preprocessing import MinMaxScaler

2.均值归一化处理(Mean normalization)



3.均值标准化Z-score standardization

在很多机器算法中使用到，例如支持向量机，逻...]]></description><category></category></item><item><title><![CDATA[Z-Score含义]]></title><link>https://blog.youkuaiyun.com/wangyj705/article/details/82710464</link><guid>https://blog.youkuaiyun.com/wangyj705/article/details/82710464</guid><author>wangyj705</author><pubDate>Sat, 15 Sep 2018 01:32:49 +0800</pubDate><description><![CDATA[Z-Score定义为：



其中X为观测值

u是总体均值

σ是总体均值

可以通过z查询概率

]]></description><category></category></item></channel></rss>