定期分享我的发现和想法，感谢你的陪伴和支持

图1和图2：船舶的实际轨迹和期望轨迹对比。图3：船舶偏航角随时间的变化。图4：船舶纵向速度随时间的变化。图5：船舶纵向推力和偏航力矩随时间的变化。图6：船舶横向误差随时间的变化。每个图展示了不同的物理量，以帮助分析船舶路径跟踪控制器的效果和性能。hello，我是是Yu欸。原文链接 👉 ，⚡️更新更及时。欢迎大家添加好友交流。

该函数实现了一个USV 动力学模型，考虑了风、洋流和控制输入的影响，返回状态的导数，供仿真过程中更新 USV 的状态。函数通过矩阵运算描述船舶的动力学行为，并结合了物理参数，如船体质量、风和洋流对运动的影响。

该代码实现了对无人水面艇（USV）的运动仿真，模拟了船舶在风、流等干扰下的运动过程。使用 PID 控制器来调节船舶的推进力和航向角力矩，通过调用USV函数计算船舶状态导数，再使用欧拉法更新状态。仿真过程中动态调整控制输入（如航向力矩），并实时绘制船舶的运动轨迹和相关状态变量的变化。

这个函数用于实时绘制船舶的几何模型，显示其在某个时刻的具体位置和航向。船体的形状通过 5 个顶点定义，并通过旋转矩阵将这些点从船体坐标系变换到全球坐标系。函数使用 MATLAB 的绘图功能，显示船舶的位置和几何模型，随着时间的推进，船舶的模型可以在航线上动态移动。这个函数通常用于模拟船舶的运动行为，实时显示船舶如何沿着预定路径或控制律航行。

阅读代码：https://github.com/quyinsong/USV-path-following运行效果：这段代码实现了一个用于直线路径跟踪的视线引导（Line of Sight, LOS）控制算法，使用了PID控制器。仿真循环：每个状态更新步骤使用欧拉积分 (euler2) 来更新状态。需要实现或导入 USV 和 euler2 函数，即USV.m 和 euler2.m文件。这段 MATLAB 代码实现了一种基于 视线引导法（Line-of-Sight, LOS） 的路径跟随控制算法，适用于自主水

这个函数的主要作用是根据当前状态 x 和导数 xdot，以及采样时间 ts，计算并返回下一个状态 xnext。

路径跟踪是机器人、自动驾驶车辆和无人机等自主系统的一项基本能力，它要求系统能够沿着预定的路径准确地移动。Line-of-Sight (LOS) 控制算法是一种广泛应用于路径跟踪控制的策略，它通过计算当前位置与目标路径之间的虚拟线，以及这条线与前进方向之间的角度偏差，来指导系统调整航向和速度，以保持在预定路径上。为了评估和优化LOS控制算法的性能，仿真成为了一个不可或缺的工具。

大模型，何所谓大？先从大数据开始。假如你有超百万条oracle数据库数据，那么一直使用的代码：`train_df, temp_df = train_test_split(df, test_size=0.3, random_state=42)`，很可能1h还没划分完数据。刚开始时，看着电脑忙和，自己闲着，很开心。1h过去后，发现事情好像没有那么简单。于是……重新学习数据集划分，从时间复杂度角度，重新审视这些机器学习入门知识。

论文看到哪学到哪 ^ - ^在计算机领域，我们总是在寻找更智能、更高效的方法来训练机器学习模型。如果我们能够教会机器如何利用其周围的世界自我学习，那将是多么令人兴奋的事情！这就是自监督学习（Self-Supervised Learning）的魔法所在。本文将尽可能用通俗易懂的语言和形象的比喻，带你走进自监督学习的世界。一文速通半监督学习(Semi-supervised Learning)：桥接有标签与无标签数据。

由于技术等客观因素限制，我就疫情中政府基于大数据应用，第二个方面中，通过分析卫生部门所采取措施对疫情传播所造成的影响，复盘我国抗击COVID-2019取得阶段性胜利的原因。为此，我将初步筛选全国疫情发展态势统计结果，模拟建立测控全国COVID-19流行趋势的模型。

目前，有许多可用于遗传算法的 Python 框架 —— GAFT，DEAP，Pyevolve 和 PyGMO 等。其中，deap (Distributed Evolutionary Algorithms in Python) 框架支持使用遗传算法以及其他进化计算技术快速开发解决方案，得到了广泛的应用。deap 提供了各种数据结构和工具，这些数据和工具在实现各种基于遗传算法的解决方案时必不可少。

实际上，AML 是在 scikit-learn 中应用的网格搜索的扩展，而不是迭代这些值预先定义的集合和其组合，它通过搜索方法，特征，变换和参数值来获得最佳解决方案。因此，AML“网格搜索”不需要在可能的配置空间上进行详尽的搜索 - AML 有一个很赞的应用叫做 TPOT 包，其提供了像遗传算法这样的应用，可用来在某个配置中混合各个参数并达到最佳设置。该步骤是遗传算法中产生新的个体的主要操作过程，它用一定的交配概率阈值(pc，一般是0.4到0.99)来控制是否采取单点交叉，多点交叉等方式生成新的交叉个体。

图像识别6：综合实验内容：图像数据的提取、特征提取、划分数据集并分类、可视化结果展示：1. 对resize前后的图像进行展示，包括原始彩图、灰度图、及resize后的灰度图。2. 绘制两个图展示SVM、KNN分类器参数变化时，四种特征提取算法的精度变化。3. 确定最优参数后，使用最优参数下的三个分类器进行分类，展示四种算法在该分类器下的分类精度（五组数据的平均精度）。4. 确定最优参数后，针对分类结果对六类。

图像识别5：LDA 与 SVM+神经网络+支持向量机实验目的：熟练支持向量机的使用，掌握线性判别分析使用，以及 knn、k-means 聚类的使用方法。实验内容：（1）LDA与SVM（2）KNN和支持向量机（3）Kmean聚类

图像识别3：梯度下降和LDA线性模型实验内容：根据梯度下降法、闭式解完成一元线性回归实验，并比较两种解下的实验结果。

图像识别4：决策树+神经网络GUI+支持向量机实验内容：（1）决策树（2）神经网络（3）支持向量机二分类实验

图像识别2：多分类及线性模型实验1. a 次 b 折交叉验证法（k 取 10）完成训练集与测试集的划分。2. 对测试集添加椒盐噪声，记录当噪声密度 d 取 0，0.01，0.05，0.1，0.2，0.5，0.8，1 时的分类精度，并画出精度曲线图，通过曲线图分析测试集噪声对两种方法的影响。

图像识别1：基于相似性度量的二分类实验目的：进行基于相似性度量的二分类实验，并绘制相关ROC曲线。以方便对两种或两种以上不同相似度试验，进行算法性能的比较。