Pinxian Li
Pinxian Li

概率密度变换公式 雅可比矩阵_【机器人学】微分变换与雅可比矩阵

假定有三个坐标系W、A、B，其中W为基坐标系。

变换矩阵的左乘和右乘

当坐标系A变换成坐标系B时，可左乘一个矩阵，也可右乘一个矩阵

对于左乘的情况，变换矩阵为

表示的是一个基于基坐标系的平移和绕轴旋转的变换，式中的变量均以基坐标系为参考坐标系。

对于右乘的情况，变换矩阵为

表示的是一个基于A坐标系(联体坐标系)的平移和绕轴旋转的变换，变换矩阵刚好为B坐标系在A坐标系下的表示，式中的变量均以A坐标系为参考坐标系。

微分变换

当变换前后的两个坐标系非常接近时，变换矩阵简化为

math?formula=%5Cbegin%7Baligned%7D%20%7B%5EW%7DT%7B_U%7D%20%26%3D%20Trans(d%7B_x%7D%2Cd%7B_y%7D%2Cd%7B_z%7D)Rot(f%2Cd%7B_%5Ctheta%7D)%20%5C%5C%20%26%3D%20%5Cbegin%7Bbmatrix%7D%200%20%26%20-f%7B_z%7Df%7B_%5Ctheta%7D%20%26%20f%7B_y%7Df%7B_%5Ctheta%7D%20%26%20d%7B_x%7D%20%5C%5C%20f%7B_z%7Df%7B_%5Ctheta%7D%20%26%200%20%26%20-f%7B_x%7Df%7B_%5Ctheta%7D%20%26%20d%7B_y%7D%20%5C%5C%20-f%7B_y%7Df%7B_%5Ctheta%7D%20%26%20f%7B_x%7Df%7B_%5Ctheta%7D%20%26%200%20%26%20d%7B_z%7D%20%5Cend%7Bbmatrix%7D%20%5C%5C%20%26%3D%20%5Cbegin%7Bbmatrix%7D%200%20%26%20-%5Cdelta%7B_z%7D%20%26%20%5Cdelta%7B_y%7D%20%26%20d%7B_x%7D%20%5C%5C%20%5Cdelta%7B_z%7D%20%26%200%20%26%20-%5Cdelta%7B_x%7D%20%26%20d%7B_y%7D%20%5C%5C%20-%5Cdelta%7B_y%7D%20%26%20%5Cdelta%7B_x%7D%20%26%200%20%26%20d%7B_z%7D%20%5Cend%7Bbmatrix%7D%20%5Cend%7Baligned%7D

math?formula=%5Cbegin%7Baligned%7D%20%7B%5EA%7DT%7B_B%7D%20%26%3D%20Trans(%7B%5ET%7Dd%7B_x%7D%2C%7B%5ET%7Dd%7B_y%7D%2C%7B%5ET%7Dd%7B_z%7D)Rot(%7B%5ET%7Df%2C%7B%5ET%7Dd%7B_%5Ctheta%7D)%20%5C%5C%20%26%3D%20%5Cbegin%7Bbmatrix%7D%200%20%26%20-%7B%5ET%7Df%7B_z%7D%7B%5ET%7Df%7B_%5Ctheta%7D%20%26%20%7B%5ET%7Df%7B_y%7D%7B%5ET%7Df%7B_%5Ctheta%7D%20%26%20%7B%5ET%7Dd%7B_x%7D%20%5C%5C%20%7B%5ET%7Df%7B_z%7D%7B%5ET%7Df%7B_%5Ctheta%7D%20%26%200%20%26%20-%7B%5ET%7Df%7B_x%7D%7B%5ET%7Df%7B_%5Ctheta%7D%20%26%20%7B%5ET%7Dd%7B_y%7D%20%5C%5C%20-%7B%5ET%7Df%7B_y%7D%7B%5ET%7Df%7B_%5Ctheta%7D%20%26%20%7B%5ET%7Df%7B_x%7D%7B%5ET%7Df%7B_%5Ctheta%7D%20%26%200%20%26%20%7B%5ET%7Dd%7B_z%7D%20%5Cend%7Bbmatrix%7D%20%5C%5C%20%26%3D%20%5Cbegin%7Bbmatrix%7D%200%20%26%20-%7B%5ET%7D%5Cdelta%7B_z%7D%20%26%20%7B%5ET%7D%5Cdelta%7B_y%7D%20%26%20%7B%5ET%7Dd%7B_x%7D%20%5C%5C%20%7B%5ET%7D%5Cdelta%7B_z%7D%20%26%200%20%26%20-%7B%5ET%7D%5Cdelta%7B_x%7D%20%26%20%7B%5ET%7Dd%7B_y%7D%20%5C%5C%20-%7B%5ET%7D%5Cdelta%7B_y%7D%20%26%20%7B%5ET%7D%5Cdelta%7B_x%7D%20%26%200%20%26%20%7B%5ET%7Dd%7B_z%7D%20%5Cend%7Bbmatrix%7D%20%5Cend%7Baligned%7D

两种坐标系下微分变换平移和旋转的关系

由于左乘和右乘两种变换是等价的，即

其中

得到基坐标系下和联体坐标系下微分变换之间的关系

math?formula=%5Cbegin%7Baligned%7D%20%7B%5EA%7DT%7B_B%7D%20%26%3D%20%7B%5EW%7DT%7B_A%7D%7B%5E%7B-1%7D%7D%20%7B%5EW%7DT%7B_U%7D%20%7B%5EW%7DT%7B_A%7D%20%5C%5C%20%26%3D%20%5Cbegin%7Bbmatrix%7D%200%20%26%20-%5Cdelta.a%20%26%20%5Cdelta.o%20%26%20%5Cdelta.(p%20%5Ctimes%20n)%2Bd.n%20%5C%5C%20%5Cdelta.a%20%26%200%20%26%20-%5Cdelta.n%20%26%20%5Cdelta.(p%20%5Ctimes%20o)%2Bd.o%20%5C%5C%20-%5Cdelta.o%20%26%20%5Cdelta.n%20%26%200%20%26%20%5Cdelta.(p%20%5Ctimes%20a)%2Bd.a%20%5Cend%7Bbmatrix%7D%20%5C%5C%20%26%3D%20%5Cbegin%7Bbmatrix%7D%200%20%26%20-%7B%5ET%7D%5Cdelta%7B_z%7D%20%26%20%7B%5ET%7D%5Cdelta%7B_y%7D%20%26%20%7B%5ET%7Dd%7B_x%7D%20%5C%5C%20%7B%5ET%7D%5Cdelta%7B_z%7D%20%26%200%20%26%20-%7B%5ET%7D%5Cdelta%7B_x%7D%20%26%20%7B%5ET%7Dd%7B_y%7D%20%5C%5C%20-%7B%5ET%7D%5Cdelta%7B_y%7D%20%26%20%7B%5ET%7D%5Cdelta%7B_x%7D%20%26%200%20%26%20%7B%5ET%7Dd%7B_z%7D%20%5Cend%7Bbmatrix%7D%20%5Cend%7Baligned%7D

由此可得到基坐标系下和联体坐标系下平移旋转微分量之间的关系

math?formula=%5Cbegin%7Bbmatrix%7D%20%7B%5ET%7Dd%7B_x%7D%20%5C%5C%20%7B%5ET%7Dd%7B_y%7D%20%5C%5C%20%7B%5ET%7Dd%7B_z%7D%20%5C%5C%20%7B%5ET%7D%5Cdelta%7B_x%7D%20%5C%5C%20%7B%5ET%7D%5Cdelta%7B_y%7D%20%5C%5C%20%7B%5ET%7D%5Cdelta%7B_z%7D%20%5Cend%7Bbmatrix%7D%20%3D%20%5Cbegin%7Bbmatrix%7D%20n%7B_x%7D%20%26%20n%7B_y%7D%20%26%20n%7B_z%7D%20%26%20(p%20%5Ctimes%20n)%7B_x%7D%20%26%20(p%20%5Ctimes%20n)%7B_y%7D%20%26%20(p%20%5Ctimes%20n)%7B_z%7D%20%5C%5C%20o%7B_x%7D%20%26%20o%7B_y%7D%20%26%20o%7B_z%7D%20%26%20(p%20%5Ctimes%20o)%7B_x%7D%20%26%20(p%20%5Ctimes%20o)%7B_y%7D%20%26%20(p%20%5Ctimes%20o)%7B_z%7D%20%5C%5C%20a%7B_x%7D%20%26%20a%7B_y%7D%20%26%20a%7B_z%7D%20%26%20(p%20%5Ctimes%20a)%7B_x%7D%20%26%20(p%20%5Ctimes%20a)%7B_y%7D%20%26%20(p%20%5Ctimes%20a)%7B_z%7D%20%5C%5C%200%20%26%200%20%26%200%20%26%20n%7B_x%7D%20%26%20n%7B_y%7D%20%26%20n%7B_z%7D%20%5C%5C%200%20%26%200%20%26%200%20%26%20o%7B_x%7D%20%26%20o%7B_y%7D%20%26%20o%7B_z%7D%20%5C%5C%200%20%26%200%20%26%200%20%26%20a%7B_x%7D%20%26%20a%7B_y%7D%20%26%20a%7B_z%7D%20%5Cend%7Bbmatrix%7D%20%5Cbegin%7Bbmatrix%7D%20d%7B_x%7D%20%5C%5C%20d%7B_y%7D%20%5C%5C%20d%7B_z%7D%20%5C%5C%20%5Cdelta%7B_x%7D%20%5C%5C%20%5Cdelta%7B_y%7D%20%5C%5C%20%5Cdelta%7B_z%7D%20%5Cend%7Bbmatrix%7D

math?formula=%5Cbegin%7Bbmatrix%7D%20d%7B_x%7D%20%5C%5C%20d%7B_y%7D%20%5C%5C%20d%7B_z%7D%20%5C%5C%20%5Cdelta%7B_x%7D%20%5C%5C%20%5Cdelta%7B_y%7D%20%5C%5C%20%5Cdelta%7B_z%7D%20%5Cend%7Bbmatrix%7D%20%3D%20%5Cbegin%7Bbmatrix%7D%20n%7B_x%7D%20%26%20o%7B_x%7D%20%26%20a%7B_x%7D%20%26%20(p%20%5Ctimes%20n)%7B_x%7D%20%26%20(p%20%5Ctimes%20o)%7B_x%7D%20%26%20(p%20%5Ctimes%20a)%7B_x%7D%20%5C%5C%20n%7B_y%7D%20%26%20o%7B_y%7D%20%26%20a%7B_y%7D%20%26%20(p%20%5Ctimes%20n)%7B_y%7D%20%26%20(p%20%5Ctimes%20o)%7B_y%7D%20%26%20(p%20%5Ctimes%20a)%7B_y%7D%20%5C%5C%20n%7B_z%7D%20%26%20o%7B_z%7D%20%26%20a%7B_z%7D%20%26%20(p%20%5Ctimes%20n)%7B_z%7D%20%26%20(p%20%5Ctimes%20o)%7B_z%7D%20%26%20(p%20%5Ctimes%20a)%7B_z%7D%20%5C%5C%200%20%26%200%20%26%200%20%26%20n%7B_x%7D%20%26%20o%7B_x%7D%20%26%20a%7B_x%7D%20%5C%5C%200%20%26%200%20%26%200%20%26%20n%7B_y%7D%20%26%20o%7B_y%7D%20%26%20a%7B_y%7D%20%5C%5C%200%20%26%200%20%26%200%20%26%20n%7B_z%7D%20%26%20o%7B_z%7D%20%26%20a%7B_z%7D%20%5Cend%7Bbmatrix%7D%20%5Cbegin%7Bbmatrix%7D%20%7B%5ET%7Dd%7B_x%7D%20%5C%5C%20%7B%5ET%7Dd%7B_y%7D%20%5C%5C%20%7B%5ET%7Dd%7B_z%7D%20%5C%5C%20%7B%5ET%7D%5Cdelta%7B_x%7D%20%5C%5C%20%7B%5ET%7D%5Cdelta%7B_y%7D%20%5C%5C%20%7B%5ET%7D%5Cdelta%7B_z%7D%20%5Cend%7Bbmatrix%7D

math?formula=R%20%3D%20%5Cbegin%7Bbmatrix%7D%20n%7B_x%7D%20%26%20o%7B_x%7D%20%26%20a%7B_x%7D%20%5C%5C%20n%7B_y%7D%20%26%20o%7B_y%7D%20%26%20a%7B_y%7D%20%5C%5C%20n%7B_z%7D%20%26%20o%7B_z%7D%20%26%20a%7B_z%7D%20%5Cend%7Bbmatrix%7D%2C%20S(p)%20%3D%20%5Cbegin%7Bbmatrix%7D%200%20%26%20-p%7B_z%7D%20%26%20p%7B_y%7D%20%5C%5C%20p%7B_z%7D%20%26%200%20%26%20-p%7B_x%7D%20%5C%5C%20-p%7B_y%7D%20%26%20p%7B_x%7D%20%26%200%20%5Cend%7Bbmatrix%7D

微分变换的无序性

绕各个轴旋转的变换矩阵分别为

math?formula=Rot(x%2C%20%5Cdelta%7B_x%7D)%20%3D%20%5Cbegin%7Bbmatrix%7D%201%20%26%200%20%26%200%20%26%200%20%5C%5C%200%20%26%201%20%26%20-%5Cdelta%7B_x%7D%20%26%200%20%5C%5C%200%20%26%20%5Cdelta%7B_x%7D%20%26%201%20%26%200%20%5C%5C%200%20%26%200%20%26%200%20%26%201%20%5Cend%7Bbmatrix%7D%20%5C%5C%20Rot(y%2C%20%5Cdelta%7B_y%7D)%20%3D%20%5Cbegin%7Bbmatrix%7D%201%20%26%200%20%26%20%5Cdelta%7B_y%7D%20%26%200%20%5C%5C%200%20%26%201%20%26%200%20%26%200%20%5C%5C%20-%5Cdelta%7B_y%7D%20%26%200%20%26%201%20%26%200%20%5C%5C%200%20%26%200%20%26%200%20%26%201%20%5Cend%7Bbmatrix%7D%20%5C%5C%20Rot(z%2C%20%5Cdelta%7B_z%7D)%20%3D%20%5Cbegin%7Bbmatrix%7D%201%20%26%20-%5Cdelta%7B_z%7D%20%26%200%20%26%200%20%5C%5C%20%5Cdelta%7B_z%7D%20%26%201%20%26%200%20%26%200%20%5C%5C%200%20%26%200%20%26%201%20%26%200%20%5C%5C%200%20%26%200%20%26%200%20%26%201%20%5Cend%7Bbmatrix%7D

XYZ和ZYX旋转结果分别为

math?formula=Rot(x%2C%20%5Cdelta%7B_x%7D)%20Rot(y%2C%20%5Cdelta%7B_y%7D)%20Rot(z%2C%20%5Cdelta%7B_z%7D)%20%3D%20%5Cbegin%7Bbmatrix%7D%201%20%26%20-%5Cdelta%7B_z%7D%20%26%20%5Cdelta%7B_y%7D%20%26%200%20%5C%5C%20%5Cdelta%7B_x%7D%5Cdelta%7B_y%7D%2B%5Cdelta%7B_z%7D%20%26%201-%5Cdelta%7B_x%7D%5Cdelta%7B_y%7D%5Cdelta%7B_z%7D%20%26%20-%5Cdelta%7B_x%7D%20%26%200%20%5C%5C%20-%5Cdelta%7B_y%7D%2B%5Cdelta%7B_x%7D%5Cdelta%7B_z%7D%20%26%20%5Cdelta%7B_y%7D%5Cdelta%7B_z%7D%2B%5Cdelta%7B_x%7D%20%26%201%20%26%200%20%5C%5C%200%20%26%200%20%26%200%20%26%201%20%5Cend%7Bbmatrix%7D

math?formula=Rot(z%2C%20%5Cdelta%7B_z%7D)%20Rot(y%2C%20%5Cdelta%7B_y%7D)%20Rot(x%2C%20%5Cdelta%7B_x%7D)%20%3D%20%5Cbegin%7Bbmatrix%7D%201%20%26%20-%5Cdelta%7B_z%7D%2B%5Cdelta%7B_x%7Ddelta%7B_y%7D%20%26%20%5Cdelta%7B_x%7D%5Cdelta%7B_z%7D%2B%5Cdelta%7B_y%7D%20%26%200%20%5C%5C%20%5Cdelta%7B_x%7D%20%26%201%2B%5Cdelta%7B_x%7D%5Cdelta%7B_y%7D%5Cdelta%7B_z%7D%20%26%20-%5Cdelta%7B_x%7D%2B%5Cdelta%7B_y%7D%5Cdelta%7B_z%7D%20%26%200%20%5C%5C%20-%5Cdelta%7B_y%7D%20%26%20%5Cdelta%7B_x%7D%20%26%201%20%26%200%20%5C%5C%200%20%26%200%20%26%200%20%26%201%20%5Cend%7Bbmatrix%7D

在忽略高阶无穷小的前提下，两式结果相同。另外，用同样的方法容易验证微小平移和微小旋转之间与变换顺序无关。在忽略高阶无穷小的前提下(即多个变分相乘的项)，微分变换与次序无关，即微分变换具有无序性。

雅可比矩阵

雅可比矩阵为笛卡尔空间与关节空间的速度之间的关系

math?formula=%5Cbegin%7Bbmatrix%7D%20v%20%5C%5C%20%5Comega%20%5Cend%7Bbmatrix%7D%20%3D%20%5Cbegin%7Bbmatrix%7D%20J_%7B11%7D%20%26%20J_%7B12%7D%20%26%20...%20%26%20J_%7B1n%7D%20%5C%5C%20J_%7B21%7D%20%26%20J_%7B22%7D%20%26%20...%20%26%20J_%7B2n%7D%20%5C%5C%20J_%7B31%7D%20%26%20J_%7B32%7D%20%26%20...%20%26%20J_%7B3n%7D%20%5C%5C%20J_%7B41%7D%20%26%20J_%7B42%7D%20%26%20...%20%26%20J_%7B4n%7D%20%5C%5C%20J_%7B51%7D%20%26%20J_%7B52%7D%20%26%20...%20%26%20J_%7B5n%7D%20%5C%5C%20J_%7B61%7D%20%26%20J_%7B62%7D%20%26%20...%20%26%20J_%7B6n%7D%20%5C%5C%20%5Cend%7Bbmatrix%7D%20%5Cbegin%7Bbmatrix%7D%20q%5E%7B%5Cprime%7D_%7B1%7D%20%5C%5C%20q%5E%7B%5Cprime%7D_%7B2%7D%20%5C%5C%20...%20%5C%5C%20q%5E%7B%5Cprime%7D_%7Bn-1%7D%20%5C%5C%20q%5E%7B%5Cprime%7D_%7Bn%7D%20%5C%5C%20%5Cend%7Bbmatrix%7D

可得到微分运动量之间的关系

转动关节旋转时，以当前位置的连杆坐标系为参考坐标系，则微分运动的连杆坐标系绕其z轴旋转，该旋转运动在该坐标系下的微分平移和微分旋转矢量为

由此基于当前位置的连杆坐标系关于该关节的雅可比向量为

乘上基坐标系下和联体坐标系下平移旋转微分量之间关系的矩阵，转换到机器人基坐标系为

你可能感兴趣的:(概率密度变换公式,雅可比矩阵)

  • CodeFoeces-450B ss5smi
    题目原题链接：B.JzzhuandSequences题意根据公式公式计算对应fn的值。参考了其他作者的代码和思路。找循环点。负数取余需要加取余数到>0为止才可取余。代码#includeusingnamespacestd;constintmod=1e9+7;intmain(){longlongf[10],x,y,n;cin>>x>>y>>n;x=(x+mod)%mod;y=(y+mod)%mod;f
  • 机器学习必备数学与编程指南：从入门到精通 a小胡哦 机器学习基础机器学习人工智能
    一、机器学习核心数学基础1.线性代数（神经网络的基础）必须掌握：矩阵运算（乘法、转置、逆）向量空间与线性变换特征值分解与奇异值分解(SVD)为什么重要：神经网络本质就是矩阵运算学习技巧：用NumPy实际操作矩阵运算2.概率与统计（模型评估的关键）核心概念：条件概率与贝叶斯定理概率分布（正态、泊松、伯努利）假设检验与p值应用场景：朴素贝叶斯、A/B测试3.微积分（优化算法的基础）重点掌握：导数与偏导
  • 基于STM32的智能鱼缸设计 DS小龙哥 智能家居与物联网项目实战stm32单片机arm
    1.前言为了缓解学习、生活、工作带来的压力，提升生活品质，许多人喜欢在家中、办公室等场所养鱼。为节省鱼友时间、劳力、增加养鱼乐趣；为此，本文基于STM32单片机设计了一款智能鱼缸。该鱼缸可以实现水温检测、水质检测、自动或手动换水、氛围灯灯光变换和自动或手动喂食等功能为一体的控制系统，可通过控制键进行一键控制。从功能上分析，需要用到的硬件如下：（1）STM32系统板（2）水温温度检测传感器:测量水温
  • 零数学基础理解AI核心概念：梯度下降可视化实战 九章云极AladdinEdu 人工智能gpu算力深度学习pytorchpython语言模型opencv
    点击“AladdinEdu，同学们用得起的【H卡】算力平台”，H卡级别算力，按量计费，灵活弹性，顶级配置，学生专属优惠。用Python动画演示损失函数优化过程，数学公式具象化读者收获：直观理解模型训练本质，破除"数学恐惧症"当盲人登山者摸索下山路径时，他本能地运用了梯度下降算法。本文将用动态可视化技术，让你像感受重力一样理解AI训练的核心原理——无需任何数学公式推导。一、梯度下降：AI世界的"万有
  • 微信小程序SEO指南：如何提升搜索排名与自然流量？ 即可皕 微信小程序微信小程序小程序
    在微信生态内，每天有超过10亿次搜索行为发生。当用户搜索“外卖”“健身课程”或“旅行攻略”时，如何让你的小程序脱颖而出？本文结合微信官方规则与实战案例，拆解从0到1的小程序SEO优化全流程。一、基础优化：让小程序“被看见”1.名称：搜索流量的“黄金关键词”公式：品牌词+行业词+地域词（如：XX瑜伽·北京朝阳店）禁忌：避免生僻字/特殊符号（如“健身达人”会降低搜索匹配）技巧：微信指数（https:/
  • 22晨间日记 讨喜的鱼
    2018年9月28日，今天五点半的闹钟，压根就没听到。一醒来已经6点半了，不过没事，多睡一个小时是好的。错就错在昨晚太晚睡，以后要保证自己的睡眠时间。睡觉是目前来说，感到幸福的几件事之一，不能压榨它。时间对每个人来说都是一样的，再有钱的人也留不住它。要珍惜时间，所先要做的是让时间有价值。这样一来，时间等于金钱，这个公式才成立。对我来说，能明显感觉到自己的进步。第一是速度明显提高的，一个小时，能写出
  • Excel根据身份证号提取信息 念念不忘 必有回响 excel学习excel
    概览本篇文章主要对根据身份证号码提取出生年月日、年龄、性别、退休年龄这三项进行讲解。一.提取出生年月日公式：=TEXT(MID(B2,7,8),“0000-00-00”)MID(B2,7,8)：表示从单元格B2中的字符串（这里是身份证号），从第7个字符开始，提取长度为8个字符的子串。通常这8个字符就是包含出生年月日的信息；TEXT(…,“0000-00-00”)：使用TEXT函数将提取出来的出生年
  • 提取excel中的年月日
    在Excel中提取出生日期，可以通过公式将年龄描述转换为时间差，再用当前日期减去时间差。以下是分步解决方案：步骤1：准备辅助列（提取年、月、日）假设年龄数据在A列（A2开始），在B、C、D列分别提取年/月/日：列公式B2（年）=IFERROR(IF(FIND("岁",A2),--LEFT(A2,FIND("岁",A2)-1),0),0)C2（月）=IFERROR(IF(FIND("个月",A2),
  • 强化学习入门三（SARSA） 第六五签 算法模型算法人工智能
    SARSA算法详解SARSA是强化学习中另一种经典的时序差分（TD）学习算法，与Q-Learning同属无模型（model-free）算法，但在更新策略上有显著差异。SARSA的名称来源于其更新公式中涉及的五个元素：状态（State）、动作（Action）、奖励（Reward）、下一状态（NextState）、下一动作（NextAction），即(S,A,R,S’,A’)。SARSA与Q-Lear
  • Matlab医学图像配准工具箱使用指南 远方之巅
    本文还有配套的精品资源，点击获取简介：医学图像配准是一个关键的IT技术，特别是对于不同条件下的医学图像分析至关重要。’fordanic/image-registration’是一个Matlab工具箱，它提供了易于使用的接口和算法，助力研究人员和工程师高效准确地完成医学图像配准工作。工具箱内包含了多个示例脚本，详细演示了二维和三维空间中的图像配准步骤，包括图像预处理、特征检测、相似性度量、几何变换模
  • 基于智能合约的AI算力交易：以太坊应用开发全流程 AI算力网络与通信 AI算力网络与通信原理AI人工智能大数据架构智能合约人工智能ai
    基于智能合约的AI算力交易：以太坊应用开发全流程关键词：智能合约、AI算力交易、以太坊、应用开发、全流程摘要：本文围绕基于智能合约的AI算力交易在以太坊上的应用开发全流程展开。首先介绍相关背景知识，接着深入解释核心概念及它们之间的关系，阐述核心算法原理和操作步骤，给出数学模型和公式，通过项目实战展示代码实际案例及详细解释，探讨实际应用场景，推荐相关工具和资源，分析未来发展趋势与挑战。最后总结主要内
  • Markdown 结合Typora 基础使用 —— 数学公式（4） Miachel_Z markdown笔记学习
    一.使用的软件软件版本说明：使用软件：Typorav1.9.5使用方法：推荐参考以下教程（由CSDN大佬整理）教程地址（Markdown实战）上期内容&项目地址推荐阅读：Markdown结合Typora基础使用（1）Markdown结合Typora基础使用（2）Markdown结合Typora基础使用——数学公式（3）源码仓库地址：GitHub：Markdown-Examples本章文件名：mar
  • 2019.03.36泡澡 轻舞飞扬nice
    每星期一次的泡澡是我们的必备项目，一般会选在星期二。特别像今天，阳光明媚，吃完饭小憩一会儿，就去足球场上飞奔。踢几个球，打几个滚，躺在绿茵草地上，看看天空，别有一番滋味。夕阳刚还在，一会儿就下山了，拖着那长长的身影。只能期待明天和他再相见。出过汗，泡澡是最舒服的，今天选择给儿子干洗头发，小家伙还真配合，擦完沐浴露，擦完洗发水，泡泡搓呀搓呀搓。好不惬意。小家伙还在浴盆里不断的变换姿势，从躺着到侧卧着
  • ROS2 TF 学习及实现(python & C++)
    ROS2TF学习及实现1.什么是tf？1.1tf的作用tf是ROS中用于坐标变换的工具包，可以让不同传感器、机器人部件之间的坐标系保持一致。它的主要任务是：发布不同坐标系之间的变换关系（Translation+Rotation）。订阅这些关系，并进行坐标点之间的变换。1.2tf2在ROS2中的更新ROS1中使用tf包。ROS2中使用tf2系列包（tf2_ros,tf2_geometry_msgs等
  • 《零基础入门AI：OpenCV图像预处理进一步学习》 竹子_23 OpenCV入门opencv人工智能学习
    本文全面讲解OpenCV图像预处理的七大核心技术（插值方法、边缘填充、图像矫正（透视变换）、图像掩膜、ROI切割、图像添加水印、图像噪点消除），每个知识点都配有详细解释和实用代码示例，帮助初学者建立系统的图像处理知识体系。一、插值方法：图像缩放的核心技术插值是在图像缩放或旋转时估算新像素值的方法，不同方法在速度和质量上有显著差异。1.最近邻插值原理：直接取最邻近像素的值特点：速度最快，但会产生锯齿
  • OpenCV基础02_图像预处理 白槿_cha 计算机视觉基础opencv人工智能计算机视觉笔记
    图像预处理在计算机视觉和图像处理领域，图像预处理是一个重要的步骤，它能够提高后续处理（如特征提取、目标检测等）的准确性和效率。OpenCV提供了许多图像预处理的函数和方法，一些常见的图像预处理操作：图像色彩空间转换图像大小调整图像仿射变换图像翻转图像裁剪图像二值化处理图像去噪边缘检测图像平滑处理图像形态学一、图像翻转cv2.flip是OpenCV库中的一个函数，用于翻转图像。翻转可以是水平翻转、垂
  • AI人工智能深度学习的模型评估与选择 AI大模型应用之禅 人工智能深度学习ai
    AI人工智能深度学习的模型评估与选择关键词：AI、人工智能、深度学习、模型评估、模型选择摘要：本文聚焦于AI人工智能深度学习中的模型评估与选择。在深度学习迅猛发展的当下，构建一个有效的模型并非易事，而准确评估和恰当选择模型对于模型性能的发挥和应用效果至关重要。文章将详细介绍模型评估与选择的相关背景知识，深入剖析核心概念与联系，阐述核心算法原理及具体操作步骤，运用数学模型和公式进行详细讲解并举例说明
  • C# ML.NET回归模型：用代码预测未来的“魔法”！ 墨夶 C#学习资料c#.net回归
    **预测未来？不，是让数据替你说话！**想象一下：你坐在办公室里，老板突然问：“下个月的销售额能到多少？”你盯着Excel表格，头大如斗，公式写了一行又一行，结果还是不准！客户问：“我们产品价格怎么定最合适？”你却只能靠“感觉”回答！ML.NET回归模型就是你的“神兵利器”！它能：✅预测数值型目标：销售额、房价、车费……统统拿下！✅自动调优模型：不用手动调参，AI帮你选最优方案！✅无缝集成C#：不
  • 强背光干扰拒识率↓82%！陌讯多模态融合算法在智慧安防的实战优化
    摘要针对边缘计算优化在复杂光照场景的鲁棒性挑战，本文解析陌讯视觉算法的多模态融合架构。实测显示，在背光、遮挡等极端条件下较基线模型误报率降低82%，部署时延C(特征提取分支)B[红外输入]-->CC-->D{自适应融合模块}D-->E[动态决策引擎]E-->F[置信度分级输出]2.2核心算法实现动态特征聚合公式：Ffusion=∑i=1Nαi⋅ϕ(Vrgb⊕Tir)其中αi为光照强度自适应的权重系
  • 那些日子 五 mimi播报
    一.兵荒马乱术后第二天，终于喝上一口水，巨大的幸福从口腔到喉咙直至身体的每一个部位都能感受得到。像个孩童开启正常饮食，相公给我熬浓浓的肉粥，烂面条，变换着不同的花样。回家后问医生饮食需要注意什么？“你以为你还是病人？”这是最提气的肯定。餐食节制有度，但是每天都拉稀，一个月后情况更加严重，这种情况持续了1年多。每天不是在厕所就在跑厕所的路上，频繁地拉让菊花受损，还没修复又遭遇一轮洗劫，痛感犹如凌迟。
  • 【Elasticsearch】跨集群检索（Cross-Cluster Search）
    《Elasticsearch集群》系列，共包含以下文章：1️⃣冷热集群架构2️⃣合适的锅炒合适的菜：性能与成本平衡原理公式解析3️⃣ILM（IndexLifecycleManagement）策略详解4️⃣Elasticsearch跨机房部署5️⃣快照与恢复功能详解6️⃣Elasticsearch快照恢复API参数详解7️⃣安全地删除快照仓库、快照8️⃣快照生命周期管理SLM（理论篇）9️⃣快照生命
  • 【Elasticsearch】Elasticsearch 跨机房部署 大数据与AI实验室 #Elasticelasticsearch大数据搜索引擎全文检索集群集群架构部署
    《Elasticsearch集群》系列，共包含以下文章：1️⃣冷热集群架构2️⃣合适的锅炒合适的菜：性能与成本平衡原理公式解析3️⃣ILM（IndexLifecycleManagement）策略详解4️⃣Elasticsearch跨机房部署5️⃣快照与恢复功能详解6️⃣Elasticsearch快照恢复API参数详解7️⃣安全地删除快照仓库、快照8️⃣快照生命周期管理SLM（理论篇）9️⃣快照生命
  • 【Elasticsearch】Elasticsearch 快照恢复 API 参数详解 大数据与AI实验室 #Elasticelasticsearch大数据搜索引擎全文检索快照快照恢复kibana
    《Elasticsearch集群》系列，共包含以下文章：1️⃣冷热集群架构2️⃣合适的锅炒合适的菜：性能与成本平衡原理公式解析3️⃣ILM（IndexLifecycleManagement）策略详解4️⃣Elasticsearch跨机房部署5️⃣快照与恢复功能详解6️⃣Elasticsearch快照恢复API参数详解7️⃣安全地删除快照仓库、快照8️⃣快照生命周期管理SLM（理论篇）9️⃣快照生命
  • Excel——重复值处理
    识别重复行的三种方法方法1：COUNTIF公式法在E2单元格输入公式：=COUNTIF($B$2:$B2,B2)>1下拉填充至所有数据行结果为TRUE的即为重复行（会标出第二次及以后出现的重复项）方法2：排序+IF公式法按商机号排序（数据→排序）在E2输入：=IF(B2=B1,"重复","")下拉填充，标记"重复"的即为重复行方法3：数据透视表法选择数据区域→插入→数据透视表将"商机号"拖到行区域
  • 【2024国赛C题】2024 年全国大学生数学建模比赛思路、代码更新中.....
    欢迎来到本博客❤️❤️博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️座右铭：行百里者，半于九十。本文目录如下：目录⛳️竞赛事件及参赛一、解题思路二、准备建议三、注意事项1找程序网站推荐2公式编辑器、流程图、论文排版324年国赛C题及资源下载4思路、代码分享......⛳️竞赛事件及参赛一、解题思路理解题目背景和要求：仔细阅读题目，理解问题的背景、目的和具体要求。识别问题的关键要素
  • 多目标优化：改进蚁群算法解决实际工程问题 AI智能探索者 算法服务器linuxai
    多目标优化：改进蚁群算法解决实际工程问题关键词：多目标优化、改进蚁群算法、实际工程问题、算法原理、项目实战摘要：本文聚焦于多目标优化领域，介绍了如何运用改进蚁群算法来解决实际工程问题。首先阐述了多目标优化和蚁群算法的相关概念，接着深入分析改进蚁群算法的原理和具体操作步骤，包括数学模型和公式。通过项目实战展示了该算法在实际中的应用，探讨了其实际应用场景、工具和资源推荐，以及未来发展趋势与挑战。最后进
  • 神经网络和机器学习的一些基本概念 荼渔 机器学习神经网络
    记录一些基本概念，不涉及公式推导，因为数学不好，记了也没啥用，但是知道一些基本术语以及其中的关系，对神经网络训练有很大帮助。可能有些概念不会讲得很详细，但是当你有了这个概念，你就知道往这个方向去获取更详细的信息，不至于连往哪走都不知道。下面以多元线性回归模型为例1.模型模型训练过程就是利用已知的x和y,求解b的过程，b也称为权重。虽然没有那么简单，但是训练完成的模型本质上就是一组权重值，如[b1,
  • 新与旧 卡卡002
    今天看到这个主题，恰逢冬至，也是辞旧迎新的日子，正合适。在民间，有冬至大如年的说法，天气虽凛冽，人间却温暖。在村里，这个日子特别隆重，即使在外地的人们也要驱车归乡，和家人团圆，吃上热腾腾的汤圆，预示着来年平平安安团团圆圆。说说今天的新与旧。早上刚好上了新的单元，新的一课——《平行四边形的面积》，我先复习旧知识，正方形和长方形的面积公式，他们是如何推导的呢？并由此引出新课题。这里体现了新旧知识的联系
  • 详解图像中的高频分量与低频分量
    图像中的高频分量和低频分量是频域分析中的重要概念，它们揭示了图像的不同特征和信息。以下是详细解析：1.频域分析基础傅里叶变换将图像从空域（像素空间）转换到频域（频率空间）。高频和低频分量对应图像中信号变化的快慢：低频分量：对应图像中缓慢变化的信号（如大块颜色区域、背景、整体亮度）。高频分量：对应图像中快速变化的信号（如边缘、纹理、噪声、细节）。2.低频分量（Low-FrequencyCompone
  • 伽玛函数的对数导数 matlab,伽玛函数(Γ(x)伽马函数公式) 蓝洱 伽玛函数的对数导数matlab
    相信很多人对于伽玛函数(Γ(x)伽马函数公式)并不是非常的了解，因此小编在这里为您详解的讲解一下相关信息！Γ(x)称为伽马函数，它是用一个积分式定义的，不是初等函数。伽马函数有性质：Γ(x+1)=xΓ(x)，Γ(0)=1，Γ(1/2)=√π，对正整数n，有Γ(n+1)=n!如何通过分部积分法推导伽马函数：F(x+1)=xF(X)??伽玛函数(Gamma函数)，也叫欧拉第二积分，是阶乘函数在实数与复
  • ViewController添加button按钮解析。（翻译） 张亚雄 c
    <div class="it610-blog-content-contain" style="font-size: 14px"></div>//  ViewController.m //  Reservation software // //  Created by 张亚雄 on 15/6/2.
  • mongoDB 简单的增删改查 开窍的石头 mongodb
       在上一篇文章中我们已经讲了mongodb怎么安装和数据库/表的创建。在这里我们讲mongoDB的数据库操作       在mongo中对于不存在的表当你用db.表名 他会自动统计 下边用到的user是表明，db代表的是数据库       添加(insert):
  • log4j配置 0624chenhong log4j
    1) 新建java项目 2) 导入jar包，项目右击，properties—java build path—libraries—Add External jar，加入log4j.jar包。 3) 新建一个类com.hand.Log4jTest package com.hand; import org.apache.log4j.Logger; public class
  • 多点触摸(图片缩放为例) 不懂事的小屁孩 多点触摸
    多点触摸的事件跟单点是大同小异的，上个图片缩放的代码，供大家参考一下 import android.app.Activity; import android.os.Bundle; import android.view.MotionEvent; import android.view.View; import android.view.View.OnTouchListener
  • 有关浏览器窗口宽度高度几个值的解析 换个号韩国红果果 JavaScripthtml
    1 元素的 offsetWidth 包括border padding  content  整体的宽度。 clientWidth  只包括内容区 padding 不包括border。 clientLeft =  offsetWidth -clientWidth  即这个元素border的值 offsetLeft  若无已定位的包裹元素
  • 数据库产品巡礼：IBM DB2概览 蓝儿唯美 db2
    IBM DB2是一个支持了NoSQL功能的关系数据库管理系统，其包含了对XML，图像存储和Java脚本对象表示（JSON）的支持。DB2可被各种类型的企 业使用，它提供了一个数据平台，同时支持事务和分析操作，通过提供持续的数据流来保持事务工作流和分析操作的高效性。 DB2支持的操作系统 DB2可应用于以下三个主要的平台:   工作站，DB2可在Linus、Unix、Windo
  • java笔记5 a-john java
    控制执行流程： 1，true和false    利用条件表达式的真或假来决定执行路径。例：（a==b）。它利用条件操作符“==”来判断a值是否等于b值，返回true或false。java不允许我们将一个数字作为布尔值使用，虽然这在C和C++里是允许的。如果想在布尔测试中使用一个非布尔值，那么首先必须用一个条件表达式将其转化成布尔值，例如if(a!=0)。 2，if-els
  • Web开发常用手册汇总 aijuans PHP
    一门技术，如果没有好的参考手册指导,很难普及大众。这其实就是为什么很多技术，非常好，却得不到普遍运用的原因。 正如我们学习一门技术，过程大概是这个样子： ①我们日常工作中，遇到了问题，困难。寻找解决方案，即寻找新的技术； ②为什么要学习这门技术？这门技术是不是很好的解决了我们遇到的难题，困惑。这个问题，非常重要，我们不是为了学习技术而学习技术，而是为了更好的处理我们遇到的问题，才需要学习新的
  • 今天帮助人解决的一个sql问题 asialee sql
                今天有个人问了一个问题，如下： type     AD      value          A  
  • 意图对象传递数据 百合不是茶 android意图IntentBundle对象数据的传递
    学习意图将数据传递给目标活动; 初学者需要好好研究的       1,将下面的代码添加到main.xml中    <?xml version="1.0" encoding="utf-8"?> <LinearLayout xmlns:android="http:/
  • oracle查询锁表解锁语句 bijian1013 oracleobjectsessionkill
    一.查询锁定的表 如下语句，都可以查询锁定的表 语句一： select a.sid, a.serial#, p.spid, c.object_name, b.session_id, b.oracle_username, b.os_user_name from v$process p, v$s
  • mac osx 10.10 下安装 mysql 5.6 二进制文件［tar.gz］ 征客丶 mysqlosx
    场景：在 mac osx 10.10 下安装 mysql 5.6 的二进制文件。 环境：mac osx 10.10、mysql 5.6 的二进制文件 步骤：[所有目录请从根“/”目录开始取，以免层级弄错导致找不到目录] 1、下载 mysql 5.6 的二进制文件，下载目录下面称之为 mysql5.6SourceDir； 下载地址：http://dev.mysql.com/downl
  • 分布式系统与框架 bit1129 分布式
    RPC框架 Dubbo 什么是Dubbo   Dubbo是一个分布式服务框架，致力于提供高性能和透明化的RPC远程服务调用方案，以及SOA服务治理方案。其核心部分包含:    远程通讯: 提供对多种基于长连接的NIO框架抽象封装，包括多种线程模型，序列化，以及“请求-响应”模式的信息交换方式。    集群容错: 提供基于接
  • 那些令人蛋痛的专业术语 白糖_ springWebSSOIOC
    spring 【控制反转(IOC)/依赖注入(DI)】： 由容器控制程序之间的关系，而非传统实现中，由程序代码直接操控。这也就是所谓“控制反转”的概念所在：控制权由应用代码中转到了外部容器，控制权的转移，是所谓反转。 简单的说：对象的创建又容器(比如spring容器)来执行，程序里不直接new对象。 Web 【单点登录(SSO)】：SSO的定义是在多个应用系统中，用户
  • 《给大忙人看的java8》摘抄 braveCS java8
    函数式接口：只包含一个抽象方法的接口 lambda表达式：是一段可以传递的代码       你最好将一个lambda表达式想象成一个函数，而不是一个对象，并记住它可以被转换为一个函数式接口。 事实上，函数式接口的转换是你在Java中使用lambda表达式能做的唯一一件事。   方法引用：又是要传递给其他代码的操作已经有实现的方法了，这时可以使
  • 编程之美-计算字符串的相似度 bylijinnan java算法编程之美
    public class StringDistance { /** * 编程之美 计算字符串的相似度 * 我们定义一套操作方法来把两个不相同的字符串变得相同，具体的操作方法为： * 1.修改一个字符（如把“a”替换为“b”）; * 2.增加一个字符（如把“abdd”变为“aebdd”）; * 3.删除一个字符（如把“travelling”变为“trav
  • 上传、下载压缩图片 chengxuyuancsdn 下载
    /** * * @param uploadImage --本地路径(tomacat路径) * @param serverDir --服务器路径 * @param imageType --文件或图片类型 * 此方法可以上传文件或图片.txt,.jpg,.gif等 */ public void upload(String uploadImage,Str
  • bellman-ford(贝尔曼-福特)算法 comsci 算法F#
    Bellman-Ford算法(根据发明者 Richard Bellman 和 Lester Ford 命名)是求解单源最短路径问题的一种算法。单源点的最短路径问题是指：给定一个加权有向图G和源点s，对于图G中的任意一点v，求从s到v的最短路径。有时候这种算法也被称为 Moore-Bellman-Ford 算法，因为 Edward F. Moore zu 也为这个算法的发展做出了贡献。 与迪科
  • oracle ASM中ASM_POWER_LIMIT参数 daizj ASMoracleASM_POWER_LIMIT磁盘平衡
    ASM_POWER_LIMIT 该初始化参数用于指定ASM例程平衡磁盘所用的最大权值，其数值范围为0~11，默认值为1。该初始化参数是动态参数，可以使用ALTER  SESSION或ALTER  SYSTEM命令进行修改。示例如下： SQL>ALTER  SESSION  SET   Asm_power_limit=2;
  • 高级排序:快速排序 dieslrae 快速排序
    public void quickSort(int[] array){ this.quickSort(array, 0, array.length - 1); } public void quickSort(int[] array,int left,int right){ if(right - left <= 0
  • C语言学习六指针_何谓变量的地址 一个指针变量到底占几个字节 dcj3sjt126com C语言
    # include <stdio.h> int main(void) { /* 1、一个变量的地址只用第一个字节表示 2、虽然他只使用了第一个字节表示，但是他本身指针变量类型就可以确定出他指向的指针变量占几个字节了 3、他都只存了第一个字节地址，为什么只需要存一个字节的地址，却占了4个字节，虽然只有一个字节， 但是这些字节比较多，所以编号就比较大，
  • phpize使用方法 dcj3sjt126com PHP
    phpize是用来扩展php扩展模块的，通过phpize可以建立php的外挂模块,下面介绍一个它的使用方法,需要的朋友可以参考下 安装（fastcgi模式）的时候，常常有这样一句命令： 代码如下: /usr/local/webserver/php/bin/phpize   一、phpize是干嘛的？ phpize是什么？ phpize是用来扩展php扩展模块的，通过phpi
  • Java虚拟机学习 - 对象引用强度 shuizhaosi888 JAVA虚拟机
    本文原文链接：http://blog.csdn.net/java2000_wl/article/details/8090276 转载请注明出处！ 无论是通过计数算法判断对象的引用数量，还是通过根搜索算法判断对象引用链是否可达，判定对象是否存活都与“引用”相关。 引用主要分为 ：强引用(Strong Reference)、软引用(Soft Reference)、弱引用(Wea
  • .NET Framework 3.5 Service Pack 1（完整软件包）下载地址 happyqing .net下载framework
      Microsoft .NET Framework 3.5 Service Pack 1（完整软件包）  http://www.microsoft.com/zh-cn/download/details.aspx?id=25150 Microsoft .NET Framework 3.5 Service Pack 1 是一个累积更新，包含很多基于 .NET Framewo
  • JAVA定时器的使用 jingjing0907 javatimer线程定时器
    1、在应用开发中，经常需要一些周期性的操作，比如每5分钟执行某一操作等。 对于这样的操作最方便、高效的实现方式就是使用java.util.Timer工具类。 privatejava.util.Timer timer; timer = newTimer(true); timer.schedule( newjava.util.TimerTask() { public void run()
  • Webbench 流浪鱼 webbench
    首页下载地址 http://home.tiscali.cz/~cz210552/webbench.html Webbench是知名的网站压力测试工具，它是由Lionbridge公司（http://www.lionbridge.com）开发。 Webbench能测试处在相同硬件上，不同服务的性能以及不同硬件上同一个服务的运行状况。webbench的标准测试可以向我们展示服务器的两项内容：每秒钟相
  • 第11章 动画效果（中） onestopweb 动画
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • windows下制作bat启动脚本. sanyecao2314 javacmd脚本bat
    java -classpath C:\dwjj\commons-dbcp.jar;C:\dwjj\commons-pool.jar;C:\dwjj\log4j-1.2.16.jar;C:\dwjj\poi-3.9-20121203.jar;C:\dwjj\sqljdbc4.jar;C:\dwjj\voucherimp.jar com.citsamex.core.startup.MainStart
  • Java进行RSA加解密的例子 tomcat_oracle java
    加密是保证数据安全的手段之一。加密是将纯文本数据转换为难以理解的密文；解密是将密文转换回纯文本。 　　数据的加解密属于密码学的范畴。通常，加密和解密都需要使用一些秘密信息，这些秘密信息叫做密钥，将纯文本转为密文或者转回的时候都要用到这些密钥。 　　对称加密指的是发送者和接收者共用同一个密钥的加解密方法。 　　非对称加密(又称公钥加密)指的是需要一个私有密钥一个公开密钥，两个不同的密钥的
  • Android_ViewStub 阿尔萨斯 ViewStub
    public final class ViewStub extends View java.lang.Object android.view.View android.view.ViewStub 类摘要： ViewStub 是一个隐藏的，不占用内存空间的视图对象，它可以在运行时延迟加载布局资源文件。当 ViewSt
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他