摘要：
我们写一个主程序，包括两个函数更新函数和预测函数，然后导入一系列测量和运动数据。 如果初始估计是5，非常好，但我们将其设置为mu=0，且不确定性非常高为sig=10000. 我们假设测量不确定性为常量4，运动不确定性为2. 运动时 你的第一次位置估计应该是4.9.原因在于初始不确定性高，第一次测量值
阅读全文
posted @ 2018-05-03 08:36
未完代码
阅读(1836)
推荐(0)
摘要：
根据我们的当前的估计和他的方差（mean1,bar1），以及运动及其不确定性(mean2,var2)，然后计算更新后的预测、平均数和方差
阅读全文
posted @ 2018-05-02 17:49
未完代码
阅读(522)
推荐(0)
摘要：
回顾一下之前的内容，我们知道有一个测量更新和一个运动更新（预测）。 运动更新通过全概率或者一个加法来完成，我们已经解决了比较复杂的情况。 我把它解决了 ，并得出了公式。 并且也用代码实现了这一步。 运动部分不想深入，这是非常简单的一步，让我们写下来。假设你活在这样一个世界里，中心点，这是你对自己所在
阅读全文
posted @ 2018-05-02 17:42
未完代码
阅读(475)
推荐(0)
摘要：
让我们写一个程序来更新新的均值和方差
阅读全文
posted @ 2018-05-02 17:16
未完代码
阅读(501)
推荐(0)
摘要：
假设我们有一个先验概率在坐标的起始处，然后有一个测量概率离他比较远，然后他们有同样的方差。 请问新的平均值在哪？ 答案是在正中间，因为这两个方差是一样的. 下面的问题比较难。 上面蓝色 红色 绿色 那个是更新后的方差？ 答案是更加陡峭的绿色心线
阅读全文
posted @ 2018-05-02 17:10
未完代码
阅读(293)
推荐(0)
摘要：
假设我们把两个高斯函数相乘就像贝叶斯定理那样，一个先验概率，一个测量值的概率。 先验概率的平均值是mu,方差是omiga的平方，测量值的平均值是nu,方差是r的平方。 新的平均值和旧的平均值加权平均，mu给予权重r^2, nu给予权重omiga^2 。然后用权重因子归一化。 新的方差项omiga^2
阅读全文
posted @ 2018-05-02 16:57
未完代码
阅读(663)
推荐(0)
摘要：
这个问题真的很难，当我们画新的高斯函数的时候，我们可以画一个非常宽的函数，或者非常尖的函数，如果我们要测量新的高斯函数的峰值在哪，最上面的红线，这会是一个非常窄和廋的高斯函数。中间的红线，这个宽度在两个高斯函数之间的高斯函数。下面的红线，这会是比原来的高斯函数还要宽的高斯函数。你觉得哪一个是在将两个
阅读全文
posted @ 2018-05-02 16:34
未完代码
阅读(372)
推荐(0)
摘要：
在卡尔曼滤波器中我们重复测量和运动两个过程，这通常被称为测量跟新，这被称为预测值。 在这个过程中我们使用贝叶斯定理就是一个乘法，在这个更新里我们使用全概率定理，就是一个卷积，或是一个加法。 让我们来谈谈测量循环 使用高斯函数来实现这些步骤。 假设你在定位另一辆车，然后有这样一个先验分布，这是一个非常
阅读全文
posted @ 2018-05-02 16:19
未完代码
阅读(622)
推荐(0)
posted @ 2018-05-02 15:46
未完代码
阅读(314)
推荐(0)
摘要：
反向传播练习 现在你来实现一个通过反向传播训练的神经网络，数据集就是之前的研究生院录取数据。通过前面所学你现在有能力完成这个练习： 你的目标是： 实现一个正向传播 实现反向传播算法 更新权重 import numpy as np from data_prep import features, tar
阅读全文
posted @ 2018-04-27 17:03
未完代码
阅读(558)
推荐(0)
浙公网安备 33010602011771号