机器学习优缺点

机器学习10大经典算法

2012-03-29 20:35 20186人阅读评论(3) 收藏举报算法google网络搜索引擎互联网yahoo

1、C4.5

机器学习中，决策树是一个预测模型；他代表的是对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。决策树仅有单一输出，若欲有复数输出，可以建立独立的决策树以处理不同输出。

从数据产生决策树的机器学习技术叫做决策树学习, 通俗说就是决策树。

决策树学习也是数据挖掘中一个普通的方法。在这里，每个决策树都表述了一种树型结构，他由他的分支来对该类型的对象依靠属性进行分类。每个决策树可以依靠对源数据库的分割进行数据测试。这个过程可以递归式的对树进行修剪。当不能再进行分割或一个单独的类可以被应用于某一分支时，递归过程就完成了。另外，随机森林分类器将许多决策树结合起来以提升分类的正确率。

决策树同时也可以依靠计算条件概率来构造。决策树如果依靠数学的计算方法可以取得更加理想的效果。

决策树是如何工作的

决策树一般都是自上而下的来生成的。

选择分割的方法有好几种，但是目的都是一致的：对目标类尝试进行最佳的分割。

从根到叶子节点都有一条路径，这条路径就是一条“规则”。

决策树可以是二叉的，也可以是多叉的。

对每个节点的衡量：

1) 通过该节点的记录数

2) 如果是叶子节点的话，分类的路径

3) 对叶子节点正确分类的比例。

有些规则的效果可以比其他的一些规则要好。

由于ID3算法在实际应用中存在一些问题，于是Quilan提出了C4.5算法，严格上说C4.5只能是ID3的一个改进算法。相信大家对ID3算法都很.熟悉了，这里就不做介绍。

C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进：

1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足；

2) 在树构造过程中进行剪枝；

3) 能够完成对连续属性的离散化处理；

4) 能够对不完整数据进行处理。

C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。此外，C4.5只适合于能够驻留于内存的数据集，当训练集大得无法在内存容纳时程序无法运行。

来自搜索的其他内容：

C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法.

分类决策树算法是从大量事例中进行提取分类规则的自上而下的决策树.

决策树的各部分是:

根: 学习的事例集.

枝: 分类的判定条件.

叶: 分好的各个类.

§4.3.2 ID3算法

1.概念提取算法CLS

1) 初始化参数C={E},E包括所有的例子,为根.

2) IF C中的任一元素e同属于同一个决策类则创建一个叶子

节点YES终止.

ELSE 依启发式标准,选择特征Fi={V1,V2,V3,．．．Vn}并创建

判定节点

划分C为互不相交的N个集合C1,C2,C3,．．．,Cn；

3) 对任一个Ci递归.

2. ID3算法

1) 随机选择C的一个子集W (窗口).

2) 调用CLS生成W的分类树DT(强调的启发式标准在后).

3) 顺序扫描C搜集DT的意外(即由DT无法确定的例子).

4) 组合W与已发现的意外,形成新的W.

5) 重复2)到4),直到无例外为止.

启发式标准:

只跟本身与其子树有关,采取信息理论用熵来量度.

熵是选择事件时选择自由度的量度,其计算方法为

P = freq(Cj,S)/|S|;

INFO(S)= - SUM( P*LOG(P) ) ; SUM()函数是求j从1到n和. Gain(X)=Info(X)-Infox(X);

Infox(X)=SUM( (|Ti|/|T|)*Info(X);

为保证生成的决策树最小,ID3算法在生成子树时,选取使生成的子树的熵(即Gain(S))最小的

的特征来生成子树.

§4.3.3: ID3算法对数据的要求

1. 所有属性必须为离散量.

2. 所有的训练例的所有属性必须有一个明确的值.

3. 相同的因素必须得到相同的结论且训练例必须唯一.

§4.3.4: C4.5对ID3算法的改进:

1. 熵的改进,加上了子树的信息.

Split_Infox(X)= - SUM( (|T|/|Ti| ) *LOG(|Ti|/|T|) );

Gain ratio(X)= Gain(X)/Split Infox(X);

2. 在输入数据上的改进.

1)

因素属性的值可以是连续量,C4.5对其排序并分成不同的集合后按照ID3算法当作离散量进

行处理,但结论属性的值必须是离散值.

2) 训练例的因素属性值可以是不确定的,以? 表示,但结论必须是确定的

3. 对已生成的决策树进行裁剪,减小生成树的规模.

2、The k-means algorithm

k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k < n。它与处理混合正态分布的最大期望算法很相似，因为他们都试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。

假设有k个群组Si, i=1,2,...,k。μi是群组Si内所有元素xj的重心，或叫中心点。

k平均聚类发明于1956年，该算法最常见的形式是采用被称为劳埃德算法

(Lloyd algorithm)的迭代式改进探索法。劳埃德算法首先把输入点分成k个初始化分组，可以

是随机的或者使用一些启发式数据。然后计算每组的中心点，根据中心点的位置把对象分到离它最近的中心，重新确定分组。继续重复不断地计算中心并重新分组，直到收敛，即对象不再改变分组（中心点位置不再改变）。

劳埃德算法和k平均通常是紧密联系的，但是在实际应用中，劳埃德算法是解决k平均问题的启发式法则，对于某些起始点和重心的组合，劳埃德算法可能实际上收敛于错误的结果。（上面函数中存在的不同的最优解）

虽然存在变异，但是劳埃德算法仍旧保持流行，因为它在实际中收敛非常快。实际上，观察发现迭代次数远远少于点的数量。然而最近，David Arthur和Sergei Vassilvitskii提出存在特定的点集使得k平均算法花费超多项式时间达到收敛。

近似的k平均算法已经被设计用于原始数据子集的计算。

从算法的表现上来说，它并不保证一定得到全局最优解，最终解的质量很大程度上取决于初始化的分组。由于该算法的速度很快，因此常用的一种方法是多次运行k平均算法，选择最优解。

k平均算法的一个缺点是，分组的数目k是一个输入参数，不合适的k可能返回较差的结果。另外，算法还假设均方误差是计算群组分散度的最佳参数。

3、SVM

支持向量机，英文为Support Vector Machine，简称SV机（论文中一般简称svm）。它是一种監督式學習的方法，它广泛的应用于统计分类以及回归分析中。

支持向量机属于一般化线性分类器.他们也可以认为是提克洛夫规范化

（Tikhonov Regularization）方法的一个特例.这族分类器的特点是他们能够同时最小化经验误差与最大化几何边缘区.因此支持向量机也被称为最大边缘区分类器。在统计计算中，最大期望（EM）算法是在概率（probabilistic）模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variabl）。最大期望经常用在机器学习和计算机视觉的数据集聚（Data Clustering）领域。最大期望算法经过两个步骤交替进行计算，第一步是计算期望（E），也就是将隐藏变量象能够观测到的一样包含在内从而计算最大似然的期望值；另外一步是最大化（M），也就是最大化在E 步上找到的最大似然的期望值从而计算参数的最大似然估计。M 步上找到的参数然后用于另外一个E 步计算，这个过程不断交替进行。

Vapnik等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。其原理也从线性可分说起，然后扩展到线性不可分的情况。甚至扩展到使用非线性函数中去，这种分类器被称为支持向量机(Support Vector Machine,简称SVM)。支持向量机的提出有很深的理论背景。支持向量机方法是在近年来提出的一种新方法。

SVM的主要思想可以概括为两点：(1) 它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；(2) 它基于结构风险最小化理论之上在特征空间中建构最优分割超平面，使得学习器得到全局最优化,并且在整个样本空间的期望风险以某个概率满足一定上界。

在学习这种方法时，首先要弄清楚这种方法考虑问题的特点，这就要从线性可分的最简单情况讨论起，在没有弄懂其原理之前，不要急于学习线性不可分等较复杂的情况，支持向量机在设计时，需要用到条件极值问题的求解，因此需用拉格朗日乘子理论，但对多数人来说，以前学到的或常用的是约束条件为等式表示的方式，但在此要用到以不等式作为必须满足的条件，此时只要了解拉格朗日理论的有关结论就行。

介绍

支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类器的总误差越小。一个极好的指南是C.J.C Burges的《模式识别支持向量机指南》。van der Walt 和Barnard 将支持向量机和其他分类器进行了比较。

动机

有很多个分类器(超平面）可以把数据分开，但是只有一个能够达到最大分割。我们通常希望分类的过程是一个机器学习的过程。这些数据点并不需要是中的点，而可以是任意(统计学符号)中或者(计算机科学符号) 的点。我们希望能够把这些点通过一个n-1维的超平面分开，通常这个被称为线性分类器。有很多分类器都符合这个要求，但是我们还希望找到分类最佳的平面，即使得属于两个不同类的数据点间隔最大的那个面，该面亦称为最大间隔超平面。如果我们能够找到这个面，那么这个分类器就称为最大间隔分类器。

问题定义

设样本属于两个类，用该样本训练svm得到的最大间隔超平面。在超平面上的样本点也称为支持向量.我们考虑以下形式的样本点

其中ci为1或?1 --用以表示数据点属于哪个类. 是一个p ? (统计学符号), 或 n ? (计算机科学符号) 维向量，其每个元素都被缩放到[0,1]或[-1,1].缩放的目的是防止方差大的随机变量主导分类过程.我们可以把这些数据称为“训练数据”，希望我们的支持向量机能够通过一个超平面正确的把他们分开。超平面的数学形式可以写作

根据几何知识，我们知道向量垂直于分类超平面。加入位移b的目的是增加间隔.如果没有b 的话，那超平面将不得不通过原点，限制了这个方法的灵活性。

由于我们要求最大间隔，因此我们需要知道支持向量以及（与最佳超平面）平行的并且离支持向量最近的超平面。我们可以看到这些平行超平面可以由方程族：

来表示。

如果这些训练数据是线性可分的，那就可以找到这样两个超平面，在它们之间没有任何样本点并且这两个超平面之间的距离也最大.通过几何不难得到这两个超平面之间的距离

是2/|w|，因此我们需要最小化|w|。同时为了使得样本数据点都在超平面的间隔区以外，我们需要保证对于所有的i 满足其中的一个条件

这两个式子可以写作：

原型

现在寻找最佳超平面这个问题就变成了在(1)这个约束条件下最小化|w|.这是一个二次規劃QP(quadratic programming)最优化中的问题。

更清楚的，它可以表示如下：

最小化, 满足。

1/2 这个因子是为了数学上表达的方便加上的。

对偶型(Dual Form)

把原型的分类规则写作对偶型，可以看到分类器其实是一个关于支持向量（即那些在间隔区边缘的训练样本点）的函数。

支持向量机的对偶型如下：并满足αi > = 0

软间隔

1995年, Corinna Cortes 与Vapnik 提出了一种改进的最大间隔区方法，这种方法可以处理标记错误的样本。如果可区分正负例的超平面不存在，则“软边界”将选择一个超平面尽可能清晰地区分样本，同时使其与分界最清晰的样本的距离最大化。这一成果使术语“支持向量机”（或“SVM”）得到推广。这种方法引入了松驰参数ξi以衡量对数据xi的误分类度。

随后，将目标函数与一个针对非0ξi的惩罚函数相加，在增大间距和缩小错误惩罚两大目标之间进行权衡优化。如果惩罚函数是一个线性函数，则等式(3)变形为

4、Apriori算法

Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。

Apriori演算法所使用的前置统计量包括了：

?最大规则物件数：规则中物件组所包含的最大物件数量

?最小支援：规则中物件或是物件组必顸符合的最低案例数

?最小信心水准：计算规则所必须符合的最低信心水准门槛

该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递推的方法。

可能产生大量的候选集,以及可能需要重复扫描数据库，是Apriori算法的两大缺点。

5、最大期望(EM)算法

在统计计算中，最大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量

（Latent Variabl）。最大期望经常用在机器学习和计算机视觉的数据集聚（Data Clustering）

领域。最大期望算法经过两个步骤交替进行计算，第一步是计算期望（E），也就是将隐藏变量象能够观测到的一样包含在内从而计算最大似然的期望值；另外一步是最大化（M），也就是最大化在E 步上找到的最大似然的期望值从而计算参数的最大似然估计。M 步上找到的参数然后用于另外一个 E 步计算，这个过程不断交替进行。

最大期望过程说明

我们用表示能够观察到的不完整的变量值，用表示无法观察到的变量值，这样和一起组成了完整的数据。可能是实际测量丢失的数据，也可能是能够简化问题的隐藏变量，如果它的值能够知道的话。例如，在混合模型（Mixture Model）中，如果“产生”样本的混合元素成分已知的话最大似然公式将变得更加便利（参见下面的例子）。

估计无法观测的数据

让代表矢量θ: 定义的参数的全部数据的概率分布（连续情况下）或者概率集聚函数（离散情况下），那么从这个函数就可以得到全部数据的最大似然值，另外，在给定的观察到的数据条件下未知数据的条件分布可以表示为：

6、PageRank

PageRank是Google算法的重要内容。2001年9月被授予美国专利，专利人是Google创始人之一拉里·佩奇（Larry Page）。因此，PageRank里的page不是指网页，而是指佩奇，即这个等级方法是以佩奇来命名的。

Google的PageRank根据网站的外部链接和内部链接的数量和质量俩衡量网站的价值。PageRank背后的概念是，每个到页面的链接都是对该页面的一次投票，被链接的越多，就意味着被其他网站投票越多。这个就是所谓的“链接流行度”——衡量多少人愿意将他们的网站和你的网站挂钩。PageRank这个概念引自学术中一篇论文的被引述的频度——即被别人引述的次数越多，一般判断这篇论文的权威性就越高。

Google有一套自动化方法来计算这些投票。Google的PageRank分值从0到10；PageRank 为10表示最佳，但非常少见，类似里氏震级（Richter scale），PageRank级别也不是线性的，而是按照一种指数刻度。这是一种奇特的数学术语，意思是PageRank4不是比PageRank3

好一级——而可能会好6到7倍。因此，一个PageRank5的网页和PageRank8的网页之间的差距会比你可能认为的要大的多。

PageRank较高的页面的排名往往要比PageRank较低的页面高，而这导致了人们对链接的着魔。在整个SEO社区，人们忙于争夺、交换甚至销售链接，它是过去几年来人们关注

的焦点，以至于Google修改了他的系统，并开始放弃某些类型的链接。比如，被人们广泛接受的一条规定，来自缺乏内容的“link farm”（链接工厂）网站的链接将不会提供页面的PageRank，从PageRank较高的页面得到链接但是内容不相关（比如说某个流行的漫画书网站链接到一个叉车规范页面），也不会提供页面的PageRank。Google选择降低了PageRank 对更新频率，以便不鼓励人们不断的对其进行监测。

Google PageRank一般一年更新四次，所以刚上线的新网站不可能获得PR值。你的网站很可能在相当长的时间里面看不到PR值的变化，特别是一些新的网站。PR值暂时没有，这不是什么不好的事情，耐心等待就好了。

为您的网站获取外部链接是一件好事，但是无视其他SEO领域的工作而进行急迫的链接建设就是浪费时间，要时刻保持一个整体思路并记住以下几点：

·Google的排名算法并不是完全基于外部链接的

·高PageRank并不能保证Google高排名

·PageRank值更新的比较慢，今天看到的PageRank值可能是三个月前的值

因此我们不鼓励刻意的去追求PageRank，因为决定排名的因素可以有上百种。尽管如此，PageRank还是一个用来了解Google对您的网站页面如何评价的相当好的指示，建议网站设计者要充分认识PageRank在Google判断网站质量中的重要作用，从设计前的考虑到后期网站更新都要给予PageRank足够的分析，很好的利用。我们要将PageRank看作是一种业余爱好而不是一种信仰。

---------------------------------------------------------------------------------------------------------------------

通过对由超过50,000 万个变量和20 亿个词汇组成的方程进行计算，PageRank 能够对网页的重要性做出客观的评价。PageRank 并不计算直接链接的数量，而是将从网页A 指向网页B 的链接解释为由网页 A 对网页 B 所投的一票。这样，PageRank 会根据网页B 所收到的投票数量来评估该页的重要性。

此外，PageRank 还会评估每个投票网页的重要性，因为某些网页的投票被认为具有较高的价值，这样，它所链接的网页就能获得较高的价值。重要网页获得的PageRank（网页排名）较高，从而显示在搜索结果的顶部。Google 技术使用网上反馈的综合信息来确定某个网页的重要性。搜索结果没有人工干预或操纵，这也是为什么Google 会成为一个广受用户信赖、不受付费排名影响且公正客观的信息来源。

－－－－－－－－－－－－－－－

其实简单说就是民主表决。打个比方，假如我们要找李开复博士，有一百个人举手说自己是李开复。那么谁是真的呢？也许有好几个真的，但即使如此谁又是大家真正想找的呢？:-) 如果大家都说在Google 公司的那个是真的，那么他就是真的。

在互联网上，如果一个网页被很多其它网页所链接，说明它受到普遍的承认和信赖，那么它的排名就高。这就是Page Rank 的核心思想。当然Google 的Page Rank 算法实际上要复杂得多。比如说，对来自不同网页的链接对待不同，本身网页排名高的链接更可靠，于是给这些链接予较大的权重。Page Rank 考虑了这个因素，可是现在问题又来了，计算搜索结果的网页排名过程中需要用到网页本身的排名，这不成了先有鸡还是先有蛋的问题了吗？

Google 的两个创始人拉里·佩奇（Larry Page ）和谢尔盖·布林(Sergey Brin) 把这个问题变成了一个二维矩阵相乘的问题，并且用迭代的方法解决了这个问题。他们先假定所有网页的排名是相同的，并且根据这个初始值，算出各个网页的第一次迭代排名，然后再根据第一次迭代排名算出第二次的排名。他们两人从理论上证明了不论初始值如何选取，这种算法都保证了网页排名的估计值能收敛到他们的真实值。值得一提的事，这种算法是完全没有任何人工干预的。

理论问题解决了，又遇到实际问题。因为互联网上网页的数量是巨大的，上面提到的二维矩阵从理论上讲有网页数目平方之多个元素。如果我们假定有十亿个网页，那么这个矩阵就有一百亿亿个元素。这样大的矩阵相乘，计算量是非常大的。拉里和谢尔盖两人利用稀疏矩阵计算的技巧，大大的简化了计算量，并实现了这个网页排名算法。今天Google 的工程师把这个算法移植到并行的计算机中，进一步缩短了计算时间，使网页更新的周期比以前短了许多。

我来Google 后，拉里(Larry) 在和我们几个新员工座谈时，讲起他当年和谢尔盖(Sergey) 是怎么想到网页排名算法的。他说："当时我们觉得整个互联网就像一张大的图（Graph)，每个网站就像一个节点，而每个网页的链接就像一个弧。我想，互联网可以用一个图或者矩阵描述，我也许可以用这个发现做个博士论文。" 他和谢尔盖就这样发明

了Page Rank 的算法。

网页排名的高明之处在于它把整个互联网当作了一个整体对待。它无意识中符合了系统论的观点。相比之下，以前的信息检索大多把每一个网页当作独立的个体对待，很多人当初只注意了网页内容和查询语句的相关性，忽略了网页之间的关系。

今天，Google 搜索引擎比最初复杂、完善了许多。但是网页排名在Google 所有算法中依然是至关重要的。在学术界, 这个算法被公认为是文献检索中最大的贡献之一，并且被很多大学引入了信息检索课程(Information Retrieval) 的教程。

如何提高你网页的PR 值？

什么是PR值呢? PR值全称为PageRank，PR是英文Pagerank 的缩写形式，Pagerank取

自Google的创始人LarryPage，它是Google排名运算法则（排名公式）的一部分，Pagerank 是Google对网页重要性的评估，是Google用来衡量一个网站的好坏的唯一标准。PageRank(网页级别)是Google用于评测一个网页“重要性”的一种方法。在揉合了诸如Title 标识和Keywords标识等所有其它因素之后，Google通过PageRank来调整结果，使那些更

具“重要性”的网页在搜索结果中另网站排名获得提升，从而提高搜索结果的相关性和质量。PR值的级别从1到10级，10级为满分。PR值越高说明该网页越受欢迎。Google把自己的网站的PR值定到10，这说明Google这个网站是非常受欢迎的，也可以说这个网站非

常重要。Google大受青睐的另一个原因就是它的网站索引速度。向Google提交你的网站直到为Google收录，一般只需两个星期。如果你的网站已经为Google收录，那么通常Google 会每月一次遍历和更新(重新索引)你的网站信息。不过对于那些PR值(Pagerank)较高的网站，Google索引周期会相应的短一些。一个PR值为1的网站表明这个网站不太具有流行度，而PR值为7到10则表明这个网站非常受欢迎。PR值最高为10，一般PR值达到4，就算是一个不错的网站了。那么PR值都受那些因素影响呢？下面我们一起来看看。

第一：网站外部链接的数量和质量

在计算网站排名时，Pagerank会将网站的外部链接数考虑进去。并不能说一个网站的外部链接数越多其PR值就越高，如果这样的话，一个网站尽可能获得最多的外部链接就OK 了，有这种想法是错误的。Google对一个网站上的外部链接数的重视程度并不意味着你因

此可以不求策略地与任何网站建立连接。这是因为Google并不是简单地由计算网站的外部

链接数来决定其等级。Google的Pagerank系统不单考虑一个网站的外部链接质量，也会考虑其数量。这个问题看来很有复杂。首先让我们来解释一下什么是阻尼因数(damping factor)。阻尼因素就是当你投票或链接到另外一个站点时所获得的实际PR分值。阻尼因数一般是

0.85。当然比起你网站的实际PR值，它就显得微不足道了。

现在让我们来看看这个PR分值的计算公式：

PR(A)=(1- d)+d(PR(t1)/C(t1)+...+PR(tn)/C(tn)) 公式解释：其中PR(A)表示的是从一个外部链接站点t1上，依据Pagerank?系统给你的网站所增加的PR分值；PR(t1)表示该外部链接网站本身的PR分值；C(t1)则表示该外部链接站点所拥有的外部链接数量。大家要谨记：一个网站的投票权值只有该网站PR分值的0.85，

那么，是不是说对一个网站而言，它所拥有的较高网站质量和较高PR分值的外部链接数量越多就越好呢？错，因为－Google的Pagerank系统不单考虑一个网站的外部链接质量，也会考虑其数量.比方说，对一个有一定PR值的网站X来说，如果你的网站Y是它的唯一一个外部链接，那么Google就相信网站X将你的网站Y视做它最好的一个外部链接，从而会给你的网站Y更多的分值。可是，如果网站X 上已经有49个外部链接，那么Google就相信网站X只是将你的网站视做它第50个好的网站。因而你的外部链接站点上的外部链接数越多，你所能够得到的PR分值反而会越低，它们呈反比关系。

说它对是因为－一般情况下，一个PR分值大于等于6的外部链接站点，可显著提升你的PR分值。但如果这个外部链接站点已经有100个其它的外部链接时，那你能够得到的PR 分值就几乎为零了。同样，如果一个外部链接站点的PR值仅为2，但你却是它的唯一一个外部链接，那么你所获得的PR值要远远大于那个PR值为6，外部链接数为100的网站。

而且这个0.85的权值平均分配给其链接的每个外部网站。

第二：Google在你的网站抓取的页面数

Google在你的网站抓取的页面数，数目越多，Pagerank值越高。但通常Google 并不会主动抓取你的网站的所有页面，尤其是网址里带有“?”的动态链接，Google不主动，那就要我们主动了，最笨的办法是把网站所有的页面都提交给Google，但我想没有谁真会这么做，但页面不多的话可以试试。更好的办法是制作一个静态Html页面，通常被称作“网站地图”或“网站导航”，它里面包含你要添加的所有网址，然后把这个静态页面提交给Google。

第三：网站被世界三大知名网站DMOZ，Yahoo和Looksmart 收录

众所周知，Google的Pagerank系统对那些门户网络目录如DMOZ，Yahoo和Looksmart 尤为器重。特别是对DMOZ。一个网站上的DMOZ链接对Google的Pagerank?来说，就好像一块金子一样珍贵。如果你的网站为ODP收录，则可有效提升你的页面等级。向ODP提交你的站点并为它收录，其实并不是一件难事，只是要多花点时间而已。只要确保你的网站提供了良好的内容，然后在ODP合适的目录下点击"增加站点"，按照提示一步步来就OK了。至少要保证你的索引页(INDEX PAGE)被收录进去。所以，如果你的网站内容涉及完全不同的几块内容，你可以把每个内容的网页分别向ODP提交－不过请记住"欲速则不达"。等

到Google对其目录更新后，你就能看到你的PR值会有什么变化了。如果你的网站为Yahoo 和Looksmart所收录，那么你的PR值会得到显著提升。如果你的网站是非商业性质的或几乎完全是非商业性质的内容，那么你可以通过https://www.sodocs.net/doc/c12887580.html,使你的网站为著名的网络目录Looksmart所收录。Looksmart也是从Zeal网络目录获得非商业搜索列表。

Google PR值的更新周期是多长时间？

一般情况下PR值更新的周期是2.5～3个月！最近一次PR更新是2008年1月中旬。

PageRank相关算法总结：

1.PageRank

基本思想：如果网页T存在一个指向网页A的连接，则表明T的所有者认为A比较重要，从而把T的一部分重要性得分赋予A。这个重要性得分值为：PR（T）/C(T)

其中PR（T）为T的PageRank值，C(T)为T的出链数，则A的PageRank值为一系列类似于T的页面重要性得分值的累加。

优点：是一个与查询无关的静态算法，所有网页的PageRank值通过离线计算获得；有效减少在线查询时的计算量，极大降低了查询响应时间。

不足：人们的查询具有主题特征，PageRank忽略了主题相关性，导致结果的相关性和主题性降低；另外，PageRank有很严重的对新网页的歧视。

2.Topic-Sensitive PageRank（主题敏感的PageRank）

基本思想：针对PageRank对主题的忽略而提出。核心思想：通过离线计算出一

个PageRank向量集合，该集合中的每一个向量与某一主题相关，即计算某个页面关于不同主题的得分。主要分为两个阶段：主题相关的PageRank向量集合的计算和在线查询时主题的确定。

优点：根据用户的查询请求和相关上下文判断用户查询相关的主题（用户的兴趣）返回查询结果准确性高。

不足：没有利用主题的相关性来提高链接得分的准确性。

3.Hilltop

基本思想：与PageRank的不同之处：仅考虑专家页面的链接。主要包括两个步骤：专家页面搜索和目标页面排序。

优点：相关性强，结果准确。

不足：专家页面的搜索和确定对算法起关键作用，专家页面的质量决定了算法的准确性，而专家页面的质量和公平性难以保证；忽略了大量非专家页面的影响，不能反应整个Internet 的民意；当没有足够的专家页面存在时，返回空，所以Hilltop适合对于查询排序进行求精。

那么影响google PageRank的因素有哪些呢?

1 与pr高的网站做链接:

2 内容质量高的网站链接

3加入搜索引擎分类目录

4 加入免费开源目录

5 你的链接出现在流量大、知名度高、频繁更新的重要网站上

6google对DPF格式的文件比较看重。

7安装Google工具条

8域名和tilte标题出现关键词与meta标签等

9反向连接数量和反向连接的等级

10Google抓取您网站的页面数量

11导出链接数量

PageRank科学排名遏止关键字垃圾

目前，五花八门的网站为争夺网上排名采用恶意点击和输入关键字垃圾的手段来吸引网民的眼球，无论对于互联网企业还是互联网用户，这都不是一个好现象。

为了解决这样的问题，Google 创始人之一拉里.佩奇（Larry Page）发明了一种算法PageRank，是由搜索引擎根据网页之间相互的超链接进行计算的网页排名。它经常和搜索引擎优化有关。PageRank 系统目前被Google 用来体现网页的相关性和重要性，以便科学排名，遏止关键字垃圾。

PageRank这个概念引自一篇学术论文的被媒体转载的频度，一般被转载的次数越多，这篇论文的权威性就越高，价值也就越高。PageRank是1998年在斯坦福大学问世的，2001

年9 月被授予美国专利。如今它在Google 所有算法中依然是至关重要的。在学术界, 这个算法被公认为是文献检索中最大的贡献之一，并且被很多大学引入了信息检索课程(Information Retrieval) 的教程。

PageRank 通过对由超过 5 亿个变量和20 亿个词汇组成的方程进行计算，能科学公正地标识网页的等级或重要性。PR级别为1到10，PR值越高说明该网页越重要。例如：一个PR 值为1 的网站表明这个网站不太具有流行度，而PR 值为7到10则表明这个网站极其重要。PageRank级别不是一般的算术级数，而是按照一种几何级数来划分的。PageRank3 不是比PageRank2 好一级，而可能会好到数倍。

PageRank根据网站的外部链接和内部链接的数量和质量来衡量网站的价值。PageRank 的概念是，每个到页面的链接都是对该页面的一次投票，被链接得越多，就意味着被其他网站投票越多。Google 有一套自动化方法来计算这些投票，但Google 的排名算法不完全基于外部链接。PageRank 对来自不同网页的链接会区别对待，来自网页本身排名高的链接更受青睐，给这些链接有较大的权重。

同时，Google 不只是看一个网站的投票数量，或者这个网站的外部链接数量。它会对那些投票的网站进行分析。如果这些网站的PR 值比较高，则其投票的网站可从中受益。因此，Google 的技术专家提醒人们，在建设网站的外部链接时，应尽可能瞄准那些PR 值高且外部链接数又少的网站。这样的外部链接站点越多，你的PR 值就会越高，从而使得你的Google 排名得到显著提升。

PageRank的另一作用是对关键字垃圾起到巨大的遏制作用。眼下，一些垃圾网站为了提高点击率，用一些与站点内容无关的关键字垃圾壮声威，比如用明星的名字、用公共突

发事件称谓等。这些网页的目的或是为了骗取广告点击，或是为了传播病毒。还有一些无赖式的博客评论也从中搅局，在网上招摇过市，骗取网民的注意力，这也被网络技术人员

视为垃圾。

PageRank目前使用一种基于信任和名誉的算法帮助遏止关键字垃圾，它忽视这些关键字垃圾的存在，以网页相互链接评级别论高低。Google 排名之所以大受追捧，是由于它并非

只使用关键字或代理搜索技术，而是将自身建立在高级的网页级别技术基础之上。别的搜索引擎提供给搜索者的是多种渠道值为8 的网站信息得来的一个粗略的搜索结果，而Google 提供给它的搜索者的则是它自己产生的高度精确的搜索结果。这就是为什么网站管理员会千方百计去提高自己网站在Google 的排名了。

PageRank一般一年更新四次，所以刚上线的新网站不可能获得PR 值。不过PR 值暂时没有，并不是什么不好的事情，耐心等待就能得到Google 的青睐。

7、AdaBoost

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost 分类器可以排除一些不必要的训练数据特徵，并将关键放在关键的训练数据上面。

目前，对adaboost算法的研究以及应用大多集中于分类问题，同时近年也出现了一些在回归问题上的应用。就其应用adaboost系列主要解决了: 两类问题、多类单标签问题、多类多标签问题、大类单标签问题，回归问题。它用全部的训练样本进行学习。

该算法其实是一个简单的弱分类算法提升过程，这个过程通过不断的训练，可以提高对数据的分类能力。整个过程如下所示：

1. 先通过对N个训练样本的学习得到第一个弱分类器；

2. 将分错的样本和其他的新数据一起构成一个新的N个的训练样本，通过对这个样本的学习得到第二个弱分类器；

3. 将和都分错了的样本加上其他的新样本构成另一个新的N个的训练样本，通过对这个样本的学习得到第三个弱分类器；

4. 最终经过提升的强分类器。即某个数据被分为哪一类要通过，……的多数表决。

2.3 Adaboost(Adaptive Boosting)算法

对于boosting算法，存在两个问题：

1. 如何调整训练集，使得在训练集上训练的弱分类器得以进行；

2. 如何将训练得到的各个弱分类器联合起来形成强分类器。

针对以上两个问题，adaboost算法进行了调整：

1. 使用加权后选取的训练数据代替随机选取的训练样本，这样将训练的焦点集中在比较难分的训练数据样本上；

2. 将弱分类器联合起来，使用加权的投票机制代替平均投票机制。让分类效果好的弱分类器具有较大的权重，而分类效果差的分类器具有较小的权重。

Adaboost算法是Freund和Schapire根据在线分配算法提出的，他们详细分析了Adaboost 算法错误率的上界，以及为了使强分类器达到错误率，算法所需要的最多迭代次数等相关问题。与Boosting算法不同的是，adaboost算法不需要预先知道弱学习算法学习正确率的下限即弱分类器的误差，并且最后得到的强分类器的分类精度依赖于所有弱分类器的分类精度，这样可以深入挖掘弱分类器算法的能力。

Adaboost算法中不同的训练集是通过调整每个样本对应的权重来实现的。开始时，每个样本对应的权重是相同的，即其中n 为样本个数，在此样本分布下训练出一弱分类器。对于分类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其权重，这样分错的样本就被突出出来，从而得到一个新的样本分布。在新的样本分布下，再次对弱分类器进行训练，得到弱分类器。依次类推，经过T 次循环，得到T 个弱分类器，把这T 个弱分类器按一定的权重叠加（boost）起来，得到最终想要的强分类器。

Adaboost算法的具体步骤如下：

1. 给定训练样本集，其中分别对应于正例样本和负例样本；为训练的最大循环次数；

2. 初始化样本权重，即为训练样本的初始概率分布；

3. 第一次迭代：

(1) 训练样本的概率分布下，训练弱分类器：

(2) 计算弱分类器的错误率：

(3) 选取，使得最小

(4) 更新样本权重：

(5) 最终得到的强分类器：

Adaboost算法是经过调整的Boosting算法，其能够对弱学习得到的弱分类器的错误进行适应性调整。上述算法中迭代了次的主循环，每一次循环根据当前的权重分布对样本x

定一个分布P，然后对这个分布下的样本使用若学习算法得到一个错误率为的弱分类器，对于这个算法定义的弱学习算法，对所有的，都有，而这个错误率的上限并不需要事先知道，实际上。每一次迭代，都要对权重进行更新。更新的规则是：减小弱分类器分类效果较好的数据的概率，增大弱分类器分类效果较差的数据的概率。最终的分类器是个弱分类器的加权平均。

8、k-nearest neighbor classification

邻近算法

KNN算法的决策过程k-Nearest Neighbor algorithm

右图中，绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类，如果K=5，由于蓝色四方形比例为3/5，因此绿色圆被赋予蓝色四方形类。

K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最

简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即

特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算

法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。KNN方法虽然从原理上也依赖于极限定理，但在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。

KNN算法不仅可以用于分类，还可以用于回归。通过找出一个样本的k个最近邻居，将这些邻居的属性的平均值赋给该样本，就可以得到该样本的属性。更有用的方法是将不同距离的邻居对该样本产生的影响给予不同的权值(weight)，如权值与距离成正比。

该算法在分类时有个主要的不足是，当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的K个邻居中大容量类的样本占多数。因此可以采用权值的方法（和该样本距离小的邻居权值大）来改进。该方法的另一个不足之处是计算量较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，才能求得它的K个最近邻点。目前常用的解决方法是事先对已知样本点进行剪辑，事先去除对分类作用不大的样本。该算法比较适用于样本容量比较大的类域的自动分类，而那些样本容量较小的类域采用这种算法比较容易产生误分。

9、贝叶斯分类器

贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。目前研究较多的贝叶斯分类器主要有四种，分别是：Naive Bayes、TAN、BAN和GBN。

贝叶斯网络是一个带有概率注释的有向无环图，图中的每一个结点均表示一个随机变量,图中两结点间若存在着一条弧，则表示这两结点相对应的随机变量是概率相依的，反之则说明这两个随机变量是条件独立的。网络中任意一个结点X 均有一个相应的条件概率表(Conditional Probability Table，CPT)，用以表示结点X 在其父结点取各可能值时的条件概率。若结点X 无父结点,则X 的CPT 为其先验概率分布。贝叶斯网络的结构及各结点的CPT 定义

了网络中各变量的概率分布。

贝叶斯分类器是用于分类的贝叶斯网络。该网络中应包含类结点C，其中C 的取值来自于类集合( c1 , c2 , ... , cm)，还包含一组结点X = ( X1 , X2 , ... , Xn)，表示用于分类的特征。对

于贝叶斯网络分类器，若某一待分类的样本D，其分类特征值为x = ( x1 , x2 , ... , x n) ，则样本D 属于类别ci 的概率P( C = ci | X1 = x1 , X2 = x 2 , ... , Xn = x n) ，( i = 1 ,2 , ... , m) 应满足下式：

P( C = ci | X = x) = Max{ P( C = c1 | X = x) , P( C = c2 | X = x ) , ... , P( C = cm | X = x ) }

而由贝叶斯公式：

P( C = ci | X = x) = P( X = x | C = ci) * P( C = ci) / P( X = x)

其中，P( C = ci) 可由领域专家的经验得到,而P( X = x | C = ci) 和P( X = x) 的计算则较困难。

应用贝叶斯网络分类器进行分类主要分成两阶段。第一阶段是贝叶斯网络分类器的学习，即从样本数据中构造分类器，包括结构学习和CPT 学习；第二阶段是贝叶斯网络分类器的推理，即计算类结点的条件概率，对分类数据进行分类。这两个阶段的时间复杂性均取决于特征值间的依赖程度，甚至可以是NP 完全问题，因而在实际应用中，往往需要对贝叶斯网络分类器进行简化。根据对特征值间不同关联程度的假设，可以得出各种贝叶斯分类器，Naive Bayes、TAN、BAN、GBN 就是其中较典型、研究较深入的贝叶斯分类器。

朴素贝叶斯

分类是将一个未知样本分到几个预先已知类的过程。数据分类问题的解决是一个两步过程：第一步,建立一个模型，描述预先的数据集或概念集。通过分析由属性描述的样本（或

实例，对象等）来构造模型。假定每一个样本都有一个预先定义的类，由一个被称为类标签的属性确定。为建立模型而被分析的数据元组形成训练数据集，该步也称作有指导的学习。

液压与气压传动的优缺点精选文档

液压与气压传动的优缺 点精选文档 TTMS system office room 【TTMS16H-TTMS2A-TTMS8Q8-

液压与气压传动的优缺点 1、液压传动之所以能得到广泛的应用，是由于它具有以下的主要优点： (1)由于液压传动是油管连接，所以借助油管的连接可以方便灵活地布置传动机构，这是比机械传动优越的地方。例如，在井下抽取石油的泵可采用液压传动来驱动，以克服长驱动轴效率低的缺点。由于液压缸的推力很大，又加之极易布置，在挖掘机等重型工程机械上，已基本取代了老式的机械传动，不仅操作方便，而且外形美观大方。 (2)液压传动装置的重量轻、结构紧凑、惯性小。例如，相同功率液压马达的体积为电动机的12%～13%。液压泵和液压马达单位功率的重量指标，目前是发电机和电动机的十分之一，液压泵和液压马达可小至0.0025N/W(牛/瓦),发电机和电动机则约为0.03N/W。 (3)可在大范围内实现无级调速。借助阀或变量泵、变量马达，可以实现无级调速，调速范围可达1∶2000，并可在液压装置运行的过程中进行调速。 (4)传递运动均匀平稳，负载变化时速度较稳定。正因为此特点，金属切削机床中的磨床传动现在几乎都采用液压传动。 (5)液压装置易于实现过载保护——借助于设置溢流阀等，同时液压件能自行润滑，因此使用寿命长。 (6)液压传动容易实现自动化——借助于各种控制阀，特别是采用液压控制和电气控制结合使用时，能很容易地实现复杂的自动工作循环，而且可以实现遥控。 (7)液压元件已实现了标准化、系列化和通用化，便于设计、制造和推广使用。 液压传动的缺点是： (1)液压系统中的漏油等因素，影响运动的平稳性和正确性，使得液压传动不能保证严格的传动比。 (2)液压传动对油温的变化比较敏感，温度变化时，液体粘性变化，引起运动特性的变化，使得工作的稳定性受到影响，所以它不宜在温度变化很大的环境条件下工作。 (3)为了减少泄漏，以及为了满足某些性能上的要求，液压元件的配合件制造精度要求较高，加工工艺较复杂。

机器视觉检测的分析简答作业及答案要点学习资料

2012研究生机器视觉课程检测及课程设计内容 一、回答下列问题： 1、什么是机器视觉，它的目标是什么？能否画出机器视觉检测系统的结构方 块图，并说出它们的工作过程原理和与人类视觉的关系？ 机器视觉是机器（通常指计算机）对图像进行自动处理并报告“图像中有什么”的过程，也就是说它识别图像中的内容。图像中的内容往往是某些机器零件，而处理的目标不仅要能对机器零件定位，还要能对其进行检验。 原始数据特征向量类别标识 特征度量模式分类器 机器视觉系统的组成框图 2、在机器视觉检测技术中：什么是点视觉技术、一维视觉技术、二维视觉技 术、三维视觉技术、运动视觉技术、彩色视觉技术、非可见光视觉技术等？ 能否说出他们的应用领域病句、案例？能否描述它们的技术特点？ 答：点视觉：用一个独立变量表示的视觉称之为点视觉。如应用位移传感器测量物体的移动速度。 一维视觉：普通的CCD。 两维视觉：用两个独立变量表示的视觉称之为两维视觉。比如普通的CCD。 三维视觉：用三个独立变量表示的视觉称之为三维视觉。比如用两个相机拍摄（双目视觉）；或者使用一个相机和一个辅助光源。 彩色视觉：用颜色作为变量的视觉称之为彩色视觉。物体的颜色是由照 射光源的光谱成分、光线在物体上反射和吸收的情况决定的。比如，一 个蓝色物体在日光下观察呈现蓝色，是由于这个物体将日光中的蓝光 反射出来，而吸收了光谱中的其他部分的光谱，而同样的蓝色物体， 在红色的光源照射下，则呈现红紫色， 非可见光视觉技术：用非可见光作为光源的视觉技术。比如非可见光成像技术。

3、机器视觉检测技术中：光源的种类有哪些？不同光源的特点是什么？光照 方式有几种？不同光照方式的用途是什么？又和技术特点和要求？ 机器视觉检测技术中光源有以下几种：荧光灯，卤素灯+光纤导管，LED 光源，激光，紫外光等。几种光源的特点如下： 成本亮度稳定度使用寿命复杂设计温度影响种类名 称 荧光灯低差差一般低一般 卤素灯+光纤导管高好一般差一般差LED光源一般一般好好高低光照方式有以下几种： 背景光法（背光照射）是将被测物置于相机和光源之间。这种照明方式的优点是可将被测物的边缘轮廓清晰地勾勒出来。由于在图像中，被测物所遮挡的部分为黑色，而未遮挡的部分为白色，因此形成“黑白分明”的易于系统分析的图像。此方法被应用于90%的测量系统中。 前景光法（正面照射）是将灯源置于被测物和相机之前。又可分为明场照射和暗场照射。明场照射是为了获得物体的几乎全部信息，照射物体的光在视野范围之内几乎全部反射回去；暗场照射是为了获取物体表面的凹凸，照射物体的光在视野范围之外有部分光反射回去。 同轴光法是将灯源置于被测物和相机之间。 4、机器视觉检测系统中，光学系统的作用是什么？光学器件有哪几种，它们 各自的作用是什么？光学镜头有几种类型，它们各自有何用途？光学镜头有哪些技术参数，各自对测量有什么影响？ 答：机器视觉检测系统中，光学系统用来采集物体的轮廓、色彩等信息。 光学器件主要有：镜头、成像器件（CCD和CMOS)、光圈、快门等。 镜头的作用是对成像光线进行调焦等处理，使成像更清晰；成像器件的作用是将光学图像转换成模拟电信号；光圈的作用如同人得瞳孔， 控制入射光的入射量，实现曝光平衡；快门的作用是将想要获取的光学

各种发电方式的优缺点对比.doc

火力发电： 火电厂是利用煤、石油、天然气作为燃料生产电能的工厂，它的基本生产过程是：燃料在锅炉中燃烧加热水使成蒸汽，将燃料的化学能转变成热能，蒸汽压力推动汽轮机旋转，热能转换成机械能，然后汽轮机带动发电机旋转，将机械能转变成电能 火电的缺点 火电需要燃烧煤、石油等化石燃料。一方面化石燃料蕴藏量有限、越烧越少，正面临着枯竭的危险。据估计，全世界石油资源再有30年便将枯竭。另一方面燃烧燃料将排出二氧化碳和硫的氧化物，因此会导致温室效应和酸雨，恶化地球环境。 水力发电： 以水具有的重力势能转变成动能的水冲水轮机，水轮机即开始转动，若我们将发电机连接到水轮机，则发电机即可开始发电。如果我们将水位提高来冲水轮机，可发现水轮机转速增加。因此可知水位差愈大则水轮机所得动能愈大，可转换之电能愈高。这就是水力发电的基本原理。能量转化过程是：上游水的重力势能转化为水流的动能，水流通过水轮机时将动能传递给汽轮机，水轮机带动发电机转动将动能转化为电能。因此是机械能转化为电能的过程。由于水电站自然条件的不同，水轮发电机组的容量和转速的变化范围很大。通常小型水轮发电机和冲击式水轮机驱动的高速水轮发电机多采用卧式结构，而大、中型代速发电机多采用立式结构。由于水电站多数处在远离城市的地方，通常需要经过较长输电线路向负载供电，因此，电力系统对水轮发电机的运行稳定性提出了较高的要求：电机参数需要仔细选择；对转子的转动惯量要求较大。所以，水轮发电机的外型与汽轮发电机不同，它的转子直径大而长度短。水轮发电机组起动、并网所需时间较短,运行调度灵活,它除了一般发电以外，特别适宜于作为调峰机组和事故备用机组。 水电的缺点 水电要淹没大量土地，有可能导致生态环境破坏，而且大型水库一旦塌崩，后果将不堪设想。另外，一个国家的水力资源也是有限的，而且还要受季节的影响。 太阳能发电 利用太阳能发电的方法有三种: 其一为利用光电池，直接将日光转换为电流。（也称光伏发电） 基本原理就是“光伏效应”光子照射到金属上时，它的能量可以被金属中某个电子全部吸收，电子吸收的能量足够大，能克服金属内部引力做功，离开金属表面逃逸出来，成为光电子。“光生伏特效应”，简称“光伏效应”。指光照使不均匀半导体或半导体与金属结合的不同部位之间产生电位差的现象。它首先是由光子（光波）转化为电子、光能量转化为电能量的过程；其次，是形成电压过程。有了电压，就像筑高了大坝，如果两者之间连通，就会形成电流的回路。光伏发电，其基本原理就是“光伏效应”。太阳能专家的任务就是要完成制造电压的工作。因为要制造电压，所以完成光电转化的太阳能电池是阳光发电的关键。太阳能电池，通常称为光伏电池。目前的主要的太阳能电池是硅太阳能电池。用的硅是“提纯硅”，其纯度为“11个9”，比半导体或者说芯片硅片“只少两个9”；又因为提纯硅结晶后里头

机器学习中常见的几种优化方法

机器学习中常见的几种优化方法 阅读目录 1. 梯度下降法（Gradient Descent） 2. 牛顿法和拟牛顿法（Newton's method & Quasi-Newton Methods） 3. 共轭梯度法（Conjugate Gradient） 4. 启发式优化方法 5. 解决约束优化问题——拉格朗日乘数法 我们每个人都会在我们的生活或者工作中遇到各种各样的最优化问题，比如每个企业和个人都要考虑的一个问题“在一定成本下，如何使利润最大化”等。最优化方法是一种数学方法，它是研究在给定约束之下如何寻求某些因素(的量)，以使某一(或某些)指标达到最优的一些学科的总称。随着学习的深入，博主越来越发现最优化方法的重要性，学习和工作中遇到的大多问题都可以建模成一种最优化模型进行求解，比如我们现在学习的机器学习算法，大部分的机器学习算法的本质都是建立优化模型，通过最优化方法对目标函数（或损失函数）进行优化，从而训练出最好的模型。常见的最优化方法有梯度下降法、牛顿法和拟牛顿法、共轭梯

度法等等。 回到顶部 1. 梯度下降法（Gradient Descent） 梯度下降法是最早最简单，也是最为常用的最优化方法。梯度下降法实现简单，当目标函数是凸函数时，梯度下降法的解是全局解。一般情况下，其解不保证是全局最优解，梯度下降法的速度也未必是最快的。梯度下降法的优化思想是用当前位置负梯度方向作为搜索方向，因为该方向为当前位置的最快下降方向，所以也被称为是”最速下降法“。最速下 降法越接近目标值，步长越小，前进越慢。梯度下降法的搜索迭代示意图如下图所示： 牛顿法的缺点： （1）靠近极小值时收敛速度减慢，如下图所示； （2）直线搜索时可能会产生一些问题； （3）可能会“之字形”地下降。 从上图可以看出，梯度下降法在接近最优解的区域收敛速度明显变慢，利用梯度下降法求解需要很多次的迭代。 在机器学习中，基于基本的梯度下降法发展了两种梯度下降方法，分别为随机梯度下降法和批量梯度下降法。

各种传动方式优缺点

1、齿轮传动 分类：平面齿轮传动、空间齿轮传动。 优点：适用的圆周速度和功率范围广；传动比准确、稳定、效率高。；工作可靠性高、寿命长。；可实现平行轴、任意角相交轴和任意角交错轴之间的传动 缺点：要求较高的制造和安装精度、成本较高。；不适宜远距离两轴之间的传动。渐开线标准齿轮基本尺寸的名称有齿顶圆；齿根圆；分度圆；摸数；压力角等。 2、涡轮涡杆传动 适用于空间垂直而不相交的两轴间的运动和动力。 优点：传动比大。；结构尺寸紧凑。 缺点：轴向力大、易发热、效率低。；只能单向传动。 涡轮涡杆传动的主要参数有：模数；压力角；蜗轮分度圆；蜗杆分度圆；导程；蜗轮齿数；蜗杆头数；传动比等。 3、带传动 包括主动轮、从动轮；环形带 1）用于两轴平行回转方向相同的场合，称为开口运动，中心距和包角的概念。 2）带的型式按横截面形状可分为平带、V带和特殊带三大类。 3）应用时重点是：传动比的计算；带的应力分析计算；单根V带的许用功率。 优点：适用于两轴中心距较大的传动；、带具有良好的挠性，可缓和冲击，吸收振动；过载时打滑防止损坏其他零部件；结构简单、成本低廉。 缺点：传动的外廓尺寸较大；、需张紧装置；由于打滑，不能保证固定不变的传动比；带的寿命较短；传动效率较低。 4、链传动 包括主动链、从动链；环形链条。 链传动与齿轮传动相比，其主要特点：制造和安装精度要求较低；中心距较大时，其传动结构简单；瞬时链速和瞬时传动比不是常数，传动平稳性较差。 5、轮系 1）轮系分为定轴轮系和周转轮系两种类型。 2）轮系中的输入轴与输出轴的角速度(或转速)之比称为轮系的传动比。等于各对啮合齿轮中所有从动齿轮齿数的乘积与所有主动齿轮齿数乘积之比。 3）在周转轮系中，轴线位置变动的齿轮，即既作自转，又作公转的齿轮，称为行星轮,轴线位置固定的齿轮则称为中心轮或太阳轮。

认识机器人教案

教案：认识机器人（第一课时） 一、教学目标 知识目标：了解机器人的概念、产生、发展、种类与应用。技能目标：熟练利用网络查找信息和处理信息。 情感目标：培养学生对机器人的兴趣，培养学生关心科技、热爱科学、勇于探索的精神。 二、重点难点 教学重点：机器人的概念及应用 难点分析：机器人的概念 三、教学过程： 1、新课导入 21世纪被信息技术专家誉为智能机器人的时代，机器人在各行各业将得到更加广泛的应用，机器人技术综合机械工程、电子工程、传感器应用、信息技术、数学、物理、等多种学科，它代表着一个国家的高科技发展水平，例如我国首例远程遥控机器人手术就是由北京的医生通过电脑遥控着沈阳机器人“黎元”进行脑外科手术。 那究竟什么是机器人？我们要学习使用的机器人是什么样子？机器人能够做些什么？我们如何控制机器人？今天开始我一起走进机器人世界去寻找上述问题答案。 观看有关机器人的视频片段 2、教学内容 机器人的概念 各国科学家对机器人的定义有所不同，而且随着时代的变化，机器人的定义也在不断发生变化。 中国的科学家们把机器人定义为一种自动化的机器，具备一些与人或生物相似的能力，如感知能力、规划能力、动作能力、协同能力等，是一种具有高度灵活性的自动化机器，它的外形不一定象人。 判断一个机器人是否是智能机器人我们可以根据下面三个基本特点： （1）具有感知功能，即获取信息的功能。机器人通过“感知”系统可以获取外界环境信息，如声音、光线、物体温度等。 （2）具有思考功能，即加工处理信息的功能。机器人通过“大脑”系统进行思考，它的思考过程就是对各种信息进行加工、处理、决策的过程。 （3）具有行动功能，即输出信息的功能。机器人通过“执行”系统（执行器）来完成工作，如行走、发声等。 机器人的产生、发展、种类与应用 对这些内容请大家以小组合作的形式通过互联网、光盘等媒体检索信息，并设计一个关于机器人的有关知识的演示文稿。 1）成立小组，分工合作，制定活动计划。 小组成员 （2）确定“机器人世界探索”活动的探索主题，构建问题框架。 （3）评价要求 （1）展示 在小组内展示“机器人世界探秘”项目。 各小组推出代表参加班级交流。评选最佳主题奖、最佳演示奖、最佳合作奖。 （2）通过自评和互评的方式进行评价，标准如下： 3、作业布置 （1）说说机器人与一些电动玩具的区别？ （2）完成一个关于机器人演示文稿的制作，包括机器人的发展、机器人的分类、机器人的特点等内容。 三、课堂小结：这节课我们了解了机器人的概念和机器人的产生、发展、种类及应用等知识。并对学生的演示文稿的任务完成情况进行小结和评价。 第12课机器人学走路 教学分析： 本课教学内容为《小学信息技术》教材（浙江教育出版社）第四册第12课，属机器人模块。本课教学是在学生学习了《第10课我们身边的机器人》、《第11课机器人仿真软件》掌握了机器人的简单工作原理，初步掌握机器人仿真软件的使用，并会控制机器人走直线的基础上学习本课，为以后学习《机器人画正多边形》、《机器人分辨颜色》打下基础。 学情分析： 本次市研训活动，是临时选取了机器人模块的第3课作为教学内容，由于学生第一次接触机器人教学内容，且没有了第10课、第11课两课的铺垫，尽管学生对此教学内容充分好奇，但教学过程中教师处理不好，学生会觉得无从下手。因此，本课的教学对教师绝对是一次挑战。 教学目的： 1．知识与技能：学会使用“转向”模块编写程序，控制机器人转向；学会使用“启动电机”“延时”“停止电机”模块编程，控制机器人走弧线。 2．过程方法：通过任务驱动与学生的操作实践，使用学会简单的机器人编程控制思想。 3．情感态度与价值观：让学生在编程控制中体验成功的快乐，充分激发孩子学习信息技术的兴趣。 教学过程： 一、铺垫导入 1．出示机器人，简单师生交流，拓展学生对机器人的了解。讨论：机器人由程序来控制。我们用程序语言把机器人完成任务的步骤与方法表达出来，这个过程叫编程。 2．教师演示机器人控制程序在仿真软件中的仿真。 介绍：这种机器人的编程软件的启动与仿真。 3．学生打开范例尝试仿真。 讨论1：机器人的动作，如直行、拐弯等。 二、小组合作自主探究 1．任务一：让机器人动起来。 教师讲解与学生操作：介绍编程环境（菜单、快捷工具、模块库、编程区）----模块的拖放、移动、删除----直行模块与转向模块的设置---文件的保存 子任务1：机器人直行（教师示范，并讲解仿真环境的“运行、有轨迹、退出”几个按钮的使用。 子任务2：机器人原地转向（学生独立完成） 子任务3：机器人走折线（最好走出一个90度的角出来）

各种钢筋连接方式的比较

各种钢筋连接方式的比较 随着我国建筑业和经济形势的不断发展，整体性更好的现浇钢筋混凝土工程日益增多，而钢筋的连接方式也成为影响工程结构质量、进度、投资、操作方便程度等的重要因素之一。当前常用的钢筋连接方式主要有：绑扎搭接、焊接连接、机械连接等。下面针对这几种钢筋连接方式进行分析和探讨，从长远利益和综合效益评价各种连接方式的优缺点。一、钢筋连接的要求为保证钢筋混凝土结构中钢筋的受力承载性能，钢筋的连接区段与整体钢筋相比，应有相似的传递应力的性能。应能够保持钢筋连接后的强度、刚度(变形模量)、延性(伸长率和冷弯性能)、恢复性能(残余应变)、耐久性(接头位置的钢筋保护层厚度较小影响耐久性)和抗疲劳性能等。通过接头间接传力的钢筋连接，无论是何种形式，与整体钢筋的直接传力相比始终是一种削弱。因此，无论采用何种形式的钢筋接头，都应尽量设置在受力较小处，同一根钢筋应少设接头，接头位置应相互错开，钢筋连接接头区域应采取必要的构造措施[1I。 二、钢筋连接方式 1、绑扎搭接连接 绑扎搭接连接是通过钢筋与混凝土之间的粘结力来传递钢筋应力的方式。两根相向受力的钢筋分别锚固在搭接连接区段的混凝土中而将力传递给混凝士，从而实现钢筋之间应力的传递。搭接钢筋由于横肋斜向挤压椎楔作用造成的径向推力引起了两根钢筋的分离趋势，两根搭接钢筋之间容易出现纵向劈裂裂缝，甚至因两筋分离而破坏，因此必须保证强有力的配箍约束。由于绑扎搭接连接是一种比较可靠的连接方式，质量容易保证，仅靠现场检测即可确保质量，且施工非常简便，不需特殊的技术，因而应用方面也最广泛，至今仍是水平钢筋连接的主要形式。而且在目前情况下价格也较低。但当钢筋较粗时，绑扎搭接施工困难且容易产生较宽的裂缝，因此对其直径有明确限制。但绑扎搭接连接浪费钢筋，由于规范中限制接头在同一位置，若采用50％接头百分率，则搭接长度为1．4厶，按一般情况下混凝土强度取C30考虑，锚固长度为厶=30d(非抗震情况下)，则一根直径d=20 mm的钢筋，其一个接头即浪费主筋42d=840嘲。而绑扎搭接接头区段大于3．22z。，搭接接头区段范围箍筋应加密，加密范围长达

哪些问题适合于用机器学习来解决

哪些问题适合于用机器学习来解决 我们和大家分享了哪些问题适合于用机器学习来解决。在明确了问题之后我们就需要来解决问题，本文要描述的是产品经理在开发机器学习产品时所需要的能力。第一部分提到产品经理的核心能力并不会因为应用到机器学习技术而改变，而只是在某些方面需要有所加强。产品经理一般需要五种核心能力，包括客户共情/设计分解，沟通、合作、商业策略和技术理解力。在机器学习领域需要增强的可能是技术方面的理解能力，因为产品经理需要理解机器学习系统的操作才能做出较好的产品决策。你可以向工程师学习也可以通过书本和网络教程充电。但如果你对机器学习系统的运行没有很好的理解，那么你的产品很可能会遇到很多问题。 算法的局限性 机器学习使用的每一个算法都基于特定的任务进行优化，无法覆盖真实情况下每一个细微的差别。理解算法的能力和局限将会帮助你把握住用户体验中存在的差距，并且通过优化产品设计或算法来解决。这是作为产品经理必须要掌握的能力。关于算法的不足我们用几个例子来说明。 数据中的偏差 机器学习算法从数据中学习模式，所以数据的质量决定了算法的表现。机器学习产品需要面对的第一个挑战便是这些数据要能够充分代表你的用户。有一个很负面的例子，就是google将黑人兄弟识别成了大猩猩。 所以保证数据代表你所有的用户是产品成功的关键。有时候偏差的存在并不是来自于数据收集的错误，而是数据固有的特性。就像IBM沃森利用俚语的都市字典进行训练后会输出恶毒的语言一样。我们期待的是输出礼貌的语言，但机器学习却学到了语言集中不好的部分。所以在精训练的时候需要对数据进行一定的清晰。 另一个例子，一般发达国家的互联网人数相较于发展中国家多。如果你基于搜索次数对搜索习惯进行建模的话，就会得到发达国家更多的结果，那么建模就不能准确的反映各国人民的上网习惯了，例如非洲的用户。对于数据偏差的审视将帮助你意识到产品不希望出现

各种减速机的优缺点以及发展趋势

各种减速机的优缺点以及发展趋势 概要：论述各种减速机的优缺点以及发展趋势 减速机是一种动力传达机构，利用齿轮的速度转换器，将电动机的回转数减速到所要的回转数，并得到较大转矩的机构。在目前用于传递动力与运动的机构中，减速机的应用范围相当广泛。几乎在各式机械的传动系统中都可以见到它的踪迹，从交通工具的船舶、汽车、机车，建筑用的重型机具，机械工业所用的加工机具及自动化生产设备，到日常生活中常见的家电，钟表等等.其应用从大动力的传输工作，到小负荷，精确的角度传输都可以见到减速机的应用，且在工业应用上，减速机具有减速及增加转矩功能。因此广泛应用在速度与扭矩的转换设备。减速机的作用主要有： 1）降速同时提高输出扭矩，扭矩输出比例按电机输出乘减速比，但要注意不能超出减速机额定扭矩。 2）减速同时降低了负载的惯量，惯量的减少为减速比的平方。大家可以看一下一般电机都有一个惯量数值。 减速机的工作原理 减速机一般用于低转速大扭矩的传动设备，把电动机，内燃机或其它高速运转的动力通过减速机的输入轴上的齿数少的齿轮啮合输出轴上的大齿轮来达到减速的目的，普通的减速机也会有几对相同原理齿轮达到理想的减速效果，大小齿轮的齿数之比，就是传动比。 减速机的种类 减速机是一种相对精密的机械，使用它的目的是降低转速，增加转矩。它的种类繁多，型号各异，不同种类有不同的用途。减速器的种类繁多，按照传动类型可分为齿轮减速器、蜗杆减速器和行星齿轮减速器；按照传动级数不同可分为单级和多级减速器；按照齿轮形状可分为圆柱齿轮减速器、圆锥齿轮减速器和圆锥－圆柱齿轮减速器；按照传动的布置形式又可分为展开式、分流式和同轴式减速器。以下是常用的减速机分类： 蜗轮蜗杆减速机的主要特点是具有反向自锁功能，可以有较大的减速比，输入轴和输出轴不在同一轴线上，也不在同一平面上。但是一般体积较大，传动效率不高，精度不高。谐波减速机的谐波传动是利用柔性元件可控的弹性变形来传递运动和动力的，体积不大、精度很高，但缺点是柔轮寿命有限、不耐冲击，刚性与金属件相比较差。输入转速不能太高。行星减速机其优点是结构比较紧凑，回程间隙小、精度较高，使用寿命很长，额定输出扭矩可以做的很大。但价格略贵。20世纪70－80年代，世界上减速器技术有了很大的发展，且与新技术革命的发展紧密结合。通用减速器的发展趋势如下： ①高水平、高性能。圆柱齿轮普遍采用渗碳淬火、磨齿，承载能力提高4倍以上，体积小、重量轻、噪声低、效率高、可靠性高。 ②积木式组合设计。基本参数采用优先数，尺寸规格整齐，零件通用性和互换性强，系列容易扩充和花样翻新，利于组织批量生产和降低成本。

第10课 我们身边的机器人

教学目标： 1. 知识目标：了解机器人的产生、现状和发展。 2. 能力目标：收集有关机器人各个方面的资料，以小组为单位，进行编辑整理。 3. 情感目标：激发学习热情，从小树立爱科学的志向。 教学重点： 机器人的发展史。 教学难点： 能较快地、有针对性地收集有关机器人的资料。 课时安排： 1课时。 课前准备： 准备有关介绍机器人的演示文稿、照片、录像资料等。 教材分析： 本课主要分成：知道机器人一词的由来、知道机器人的种类、了解机器人结构特征和不同功能、畅想未来机器人的发展方向等几方面。 由于学生对机器人的感性认识往往是通过电视、书籍等途径，大部分学生都认为：机器人就是像人一样的机器，能够做一些简单的动作等。在处理教材时，可以在开始上课时，让学生来交流：“你知道什么是机器人吗？”“机器人能做什么呢？”让学生大胆、充分地说出自己的见解。然后，教师出示有关机器人的幻灯片，较系统、完整地介绍机器人的由来、种类、特征、发展等，学生的学习兴趣就会被激发。本课要重点介绍机器人的发展史，介绍它们在各行各业中的“杰出”表现，同时让学生思考体会：机器人不一定是人形的样子！ 教学建议： 通过谈话引入新课——生活中你看到过机器人吗？以此来引起学生的兴趣，也可事先让学生准备好一些机器人资料，一上课就先来交流展示。 在第二个环节中，让学生互相交流，围绕现在的机器人都能做哪些事情、机器人代替人类有什么好处等来谈。让学生来感受体会，发表个人见解，交流互动。教师根据课堂实际，可以适时展示事先准备的有关机器人发展史的图片、录像资料，在让学生做一些适当笔记的同时，也积极思考：什么样的才叫机器人呢？你能给它下个定义吗？教师要对学生的发言进行点评和小结。 第三个环节，让全体学生畅想：未来的机器人又将如何发展呢？布置本次课堂作业：画一幅机器人的科幻画。学生上机操作。 最后，教师小结，点评作业。同时，开始安排全班分组，一般以4~5人小组为一个单位，共同学习，使用一套教学机器人。也可以就刚才学生未完的话题继续展开讨论。 练习建议： 1. 上机作业：我心目中的机器人，要求画一幅机器人科幻画。 2. 课外作业：收集机器人的相关资料，以小组为单位制作一份Word简报。巩固本次课堂教学效果，为下节课作铺垫和准备。 附参考教案： 一、机器人的由来 几千年前人类就渴望制造一种像人一样的机器，以便将人类从繁重的劳动中解脱出来。西周时期，我国的能工巧匠偃师就研制出了能歌善舞的伶人，这是我国最早记载的机器人。 机器人跟“Robota”有什么关系呀？ 1920年捷克斯洛伐克作家萨佩克写了一个名为《洛桑万能机器人公司》的剧本，他把在洛桑万能机器人公司生产劳动的那些家伙取名“Robota”,汉语音译为“罗伯特”——萨佩克把机器人的地位确定为只管埋头干活、任由人类压榨的奴隶，它们存在的价值只是服务于人类。它们沒有思维能力，不能思考，只是类似人的机器，很能干，以便使人摆脱劳作。它们能生存20年，刚生产出来时，由人教它们知识。它们不能思考，也没有感情，一个人能干三个人的活，公司因此而生意兴隆。后来一个极其偶然

机器人视觉算法 参考答案

1.什么是机器视觉 【概述】 机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置，分 CMOS 和 CCD 两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。 机器视觉系统的特点是提高生产的柔性和自动化程度。在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉；同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。 正是由于机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成，因此，在现代自动化生产过程中，人们将机器视觉系统广泛地用于工况监视、成品检验和质量控制等领域。【基本构造】 一个典型的工业机器视觉系统包括：光源、镜头、 CCD 照相机、图像处理单元（或图像捕获卡）、图像处理软件、监视器、通讯 / 输入输出单元等。 系统可再分为： 主端电脑(Host Computer) 影像撷取卡(Frame Grabber)与影像处理器影像摄影机 CCTV镜头显微镜头照明设备： Halogen光源 LED光源 高周波萤光灯源闪光灯源其他特殊光源影像显示器 LCD 机构及控制系统 PLC、PC-Base控制器 精密桌台伺服运动机台 【工作原理】 机器视觉检测系统采用CCD照相机将被检测的目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像处理系统对这些信号进行各种运算来抽取目标的特征，如面积、数量、位置、长度，再根据预设的允许度和其他条件输出结果，包括尺寸、角度、个数、合格 / 不合格、有 / 无等，实现自动识别功能。 【机器视觉系统的典型结构】 一个典型的机器视觉系统包括以下五大块： 1.照明 照明是影响机器视觉系统输入的重要因素，它直接影响输入数据的质量和应用效果。由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。光源可分为可见光和不可见光。常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。可见光的缺点是光能不能保持稳定。如何使光能在一定的程度上保持稳定，是实用化过程中急需要解决的问题。另一方面，环境光有可能影响图像的质量，所以可采用加防护屏的方法来减少环境光的影响。照明系统按其照射方法可分为：背向照明、前向照明、结构光和频闪光照明等。其中，背向照明是被测物放在光源和摄像机之间，它的优点是能获得高对比度的图像。前向照明是光源和摄像机位于被测物的同侧，这种方式便于安装。结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的三维信息。频闪光照明是将高频率的光脉冲照射到物体上，摄像机拍摄要求与光源同步。 2.镜头FOV（Field Of Vision）=所需分辨率*亚象素*相机尺寸/PRTM（零件测量公差比）镜头选择应注意： ①焦距②目标高度③影像高度④放大倍数⑤影像至目标的距离⑥中心点 / 节点⑦畸变 3.相机 按照不同标准可分为：标准分辨率数字相机和模拟相机等。要根据不同的实际应用场合选不同的相机和高分辨率相机:线扫描CCD和面阵CCD；单色相机和彩色相机。 4.图像采集卡 图像采集卡只是完整的机器视觉系统的一个部件，但是它扮演一个非常重要的角色。图像采集卡直接决定了摄像头的接口：黑白、彩色、模拟、数字等等。 比较典型的是PCI或AGP兼容的捕获卡，可以将图像迅速地传送到计算机存储器进行处理。有些采集卡有内置的多路开关。例如，可以连接8个不同的摄像机,然后告诉采集卡采用那一个相机抓拍到的信息。有些采集卡有内置的数字输入以触发采集卡进行捕捉，当采集卡抓拍图像时数字输出口就触发闸门。 5.视觉处理器 视觉处理器集采集卡与处理器于一体。以往计算机速度较慢时，采用视觉处理器加快视觉处理任务。现在由于采集

机器学习中各个算法的优缺点(一)

由于人工智能的火热，现在很多人都开始关注人工智能的各个分支的学习。人工智能由很多知识组成，其中人工智能的核心——机器学习是大家格外关注的。所以说，要想学好人工智能就必须学好机器学习。其中机器学习中涉及到了很多的算法，在这几篇文章中我们就给大家介绍一下关于机器学习算法的优缺点。 首先我们给大家介绍一下正则化算法，这是回归方法的拓展，这种方法会基于模型复杂性对其进行惩罚，它喜欢相对简单能够更好的泛化的模型。其中，正则化算法的例子有很多，比如说岭回归、最小绝对收缩与选择算子、GLASSO、弹性网络、最小角回归。而正则化算法的优点有两点，第一就是其惩罚会减少过拟合。第二就是总会有解决方法。而正则化算法的缺点也有两点，第一就是惩罚会造成欠拟合。第二就是很难校准。 接着我们给大家说一下集成算法，集成方法是由多个较弱的模型集成模型组，其中的模型可以单独进行训练，并且它们的预测能以某种方式结合起来去做出一个总体预测。该算法主要的问题是要找出哪些较弱的模型可以结合起来，以及结合的方法。这是一个非常强大的技术集，因此广受欢迎。这种算法的案例有很多，比如说Boosting、Bootstrapped Aggregation （Bagging）、AdaBoost、层叠泛化、梯度推进机、梯度提升回归树、随机森林。而集成算法的优点就是当前最先进的预测几乎都使用了算法集成，它比使用单个模型预测出来的结果要 精确的多。而缺点就是需要大量的维护工作。

然后我们给大家介绍一下决策树算法，决策树学习使用一个决策树作为一个预测模型，它将对一个 item（表征在分支上）观察所得映射成关于该 item 的目标值的结论（表征在叶子中）。而树模型中的目标是可变的，可以采一组有限值，被称为分类树；在这些树结构中，叶子表示类标签，分支表示表征这些类标签的连接的特征。决策树算法的案例有很多，比如说分类和回归树、Iterative Dichotomiser 3（ID3）、C4.5 和 C5.0。决策树算法的优点有两种，第一就是容易解释，第二就是非参数型。缺点就是趋向过拟合，而且可能或陷于局部最小值中，最后就是没有在线学习。 在这篇文章中我们给大家介绍了机器学习中涉及到的正则化算法、集成算法以及决策树算法的案例、优点以及缺点，这些知识都是能够帮助大家理解机器学习的算法，希望这篇文章能够帮助到大家。

数字图像处理与机器视觉 2015-2016期末试卷参考答案

数字图像处理与机器视觉 2015-2016期末试卷参考答案南昌大学研究生2015,2016年第2学期期末考试试卷 试卷编号: (开)卷课程名称: 数字图像处理与机器视觉适用班级: 2015级硕士研究生姓名: 学号: 专业: 学院: 机电工程学院考试日期: 题号一二三四五六七八九十总分累分人 签名题分 10 15 15 10 20 30 100 得分 考生注意事项:1、本试卷共4页，请查看试卷中是否有缺页或破损。如有请报告以便更换。 2、使用A4答题纸，注意装订线。 一、单项选择题(从下列各题四个备选答案中选出一个正确答案，并将其 代号填在题前的括号内。每小题1分，共10分) ( b )1.图像与灰度直方图间的对应关系是: a.一一对应 b.多对一 c.一对多 d.都不对 ( d )2. 下列算法中属于图象平滑处理的是: a.Hough变换法 b.状态法 c.高通滤波 d. 中值滤波 ( c )3.下列算法中属于图象锐化处理的是: a.局部平均法 b.最均匀平滑法 c.高通滤波 d. 中值滤波 ( d )4. 下列图象边缘增强算子中对噪声最敏感的是: a.梯度算子 b.Prewitt算子 c.Roberts算子 d. Laplacian算子 ( b )5. 下列算法中属于点处理的是: a.梯度锐化 b.二值化 c.傅立叶变换 d.中值滤波 ( d )6.下列算子中利用边缘灰度变化的二阶导数特性检测边缘的是:

a.梯度算子 b.Prewitt算子 c.Roberts算子 d. Laplacian算子 ( c )7.将灰度图像转换成二值图像的命令为: a.ind2gray b.ind2rgb c.im2bw d.ind2bw ( d )8.数字图像处理的研究内容不包括: a.图像数字化 b.图像增强 c.图像分割 d.数字图像存储 ( d )9.对一幅100?100像元的图象，若每像元用,bit表示其灰度值，经霍夫曼编码后图象的压缩比为2:1，则压缩图象的数据量为: a.2500bit b.20000bit c.5000bit d.40000bit ( b )10.图像灰度方差说明了图像哪一个属性: a.平均灰度 b.图像对比度 c.图像整体亮度 d.图像细节 第 1 页 二、填空题(每空1分，共15分) l. 图像处理中常用的两种邻域是 4-邻域和 8-邻域。 2.图象平滑既可在空间域中进行，也可在频率域中进行。 3.常用的灰度内插法有最近邻元法、双线性内插法和三次内插法。 4. 低通滤波法是使高频成分受到抑制而让低频成分顺利通过，从而实现图像平滑。 5.Prewitt边缘检测算子对应的模板是和。 -1 -1 -1 -1 0 1 0 0 0 -1 0 1 1 1 1 -1 0 1 (不分先后) 6.图像压缩系统是有编码器和解码器两个截然不同的结构块组成的。 7.灰度直方图的纵坐标是该灰度出现的频率。 8.依据图象的保真度，图象编码可分为无失真(无损)编码和有失真(有损)编码两 种。

机械传动类型及分类

一、机械传动 1、齿轮传动 分类：平面齿轮传动、空间齿轮传动。 特点 优点——适用的圆周速度和功率范围广；传动比准确、稳定、效率高；工作可靠性高、寿命长；可实现平行轴、任意角相交轴和任意角交错轴之间的传动。缺点——要求较高的制造和安装精度、成本较高；不适宜远距离两轴之间的传动。 渐开线标准齿轮基本尺寸的名称有齿顶圆、齿根圆、分度圆、摸数、压力角等。 2、蜗轮蜗杆传动 适用于空间垂直而不相交的两轴间的运动和动力。 特点 优点——传动比大。；结构尺寸紧凑。 缺点——轴向力大、易发热、效率低；只能单向传动。 涡轮涡杆传动的主要参数有：模数、压力角、蜗轮分度圆、蜗杆分度圆、导程、蜗轮齿数、蜗杆头数、传动比等。 3、皮带传动 包括主动轮、从动轮、环形带。 1）用于两轴平行回转方向相同的场合，称为开口运动，中心距和包角的概念。

2）带的型式按横截面形状可分为平带、V带和特殊带三大类。 3）应用时重点是：传动比的计算、带的应力分析计算、单根V带的许用功率。带传动的特点 优点——适用于两轴中心距较大的传动；带具有良好的挠性，可缓和冲击，吸收振动；过载时打滑防止损坏其他零部件；结构简单、成本低廉。 缺点——传动的外廓尺寸较大；需张紧装置；由于打滑，不能保证固定不变的传动比；带的寿命较短；传动效率较低。 4、皮带传动 包括主动链、从动链、环形链条。 链传动与齿轮传动相比，其主要特点： 制造和安装精度要求较低； 中心距较大时，其传动结构简单； 瞬时链速和瞬时传动比不是常数，传动平稳性较差。 5、轮系传动 1）轮系分为定轴轮系和周转轮系两种类型。 2）轮系中的输入轴与输出轴的角速度(或转速)之比称为轮系的传动比。等于各对啮合齿轮中所有从动齿轮齿数的乘积与所有主动齿轮齿数乘积之比。 3）在周转轮系中，轴线位置变动的齿轮，即既作自转，又作公转的齿轮，称为行星轮,轴线位置固定的齿轮则称为中心轮或太阳轮。

工业机器人,就在我们身边

工业机器人，就在我们身边 1人类对创造出一种代替人完成各种工作的机器人的设想与追求已延续数千年。1920年，捷克斯洛伐克作家卡雷尔恰佩克在他的科幻小说《罗萨姆的机器人万能公司》中，创造出机器人一词。在他的笔下，这个机器人可以不吃饭，却能不知疲倦地工作。 2 320世纪50年代，人类梦想成真，世界第一台工业机器人的诞生，自此，机器人产业大踏步向前发展，把人类从繁重的劳作中逐渐解放出来。 4如今，全球工业机器人的安装量以每年十几万台的速度递增，机器人产业本身正发生着怎样的故事？机器人产业又会把中国制造带向何方？ 5 6工业机器人，就在我们身边 7 82012年5月底，赫尔辛基市卡佩里特达斯艺术中心Pannuhalli馆内上演着这样一场特殊的演出：两台工业机器人与两位舞蹈家合作演出现代舞人机界面。工业机器人的动作既不乏机械的精确，又十足模仿人类，看上去与生命体一样充满灵性，舞技几乎不在人类之下。翩然起舞的工业机器人来自ABB公司，ABB最新研发的SafeMove技术使得人类可以安全地身处工业机器人的工作区域内，也就有了人机相拥而舞的奇妙画面。 9 10再来看另一个画面，美国纽约曼哈顿的Yotel酒店大堂，一位名叫Yobot的行李员每天24小时上班，他照管着大堂里一间玻璃房内117个储物柜，用独特而有趣的方式为客人提供行李存取服务（见右图）。Yobot已然是酒店的服务明星，更是吸引旅客和行人驻足。 这名好员工就是ABBIRB6640关节臂工业机器人，它臂展长3米、有效载荷60公斤，通常被用于重型物料搬运，而类似行李员这样的应用在全球尚属首次。 11ABB机器人中国区负责人李刚告诉记者，我们通常所说的工业机器人不是仿人形的机器人，而是面向工业领域的多关节机械手或多自由度机器人。工业机器人是集机械、电子、控制、计算机、传感器、人工智能等多学科先进技术于一体的自动化装备。 12 13在大多数人的概念中，作为高精尖的技术产物，工业机器人总是出现在枯燥、危险的工作环境里，伴随着冰冷、单调的工业生产线，机械地摆动着肢体。但事实上，工业机器人远比我们想象的更贴近生活。随着生产力的发展，自动化需求的提高，工业机器人的应用已深入各行各业的毛细血管，透过生硬的由数字和字母组成的代码，每个机型的背后是活生生的劳作，机器人伙伴正默默无闻地关爱着人类健康美好生活的每一天。 14iPhone的金属元件由机器人打磨？机场行李分拣由机器人完成？机器人在图书馆担任图书管理员？机器人能当演唱会嘉宾、能演好莱坞大片？。这些都已成为现实，不夸张地说，人类每天的衣食住行都已经离不开工业机器人了。从食品饮料、3C消费电子品、建筑家居，到汽车、航空航天、铁路轨道交通，再到太阳能、风能等等，工业机器人在各行各业从事着焊接、搬运、装配、喷涂、修边、拾料、包装、堆垛和上下料等繁重的工作。 15 16在李刚的描述中，我们和机器人的接触无比美妙：当你搭乘电梯时，机器人正为你的上上下下提供安全保障；当你和同事在下午茶时间品尝香醇咖啡时，你可能不知道这一杯美味也源自机器人的调制，机器人的咖啡包装工艺已被广泛应用于各大厂商的咖啡生产；当你打开笔记本电脑，你可能也不知道是机器人为你的电脑添色增彩，全球80%以上的笔记本电脑外壳由ABB机器人负责喷涂；还有，苹果公司产品iPod里的焊接系统

机器视觉基本介绍

机器视觉基本概念 2018.1.29 机器视觉系统 作用：利用机器代替人眼来做各种测量和判断。 它是计算机学科的一个重要分支，它综合了光学、机械、电子、计算机软硬件等方面的技术，涉及到计算机、图像处理、模式识别、人工智能、信号处理、光机电一体化等多个领域。 机器视觉系统的特点：是提高生产的柔性和自动化程度。在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉；同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。可以在最快的生产线上对产品进行测量、引导、检测、和识别，并能保质保量的完成生产任务 视觉检测：指通过机器视觉产品（即图像摄取装置，分CMOS 和CCD 两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。是用于生产、装配或包装的有价值的机制。它在检测缺陷和防止缺陷产品被配送到消费者的功能方面具有不可估量的价值。 照明 照明是影响机器视觉系统输入的重要因素，它直接影响输入数据的质量和应用效果。由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。 光源可分为可见光和不可见光。常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。可见光的缺点是光能不能保持稳定。如何使光能在一定的程度上保持稳定，是实用化过程中急需要解决的问题。另一方面，环境光有可能影响图像的质量，所以可采用加防护屏的方法来减少环境光的影响。 照明系统按其照射方法可分为：背向照明、前向照明、结构光和频闪光照明等。其中，背向照明是被测物放在光源和摄像机之间，它的优点是能获得高对比度的图像。前向照明是光源和摄像机位于被测物的同侧，这种方式便于安装。结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的三维信息。频闪光照明是将高频率的光脉冲照射到物体上，摄像机拍摄要求与光源同步。 镜头 FOV（Field of Vision）=所需分辨率*亚象素*相机尺寸/PRTM（零件测量公差比） 镜头选择应注意： ①焦距②目标高度③影像高度④放大倍数⑤影像至目标的距离⑥中心点/节点⑦畸变