原创 車載通信與導航(九):python實現街道模型&GPRS通信&D2D通信

寫在前面:沒有進行非常難的代碼編寫,僅僅是算法思想的抽象實現 首先,明確如何建立模型。 這裏我選擇使用python編程語言來實現模型,因爲python編程語言相較於其他編程語言,更適合進行數據運算,也更方便進行圖形化演示。 先在e

原创 機器智能(十一)

1、相似性度量: a、數據庫 存儲後臺多媒體數據(包含多個多媒體對象P),每個對象表示成d維向量形式 b、查詢Q: 從查詢對象中抽取的d維特徵向量 c、度量: 計算P與Q之間的相似性或者距離D(P,Q),其中D是距離度量函數 2、

原创 機器智能(十)

1、語言:有限字符串組成的集合 2、語法:用來描述語言的規則的集合 3、語言存在歧義性,自然語言規模大,且不斷變化 4、最簡單的語言模型:字符序列的概率分佈 5、n元組:長度爲n的書寫符號序列,即字母 6、n元模型:n個字符序列上

原创 車載通信與導航(二):VANET體系結構&對應關係&所用協議

體系結構: 以下內容來源於論文——《車載自組織網絡(VANET)綜述》朱存智2011.11 車載網絡是一種特殊的移動自組織網絡,以配備了無線互連接口設備的車輛爲節點。車載網絡是一種融合了車輛與車輛之間直接互連、間接互連以及車輛與路

原创 車載通信與導航(四):GPSR協議

取自https://blog.csdn.net/qq_30611601/article/details/79155353 GPSR通過應用鄰居節點和終點的地理位置,允許每個節點對全局路由分配做出決策。當一個節點以貪婪算法轉發一個包

原创 車載通信與導航(一):V2V概述

以下內容來源於https://wenku.baidu.com/view/96dfdf21b207e87101f69e3143323968001cf432.html V2V-VANET是移動無線自組織網絡MANET(mobile a

原创 車載通信與導航(十):python模擬解決死端問題

寫在前面:個人見解,僅供參考 首先,說明在代碼中的實現: def search(self,aax,aay,aim): lx=0 ly=0 ppx=0 ppy=0 nx=0 ny=0

原创 車載通信與導航(六):死端處理機制

取自論文《A Hybrid Model to Extend Vehicular Intercommunication V2V through D2D Architecture》 純車輛通信也稱爲V2V可能會遇到阻塞或故障問題,稱爲

原创 機器智能-高頻問題:EM算法

3、EM算法(Expectation maximization),是無監督學習的一種 a、期望最大算法,通過觀察數據來學習參數,學到的參數能夠滿足使得觀察數據以最大的可能性出現。與極大後驗假說類似。 b、應用:聚類 給定一些觀察數

原创 機器智能-高頻問題:卷積神經網絡優化

1、Batch Normalization: a、可以簡單理解爲歸一化,將值壓縮到0-1之間,並且求和的值爲1 b、當一批數據(batch)到達時(不一串行,一個一個,而是並行,所有數據全部計算完錯誤率後統一更新參數),進行一個n

原创 機器智能-高頻問題:經典CNN網絡

5、經典CNN網絡 a、lenet: 只有兩個卷積層、兩個池化層、兩個全連接層,結構很簡單。主要用於識別10個手寫郵政編碼數字,5*5卷積核,stride=1,最大池化。 b、alexnet: 結構更加複雜。三個池化、四個卷積層,

原创 機器智能-高頻問題:目標檢測算法

6、計算機中的圖像語義感知 a、Image Segmentation:將語義對象的位置進行分塊,根據語義來進行圖像位置的劃分。 b、Image Classification:根據圖像的特徵來進行圖像類別的判斷 c、Object D

原创 機器智能-高頻問題:目標檢測經典算法(YOLO算法)

2、YOLO算法: a、核心思想: 輸入:利用整張圖作爲網絡的輸入 輸出:直接在輸出層迴歸bounding box的位置和bounding box所屬的類別 b、不用單獨提取候選區域,速度快 c、bounding box:包括四個

原创 計算機網絡(二十二):虛電路和數據報網絡

網絡層也能夠在兩臺主機之間提供無連接服務或連接服務,網絡層的連接和無連攘服務在許多方面與運輸層的面向連接和無連接服務類似。 例如,網絡層連接服務以源和目的主機間的握手開始;網絡層無連接服務則沒有任何握手預備步驟。 儘管網絡層連接和

原创 機器智能-高頻問題:Lenet框架&卷積神經網絡概念

4、Lenet框架(最簡單的卷積神經網絡)數字分類網絡 a、名詞 ①、comvolutions:卷積層 ②、subsamping:池化層 ③、full connection:全連接層 b、一個完整的CNN 卷積層和池化層負