機器學(xué)習(xí)算法在自動駕駛領(lǐng)域的應(yīng)用大盤點-資料下載頁
2025-08-17 13:50本頁面
【正文】 DAS的驅(qū)動和定位上起了重要作用。對于任一算法，最大的挑戰(zhàn)是利用基于圖像的模型來做特征選擇和預(yù)測。環(huán)境的可重復(fù)性，對回歸算法為圖像和該圖像中某物體位置之間的關(guān)系，構(gòu)建統(tǒng)計模型起了杠桿作用。利用采樣圖像的統(tǒng)計模型，可以快速在線識別和離線學(xué)習(xí)。這個模型可以進一步延伸到不需要大量人類建模的其他對象。算法返回的對象位置，作為在線階段的輸出和對象出現(xiàn)的概率?；貧w算法能夠用來短程預(yù)測和長程訓(xùn)練。這類回歸算法中用到自動駕駛上，有決策森林回歸、神經(jīng)網(wǎng)絡(luò)回歸、貝葉斯回歸等等。神經(jīng)網(wǎng)絡(luò)回歸模型神經(jīng)網(wǎng)絡(luò)可以用到回歸、分類或者其他無監(jiān)督學(xué)習(xí)上，來匯總沒有標(biāo)記的數(shù)據(jù)，分類這些數(shù)據(jù)，或者在監(jiān)督學(xué)習(xí)后預(yù)測一個連續(xù)值。神經(jīng)網(wǎng)絡(luò)常在最后一層用邏輯斯特回歸把連續(xù)值轉(zhuǎn)換成形如1或0的變量（二值變量）。在上圖中，“x”是輸入，特征從前一層神經(jīng)元傳播而來。到最后隱藏層的每個神經(jīng)元，有很多’x39。會喂進來，每個39。x39。,乘以相應(yīng)的權(quán)重w。對于偏置，乘積求和后加上偏置，然后輸入到激活函數(shù)。激活函數(shù)常用的是ReLU（修正線性單元），因為它不會像sigmoid激活函數(shù)在淺層梯度膨脹。ReLU在隱藏層輸出的激活值a，經(jīng)過求和后成為輸出層的輸出。這暗示：一個神經(jīng)網(wǎng)絡(luò)用做回歸時只有一個輸出節(jié)點。這個節(jié)點把激活值求和后乘以1向量。網(wǎng)絡(luò)的估計值，‘y帕’作為結(jié)果?！甕帕’是所有39。x39。映射出來的獨立變量。你可以這樣用神經(jīng)網(wǎng)絡(luò)得到與‘x’（多個非獨立向量）相關(guān)的函數(shù)，可以求出你要預(yù)測的39。y39。(獨立變量)。
研究報告相關(guān)推薦
鄂ICP備17016276號-1