一、机器人杆件与关节编号：开链（openchain）机器人，是由多个杆件串接而成，即若干刚性杆件首尾连接而成，如下图所示。杆件之间的连接部分称为关节。杆件和关节的编号方法为：基座为杆0，然后依次为杆1，杆2...杆n；关节i连接杆i和杆i+1；除了杆0外，机器人的每个杆都有一个驱动器（actuator），产生的驱动力从关节i传递到连杆i上。（注：这里只讨论转动关节。）所以将关节i的轴称为连杆i的驱动轴(drivingaxis），而关节i+1是将杆i的运动和力传导到杆i+1上，故关节i+1的轴称为杆i的传动轴（transmittingaxis）。二、标准DH方法（StandardDHmethod
一、ODEvs.SDE常微分方程(ODE)的基本形式为：一般来说其解是一条确定的曲线，而随机微分方程(SDE)，其结果是一个随机的过程，最终得到是的多种样本轨道。那么在ODE方程里加入随机性主要有两种方式：1、随机化初值() 这种随机化方法比较简单，只是将初值设定为一个随机化的样本过程，根据的不同可以得出多种样本轨道(SamplePath)。2、过程加入噪声(AdditionedRandomNoise)在随机化初值的基础上，叠加上了噪声，根据噪声分布的不同，得出的样本轨道也不相同。同时，SDE可以同时受到这两部分因素影响，这就需要具体问题具体分析。二、 SDE为了更好去定义SDE，我们通常也将
目录一、什么是最短路径二、迪杰斯特拉（Dijkstra）算法 三、应用Dijkstra算法（1）Dijkstra算法函数分析 求图的最短路径在实际生活中有许多应用，比如说在你在一个景区的某个景点，参观完后，要怎么走最少的路程到你想参观的下个景点，这就利用到了求图最短路径的算法。求图的最短路径有很多算法，这里介绍一种迪杰斯特拉（Dijkstra）算法来求图的最短路径。 在介绍算法前，需要掌握一点图的基本知识，比如说什么是路径，什么是路径长度等。如果对这些不了解的话，建议先了解一下。 这是我写的一篇博客，对图的一些基本知识的简介——图的一些基本知识。一、什么是最短
目录一、什么是最短路径二、迪杰斯特拉（Dijkstra）算法 三、应用Dijkstra算法（1）Dijkstra算法函数分析 求图的最短路径在实际生活中有许多应用，比如说在你在一个景区的某个景点，参观完后，要怎么走最少的路程到你想参观的下个景点，这就利用到了求图最短路径的算法。求图的最短路径有很多算法，这里介绍一种迪杰斯特拉（Dijkstra）算法来求图的最短路径。 在介绍算法前，需要掌握一点图的基本知识，比如说什么是路径，什么是路径长度等。如果对这些不了解的话，建议先了解一下。 这是我写的一篇博客，对图的一些基本知识的简介——图的一些基本知识。一、什么是最短
通常大家会认为曲线拟合和回归分析类似，但其实回归分析中是包含曲线拟合的。拟合是研究因变量和自变量的函数关系的。而回归是研究随机变量间的相关关系的。拟合侧重于调整参数，使得与给出的数据相符合。而回归则是侧重于研究变量的关系，对拟合问题做统计分析。一元线性回归一元线性回归模型的一般形式数据通常呈一条直线，则y和x之间的关系通常可以看做近似线性关系。但是一般来说这些数据点并不在一条直线上，这说明y和x的关系并没有确切到给定x就可以唯一确定y的程度。其实y还受到很多因素的影响。如果主要研究y和x的关系，可以假设有如下关系。（1）为未知待定常数称为回归系数，是其他随机因素对y的影响，并且服从分布。（2）
通常大家会认为曲线拟合和回归分析类似，但其实回归分析中是包含曲线拟合的。拟合是研究因变量和自变量的函数关系的。而回归是研究随机变量间的相关关系的。拟合侧重于调整参数，使得与给出的数据相符合。而回归则是侧重于研究变量的关系，对拟合问题做统计分析。一元线性回归一元线性回归模型的一般形式数据通常呈一条直线，则y和x之间的关系通常可以看做近似线性关系。但是一般来说这些数据点并不在一条直线上，这说明y和x的关系并没有确切到给定x就可以唯一确定y的程度。其实y还受到很多因素的影响。如果主要研究y和x的关系，可以假设有如下关系。（1）为未知待定常数称为回归系数，是其他随机因素对y的影响，并且服从分布。（2）
GWO通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的。 GWO算法具有结构简单、需要调节的参数少、容易实现等特点，其中存在能够自适应调整的收敛因子以及信息反馈机制，能够在局部寻优与全局搜索之间实现平衡，因此在对问题的求解精度和收敛速度方面都有良好的性能。1. 灰狼优化算法原理 第一层：层狼群。种群中的领导者，负责带领整个狼群狩猎猎物，即优化算法中的最优解。 第二层：层狼群。负责协助 层狼群，即优化算法中的次优解。 第三层：层狼群。听从和的命令和决策，负责侦查、放哨等。适应度差的 和 会降为。 第四层：层
GWO通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的。 GWO算法具有结构简单、需要调节的参数少、容易实现等特点，其中存在能够自适应调整的收敛因子以及信息反馈机制，能够在局部寻优与全局搜索之间实现平衡，因此在对问题的求解精度和收敛速度方面都有良好的性能。1. 灰狼优化算法原理 第一层：层狼群。种群中的领导者，负责带领整个狼群狩猎猎物，即优化算法中的最优解。 第二层：层狼群。负责协助 层狼群，即优化算法中的次优解。 第三层：层狼群。听从和的命令和决策，负责侦查、放哨等。适应度差的 和 会降为。 第四层：层
学习了网上好多教程，感觉对这块理解得差不多了，干脆自己写一写，也方便以后复习回顾。目录1.从AE谈起 2.VAE基础知识 2.1VAE基本介绍 2.2VAE推导2.2.1 KL散度2.2.2 变分推断2.2.3 推导过程2.2.4 推导结果 3.代码实现3.1.1VAE.py3.1.2main.py4.参考资料1.从AE谈起 说到编码器这块，不可避免地要讲起AE（AutoEncoder）自编码器。它的结构下图所示：图1AE基本结构 据图可知，AE通过自监督的训练方式，能够将输入的原始特征通过编码encoder后得到潜在的特征编码，实现了自动化的特征工程，并且达到了降维和泛化的目的。
学习了网上好多教程，感觉对这块理解得差不多了，干脆自己写一写，也方便以后复习回顾。目录1.从AE谈起 2.VAE基础知识 2.1VAE基本介绍 2.2VAE推导2.2.1 KL散度2.2.2 变分推断2.2.3 推导过程2.2.4 推导结果 3.代码实现3.1.1VAE.py3.1.2main.py4.参考资料1.从AE谈起 说到编码器这块，不可避免地要讲起AE（AutoEncoder）自编码器。它的结构下图所示：图1AE基本结构 据图可知，AE通过自监督的训练方式，能够将输入的原始特征通过编码encoder后得到潜在的特征编码，实现了自动化的特征工程，并且达到了降维和泛化的目的。
