排序方式: 共有8条查询结果,搜索用时 0 毫秒
1
1.
在STM32F103VET6上实现了SVPWM输出。介绍了SVPWM的优点及原理。结合STM32F103VET6上的硬件资源,给出了SVPWM在高级定时器上实现的方式和三相桥式驱动电路的设计。分析了该方案所占用的CPU资源。实验结果表明,该设计方案可行,能够实现SVPWM输出。 相似文献
2.
基于次梯度的L1正则化Hinge损失问题求解研究 总被引:1,自引:0,他引:1
Hinge损失函数是支持向量机(support vector machines,SVM)成功的关键,L1正则化在稀疏学习的研究中起关键作用.鉴于两者均是不可导函数,高阶梯度信息无法使用.利用随机次梯度方法系统研究L1正则化项的Hinge损失大规模数据问题求解.首先描述了直接次梯度方法和投影次梯度方法的随机算法形式,并对算法的收敛性和收敛速度进行了理论分析.大规模真实数据集上的实验表明,投影次梯度方法对于处理大规模稀疏数据具有更快的收敛速度和更好的稀疏性.实验进一步阐明了投影阈值对算法稀疏度的影响. 相似文献
3.
4.
坐标下降方法以简洁的操作流程、低廉的计算代价和快速的实际收敛效果,成为处理大规模优化最有效的方法之一.但目前几乎所有的坐标下降方法都由于子问题解析求解的需要而假设损失函数的光滑性.本文在结构学习的框架下,在采用Comid方法求解随机挑选单变量子问题的基础上,提出了一种新的关于非光滑损失的随机坐标下降方法.理论分析表明本文所提出的算法在一般凸条件下可以得到Ο(√t/t)的收敛速度,在强凸条件下可以得到Ο(lnt/t)的收敛速度.实验结果表明本文所提出的算法对正则化Hinge损失问题实现了坐标优化预期的效果. 相似文献
5.
已有的非平衡数据分类算法主要采取直接对损失函数进行加权的方法。文中提出一种加权边缘的hinge损失函数并证明它的贝叶斯一致性,得到加权边缘支持向量机算法(WMSVM),并给出类似于SMO的求解方法。实验结果表明WMSVM在一些数据库上是有效的,从而从理论和实验上说明基于加权边缘的损失函数方法是已有代价敏感方法的一种较好补充。 相似文献
6.
采用拉格朗日方程和Stribeck摩擦模型,根据便携式手术机器人主手的杆件重力、各关节摩擦力、惯性力对术者真实力感知的影响,建立了含关节摩擦力的动力学模型。基于机器人主手动力学模型,分别建立重力、摩擦力和惯性力三项的补偿模型,通过分析机器人主手力补偿反馈和附加位移的产生原因及补偿原理,提出了相应的补偿反馈力和附加位移补偿方法。通过对初步研究结果进行对比试验,验证该力补偿控制方法可用以平衡主手因自身所带的重力、关节摩擦力和惯性力产生的影响,最终实现术者真实的力感知,提高手术操作精准性。 相似文献
7.
8.
1