STM32上SVPWM输出的实现方案

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。     

基于次梯度的L1正则化Hinge损失问题求解研究

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.     

一种基于Comid的非光滑损失随机坐标下降方法

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.     

东方魅影

都市的大街上,夜幕低垂,霓虹灯闪烁,对于崇尚夜生活的人来说这才是起点,于夜色中和一杯美酒,一份美食,一种思绪,与一段悠扬的音乐亲密相约.现代都市里的K歌品酒已渐渐成为人们不可或缺的休闲娱乐方式,这是一种独存的时尚文化.     

加权边缘损失函数的代价敏感支持向量机

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.     

便携式手术机器人主手附加力位移补偿方法研究

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。     

鞭毛辅助CdS/TiO_2纳米复合薄膜的制备以及显著增强的光电催化活性

采用鞭毛作为生物模板剂制备Cd S/TiO_2复合纳米结构薄膜,采用SEM、XRD、IR、紫外-可见漫反射和电化学工作站等对其结构和光电化学性质进行表征。结果表明,鞭毛的引入不但减小了CdS颗粒尺寸和增大了比表面积,而且改善了复合材料的带隙结构。该薄膜可见光光电催化活性比未加入鞭毛的空白样品高1.4倍。提供了一个利用生物模板剂控制半导体纳米结构单元生长与组装及改善光电性能的简单方法。     

L1正则化机器学习问题求解分析

以稀疏学习为主线,从多阶段、多步骤优化思想的角度出发,对当前流行的L1正则化求解算法进行分类,比较基于次梯度的多步骤方法、基于坐标优化的多阶段方法,以及软L1正则化方法的收敛性能、时空复杂度和解的稀疏程度。分析表明,基于机器学习问题特殊结构的学习算法可以获得较好的稀疏性和较快的收敛速度。