小车的数学模型:iteminputsoutputsPlant Model(被控对象的数学模型)之后m个控制量之后p个时间步的预测输出优化器：iteminputsoutputs优化器(数学模型, 之后p个时间步的参考轨迹, 约束条件)之后m个控制量​ 优化器要考虑两点:​ ① 预测轨迹与参考轨迹偏差最小​ ②控制量不突变CostFunction≐J∑i1p。

一、Batch概念什么是batch，准备了两种解释，看君喜欢哪种？如果把准备训练数据比喻成一块准备打火锅的牛肉，那么epoch就是整块牛肉，batch就是切片后的牛肉片，就是涮一块牛肉片（饿了吗？

Zynq中断初始化：a. 通过XGpioPs_LookupConfig函数，找到所设备的基址；b. 通过XGpioPs_CfgInitialize函数，初始化设备配置；c. 通过Xil_ExceptionRegisterHandler函数，进行中断异常注册；d.通过Xil_ExceptionEnable函数，使能中断异常注册；通过XScuGic_Connect函数，链接中断号、中断处理程序、回调参

相对于正常数据集，如果Batch_Size过小，训练数据就会非常难收敛，从而导致underfitting。增大Batch_Size,相对处理速度加快。增大Batch_Size,所需内存容量增加（epoch的次数需要增加以达到最好的结果）这里我们发现上面两个矛盾的问题，因为当epoch增加以后同样也会导致耗时增加从而速度下降。因此我们需要寻找最好的Batch_Size。再次重申：Batch_Size

数据链路层的测试目的是保证每个节点的通讯参数能够保持一致性，所组成的网络能够正常有效的工作，内容包括位定时测试、采样点测试、SJW测试等等，节点测试完成后，可自动化导出详细CAN一致性测试报表，准确判断节点工作情况，一目了然。27%位宽的干扰逐渐以1%位宽的步进向右移动，在干扰的右边沿快靠近采样点时(如图5)，由于通信延迟的关系，此时采到的电平和CANScope发送的不一致了，导致DUT接收到的C

最近刚接触，理解一些概念十分困难，尤其是动不动就冒出个看不懂的英语，让人抓狂。查了不少资料后做一个总结并加上一些自己的理解，理解若有误，烦请大家指出，相互学习。本文主要对这些名字进行解释，随后附上。首先需要了解一下图像分类检测的时间轴图来自Bounding box是在RCNN的时候就用了（至于bbox哪年提出的没去细究过），而box在Faster RCNN才提出，所以有些文章用anchor box

Beta分布与二项分布密切相关，由二项分布扩展而来，它是用来描述一个连续型随机变量出现的，表示为下面我们会先温故下二项分布的知识，然后循序渐进地引出Beta分布。在这篇文章里介绍过，二项分布能解决的是问题，记作仍以抛硬币为例，二项分布求的是抛假设一枚硬币质地均匀，也就是说抛一次硬币，出现正面向上和反面向上的概率附绘图代码n10#试验次数p0.5#正面向上的概率#生成x轴的数据点xnparange0

一、Batch概念什么是batch，准备了两种解释，看君喜欢哪种？如果把准备训练数据比喻成一块准备打火锅的牛肉，那么epoch就是整块牛肉，batch就是切片后的牛肉片，就是涮一块牛肉片（饿了吗？

AlphaGo是通过深度卷积神经网络，在训练了大约三千万组人类的下棋数据生成的模型，而AlphaZero使用强化学习的方式，通过自己和自己下棋的方式生成模型。所谓强化学习就是智能系统从环境到行为映射的学习，以使奖励信号（强化信号）函数值最大，由于外部给出的信息很少，强化学习系统必须依靠自身的经历进行自我学习。深度学习的学习过程是静态的，强化学习的学习过程是动态的。无监督学习，即在未加标签的数据中，

一、概念Exploitation执行能够获得最优收益的策略Exploration尝试更多可能的策略，不一定会是最优收益可能发现更好的策略二、策略探索的原则朴素方法贪心策略和 ϵ-greedy衰减贪心策略ϵ随时间衰减积极初始化给Q(a^i)一个较高的初始化值基于不确定性的度量显示地考虑动作的价值分布UCB：上置信界概率匹配Thompson Sampling根据每个动作成为最优的概率来选择动作状态搜索