- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI风云之路
机器学习(2)--感知机
对应于输出空间（特征空间）的点；输出y∈Y表示实例类别，由输入空间到输出空间的如下函数： ，称为感知机。 其中w和b是感知机的参数模型，w叫做权值(weight)，b叫做偏置(bias)。 sign是符号函数： 感知机是一种线性分类模型，属于判别模型。感知机有如下几何解释：线性方程 。对应于特征空间Rn中的一个超平面S，其中w是超平面的法向量，b是超平面的截距。 2.感知机的学习策略 假设训练数据集是线性可分的，感知机的目标是求得一个能够将训练数据集正实例点和负实例点完全正确分开的分离超平面。 损失函数推导过程： ①任一点到超平面S的距离： 分母 是w的L2范数，指的是向量各元素的平方和然后求平方根（长度）。 ②对于误分类点 来说，有 。 因为 时， 。 3.感知机的学习算法 感知机学习问题转化为求解损失函数式的最优化问题，求参数w,b，使损失函数最小。 ,M为误分类点集合。
59500发布于 2021-02-22 《特斯拉Optimus Gen - 2：多模态感知如何重塑具身智能未来》
特斯拉推出的Optimus Gen - 2，凭借其多模态感知技术，成为了这场变革中的焦点，为机器人具身智能的发展开辟了全新道路。 多模态感知技术之于机器人，就如同赋予了它们人类般丰富的感知能力。Optimus Gen - 2配备了多种先进的传感器，其中摄像头是其视觉感知的关键。 而Optimus Gen - 2借助多模态感知技术，能够快速适应不同的场景。 多模态感知技术还为Optimus Gen - 2的自主学习和决策提供了强大支持。它可以不断从多种感知渠道获取数据，学习新的知识和技能。 这种自主学习和决策能力，是具身智能发展的重要标志，使机器人能够在不断变化的环境中持续进化。特斯拉Optimus Gen - 2的出现，让我们看到了多模态感知技术在推动机器人具身智能发展方面的巨大潜力。
39810编辑于 2025-04-22- 来自专栏JAVA开发专栏
思维的边界，认知智能，从感知智能迈向认知智能
从感知智能到认知智能的挑战 相比以前的小数据智能，现在的人工智能是一个大数据的智能，因此数据、算法和算力相关作用，形成三轮迭代的过程，但是这其中还是需要将知识融合进去，这也是目前对人工智能的挑战。 ，所以人工智能的发展方向是将知识系统进入三轮中以便更好的推理和训练模型 在认知智能方面，本身很复杂，在全世界的发展都在处于摸索阶段，所谓的感知智能就像我们看到东西，听到东西，是第一步，而认知智能就是相当于我们接受到了感知信号之后 从感知智能跟认知智能在实现机理上面的区别来看，感知智能可以理解为一个sigle-turn（单轮交互），一个输入和一个输出，基本不涉及知识图谱和常识，不需要推理步骤；相对应的认知智能就是nulti-turn 达到这一目的有不同的途径，可以从符号、知识图谱、常识来出发；也可以从数据出发，这个两个加起来，就好像人脑的两个思维的过程，用人用system1&system2来表示，system1直觉系统是用大数据完成输入后直接快速输出答案 ，end=to=end，无关对错，也没有太多的解释；而sysytem2逻辑推理系统，就是一步一步推理最后给出答案。
1.1K52编辑于 2022-12-15 - 来自专栏漏洞战争
从态势感知到人工智能
三家公司理解的态势感知完全不一样。 可见，蹭概念热度有时蹭得大家互不认识了。 现在“态势感知”与“威胁情报”一直都很火，在我的理解里面，态势是预测，情报是事实。 最近看到一篇PPT，又提到一个新概念叫“纠缠感知”，是指对终端与服务端的态势感知。作为一个刚看过《蚁人2》的娃，有点怀疑作者也是个漫威迷。 ? 最近“量子纠缠”的应用挺广的，前有通讯安全、针灸论文、后有纠缠感知（算是态势感知的进阶版）。除此之外，还有“平行安全”、“拟态安全”、“有限系统的不安全经络图”…… ? 无AI，不开会 最后互联网安全大会的PPT都公开了（下载地址：https://pan.baidu.com/s/18mZIJcwyhtRVkPyVNDHmig），最常见的一个关键词应该算是“人工智能”，各个分论坛基本都有个标题包含 “人工智能”，过程都是建模型，搞算法，训练样本，应用业务，但实现细节、应用效果，大家一般都不谈，或者是过程搞得很牛逼，结局却很惨淡。
1.9K30发布于 2019-07-18 - 来自专栏一点人工一点智能
智能汽车车身感知系统详解
转载自：钛祺汽车 原文地址：智能汽车车身感知系统详解 本文主要针对车身感知定位系统进行介绍，车身感知主要是感知车辆位置、行驶速度、姿态方位等信息，下文分别介了绍惯性导航、卫星导航系统和高精度地图三种主要的定位技术的发展情况 用来测量运动体坐标系上各轴的加速度；（2）陀螺仪：用于测量载体绕自身三个坐标轴的转动角速度，同时也敏感地球自转的角速度。 ，为无人驾驶系统进行仿真验证、优化人工智能训练等提供重要基础数据。 高精度地图提供的地图数据不仅包括传统路网信息，还包括高精度车道级及环境信息数据，以及动态感知层和驾驶决策层部分信息，数据绘制的自动化和智能化成为重要的发展趋势。 ，从而减少数据运算量，降低系统复杂程度；第四，高精度的车身感知定位系统能够让每一辆车都能够精确地定出自己的位置，通过车车通信和车路通信把自己的位置分享给其他车辆，有利于实现V2X 应用。
1.7K30编辑于 2023-03-08 - 来自专栏AI机器学习与深度学习算法
学习分类 2-3 感知机
感知机 要如何求出权重向量呢？基本做法和回归时相同，将权重向量用作参数，创建更新表达式来更新参数。这就需要一个被称为感知机的模型。 感知机是接受多个输入后将每个值与各自的权重相乘，最后输出总和的模型。 数据包含三个特征的感知机模型如下所示。 感知机是非常简单的模型，基本不会应用到实际的问题当中，但是它是神经网络和深度学习模型的基础模型。 图片 下表示收集到的六个训练数据。
63210编辑于 2022-11-08 - 来自专栏媒矿工厂
通往人工智能的感知运动之路
v=f6fDpKDxpL0 内容整理：李江川 在提到人工智能时，我们会很容易的联想到AlphaGo、ChatGPT4等模型。人工智能在智力测试或下棋时表现出了达到甚至超过成年人的水平。 但如果你想在不同的地方移动和寻找食物，你需要感知，你需要知道去哪里，这意味着你需要有某种视觉系统或感知系统。 Steve Pinker后来对这个悖论做了简洁的总结：“35年以来人工智能研究的主要教训就是，难题很容易而简单的问题很困难”。普通人认为很容易的事情对人工智能来说其实很难。 然而，我们认为困难的事情，需要通过多年的教育来掌握，实际上对人工智能并没有那么困难，或者我们已经在这方面取得了进展。 图2 今天的演讲题目是"感知运动智能"，它涉及到进化早期的概念。 图9 图10 附上演讲视频： http://mpvideo.qpic.cn/0bc3jiaa2aaadaae2hg4hfsfaswdbvfaadia.f10002.mp4?
45420编辑于 2023-09-09 - 来自专栏喔家ArchiSelf
感知人工智能操作系统
人工智能如何应用落地呢？ ? 回忆过往，我们是如何在PC或者智能手机上开发应用的呢？ 人工智能可能是一个听着简单，实际又很复杂的概念，外延比较宽泛，《人工智能简史》一书可能会给出一些历史上的脉络。 ? 如何解释智能呢？或许， 用图灵测试来理解人工智能更加方便。1950年， 阿兰图灵提出了图灵测试：如果一台机器能够与人类展开对话（通过电传设备）而不能被辨别出其机器身份，那么称这台机器具有智能。 什么是人工智能操作系统？ 回到主题，什么是人工智能操作系统呢？首先，它是一个操作系统，应该具有操作系统的相关功能。那人工智能操作系统是具备了人工智能能力还是提供了人工智能能力的操作系统呢？ 不同维度的操作系统，如果具备并提供了人工智能的能力，大概都可以被认为人工智能操作系统，而不仅仅局限在机器人的领域。 现如今，有没有人工智能操作系统供我们使用呢？
1.8K20发布于 2019-03-11 - 来自专栏从头开始学习测试开发
打造“源码感知型” Sentry 智能分析官
✅ 上下文感知： 提取错误行前后 5-10 行代码作为上下文，让 LLM 理解变量状态、控制流与业务逻辑。 ✅ 智能诊断： 基于完整代码上下文，分析空指针、类型错误、逻辑漏洞等常见问题，输出根因。 Step 2：编写核心分析逻辑（__init__.py） 创建 __init__.py 文件，实现 “Sentry API 调用 → 本地源码读取 → LLM 智能诊断” 流程： python编辑 # 2. Missing checks or invalid assumptions? 3. 结语：从“告警”到“洞察”，只需一个本地 Skill 通过以上四步，你已将 Sentry 从一个“错误记录仪”，升级为一个具备源码理解能力的智能诊断引擎。
9400编辑于 2026-03-31 - 来自专栏澜舟科技 NLP
从感知智能跨越到认知智能，NLP领域要做哪些创新？
在自然语言领域，感知智能之后的下一个窗口是什么呢？澜舟科技创始人周明对「认知智能」的发展前景和需要解决的问题做了详细的综述和展望。 3月23日，机器之心AI科技年会在线上召开。 01 认知智能的崛起 图片 感谢机器之心的推荐，有这样的机会向大家介绍一下我们在澜舟科技所从事认知智能的想法，我的演讲题目是「认知智能的创新时代」。 我们是从事自然语言理解的，关心的是在感知智能之后自然语言的机会在哪里？我这里在判断感知智能之后的认知智能开始崛起，推动了产业的发展。 这里有几个关键点。 第二个是知识增强，包括基于实体抽取的增强、常识知识和领域知识的增强、事件依赖与因果关系和多模态世界知识的感知，从各个方面研究如何能够使用相应的知识来在同样大小的模型下使它的能力有所提高。 这是System2。相比System2呢，System 1，就是现在深度学习的东西。利用经验和数据就可以从一个输入快速给出输出，不需要一个深度推理过程，因而缺乏可解释性。
1K30编辑于 2022-06-14 - 来自专栏机器人课程与技术
ROS 2 感知节点的硬件加速
传统上，感知管道从图像预处理开始，然后是感兴趣区域检测器，然后是输出检测到的对象的分类器。ROS 2 提供了各种预构建的节点（Components更具体地说），可用于轻松构建感知管道。 之前的一篇文章介绍了硬件加速如何帮助加速 ROS 2 计算图（包括感知图）。 关于感知模块在 ROS 2 节点中对硬件加速进行基准测试 为了比较 ROS 2Nodes在 FPGA 和 GPU 加速器上的感知任务，我们选择 AMD 的 Kria KV260 FPGA 板和 NVIDIA 例如，为了Node使用Harris Corner Detector算法比较 ROS 2 感知，我们利用[2]和[3]分别用于FPGA和GPU比较。 跨感知 ROS 2 节点获得的结果表明FPGA 在机器人感知方面的性能优于 GPU，速度差异达 500 倍在流行的算法中，例如定向梯度直方图 (HOG)： 在测量功耗的同时，我们还观察到FPGA
1.1K40编辑于 2022-05-01 - 来自专栏人人都是极客
无人驾驶技术课——感知（2）
在感知部分的课程中，我们将首先介绍计算机视觉的基本应用领域；再进一步了解机器学习、神经网络和卷积神经网络的基础知识；随后我们将讨论感知模块在无人车中的具体任务；最后了解 Apollo 感知模块的体系结构和传感器融合的相关内容 例如，在模拟器中强化学习智能体可训练汽车进行右转，智能体将在初始位置发动车辆，然后进行实验性驾驶，以多种不同的方向和行驶速度，如果汽车实际完成了右转，智能体会提高奖励（即得分），这是针对导致成功结果的初始操作 卷积神经网络 卷积神经网络（CNN）是一种人工神经网络，它对感知问题特别有效。CNN 接受多维输入，包括定义大多数传感器数据的二维和三维形状。 欢迎在下方留言区热烈讨论~ 下节课我们将深入了解感知模块在无人车中的具体任务。 【转自Apollo阿波罗智能驾驶】
67220发布于 2018-12-25 - 来自专栏具身小站
具备情绪感知的，智能语音对话系统方案
–30% 通话时长缩短：10–15% 转化率提升：20–30%（销售场景） 关键建议 优先级 建议 预期收益 P0 快速上线基础SER + 情感感知Prompt 满意度↑15–20% P0 集成情感TTS 实时性、方言 SER 识别用户情感 准确率>90% 跨方言、降噪 情感管理 追踪情感变化 连贯性>95% 多轮平滑 RAG 知识库检索 相关性>85% 情感融合 LLM 生成回复 自然度>4.0 情感感知 Speech 成本敏感 百度ASR 第三部分：情感识别与情绪输出 3.1 为什么需要情感识别与情绪输出 3.1.1 核心价值对比 3.1.2 应用场景价值 场景 情感识别价值 情绪输出价值 预期收益 智能客服 < 2秒 系统稳定性 > 99% 6.1.2 第二阶段：情感感知LLM（3–4周） 目标： 实现情感感知的对话生成 任务清单： ☐ 设计情感感知Prompt ☐ 集成情感上下文到RAG ☐ 实现情感-回复映射 定期A/B测试 成功指标： 用户满意度持续提升 系统稳定性 > 99.5% 6.2 优先级排序 优先级 功能 预期收益 实施难度 建议时间 P0 基础SER集成 满意度↑15% 低 第1周 P0 情感感知
12210编辑于 2026-04-14 - 来自专栏蓝桥杯历年省赛真题集
《模式识别与智能计算》感知机模型
感知机模型 按照统计学三要素来写的话： 模型：符号函数 策略：损失函数；误点到超平面的距离之和 算法：利用梯度下降算法进行求解 感知机原理： 感知机模型用来线性判别数据集，什么意思呢就是用一超平面来隔断两个不同的类别 有了这个后我们就可以来写感知机模型了。原谅我偷懒了，这里就把图片弄过来吧，图片来源（统计学习方法） ?
73910发布于 2020-02-13 - 来自专栏自动化
传感器：开启智能感知新时代
按基本感知功能可分为力敏、热敏等多种元件。 交通运输：智能化、耐用、高可靠性、定制化以及一站式采购是交通运输行业客户对开关和传感器类产品的普遍需求。 智能汽车 / 自动驾驶：在智能汽车时代，主动安全技术成为备受关注的新兴领域，需要改进现有的主动安全系统，比如侧翻（rollover）与稳定性控制（ESC）。 语音将成为人与智能汽车的重要交互方式，MEMS 麦克风将迎来发展新机遇。 环境监测：传感器网络用于环境监测，能够对环境进行早期预警，对环境的综合治理进行确切地衡量。 更好的感知与更多的数据：未来传感器将更有效地模仿人类感官，检测复杂信号。例如，先进传感器不仅能感知大量单一分析物，还能破解气味组成。智能微尘可监控各种情况。
72210编辑于 2024-11-27 - 来自专栏《C++与 AI：个人经验分享合集》
《C 语言构建感知机：开启智能算法之门》
在人工智能的广袤天地里，感知机算法犹如一颗璀璨的基石，为众多复杂智能模型的构建奠定了基础。而 C 语言，以其高效、灵活且接近底层硬件的特性，成为实现感知机算法的有力工具。 今天，让我们一同深入探讨如何借助 C 语言来实现这一重要的简单感知机算法，领略人工智能与 C 语言融合的魅力。 感知机算法是一种用于二分类问题的线性分类模型。 总之，通过 C 语言实现简单的感知机算法是深入理解人工智能算法原理和 C 语言编程技巧的重要途径。尽管过程中会面临一些挑战，但收获的知识和技能将为我们在人工智能领域的进一步探索奠定坚实的基础。 无论是对于想要深入研究人工智能底层实现的技术爱好者，还是致力于开发高效智能系统的专业开发者，掌握这一技能都具有极为重要的意义。 让我们在 C 语言与人工智能融合的道路上不断探索，开启更多智能算法的大门，为科技的进步贡献力量。
16900编辑于 2024-12-18 - 来自专栏深度学习与python
从检测到通用感知：构建空间智能的基础
作者｜张磊，IDEA 研究院计算机视觉与机器人研究中心讲席科学家 审校｜罗燕珊 策划｜AICon 全球人工智能开发与应用大会 视觉感知是机器和物理世界交互的基础，也是 AI 走向通用必须具备的能力 本文整理自 IDEA 研究院计算机视觉与机器人研究中心讲席科学家张磊 6 月 在 AICon 2025 北京 的分享《从检测到通用感知：构建空间智能的基础》。 2 语言原生和视觉原生模型架构的区别 基于语言模型的多模态理解在过去几年有很多进展，但是要真正让模型具备视觉感知能力，需要更深层次的研究。我们在视觉感知领域的研究中发现一个比较根源性的问题。 这种精准的检测能力使得卡路里计算更加准确，这也体现了将强感知模型与强语言模型结合的巨大优势。 我们之所以认为感知如此重要，是因为它与空间智能密切相关。 通过提升 3D 感知能力，我们希望逐步为空间智能提供基础支撑。空间智能目前还没有统一的定义，就像世界模型一样，不同的人和研究方法给出了不同的定义。
21910编辑于 2025-11-26 - 来自专栏用户5909132的专栏
全景感知、智能融合｜视图计算平台全新发布
随着智能安防时代的到来，视频图片数据呈现爆发式增长，然而由此引发了多种问题。 “ 本地化数据存储集群安全保障性较低、规模化扩容问题等如何解决？ 端侧智能存在局限性，视图数据价值如何更高效地挖掘？ ” 为了解决上述问题，我们面向视频监控场景推出了可提供设备接入联网、云存储及AI分析一体化PaaS服务——智能视图计算平台。 云端：提供设备接入与管理、视频处理与查看、数据分层存储、AI智能分析、多维度运营指标统计等功能，赋能您的业务高效运转。同时提供视频监控SAAS应用和AI智能化应用，您可享受一站式的视频闭环服务。 同时结合客流统计、目标识别等算法分析，促进门店智能化升级，助力业务降本增效。 点击“阅读原文”了解智能视图计算平台更多信息
1.9K20编辑于 2023-02-13 智能感知·先知先行：AI 智能巡检系统重塑设备运维新范式
AI 智能巡检系统通过融合物联网感知、计算机视觉与边缘计算技术，构建了集自动感知、智能诊断、预测预警于一体的全方位巡检解决方案，实现了从"被动响应"到"主动预警"的运维模式革命。 "端-边-云"协同的立体化架构：智能感知终端（巡检机器人、无人机、固定摄像头）实现多维度数据采集；边缘计算节点完成实时分析与初步诊断；云端智能平台进行深度学习和预测性分析；数字孪生系统则实现设备状态可视化与模拟推演 20 倍异常预警定期巡检发现实时监测 + 趋势预测，提前预警故障预警提前量达 72 小时环境感知手持仪器抽样检测多传感器融合，全域实时监控监测密度提升 100 倍 智能诊断与预测引擎原理系统核心技术在于多层次分析预警机制 ：实时感知层：通过可见光、红外、声纹等多模态传感器，构建设备全方位数字画像特征分析层：基于深度神经网络提取设备状态特征，建立正常/异常状态模型趋势预测层：结合时序数据分析，预测设备性能衰减曲线与剩余使用寿命决策推荐层 智能制造产线在生产车间部署智能视觉检测系统，实时监控设备运行状态、产品质量参数。
84210编辑于 2025-10-28- 来自专栏HueiFeng技术专栏
如何为.NETCore安装汉化包智能感知
这样我们就可以通过智能感知在ide中获取到汉化后的注释提示
61510发布于 2020-02-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号