FPGA机器学习之机器学习的n中算法总结1

机器学习是AI领域的重要一门学科。前面我描写叙述过。我计划从事的方向是视觉相关的机器学习分类识别，所以可能在每一个算法的分析中，仅仅增加在视频。视觉领域的作用。

我毛华望QQ849886241。技术博客http://blog.csdn.net/my_share

SA算法。Fea-G算法。DANOVA算法，SOA算法。Shooting算法。

这个是从网页中，百度说他们特有的算法。

Fea-G算法。DANOVA算法，SOA算法。没有不论什么资料。

shooting算法。叫射门算法（百度和必应的结果）。可是射门算法。并非机器学习算法。可能是百度自己创建的算法。命名重名了而已，或者是改进，所以并没有公开所以没有不论什么资料。

可是我还是解释一下。所说的射门算法的意思。射门算法。不管是百度还是论文都是设计到机器人足球比赛的。这个真的是射门算法。

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbXlfc2hhcmU=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center">机器人在R点，球在B点。那最好的射门算法就是，计算出0点。然后执行机器人行走路线为弧C。

然后射门AG路线。这个就是射门算法。和机器学习无关。所以实际应该不是这个。

SA算法，也叫退火算法。

和梯度下降法的意义是一样的。就是一种逼近模型。事实上是一种2个函数逼近算法。当中一个函数。可能是离散的点，或者是半截函数，这是目标函数。我如今就用一个函数去逼近那个函数，两个函数之间的误差，到某个程度就逼近完毕了。为了保证有比較优的解，算法往往採取慢降温、多抽样、以及把“终止温度”设的比較低等方式。导致算法执行时间比較长，可是从查找到的资料来看，它能够改进神经网络。神经网络是重要的一种图像识别方法。所以有必要对这方向做具体的了解分析。

局部搜索。模拟退火，遗传算法，禁忌搜索的形象比喻：

为了找出地球上最高的山。一群有志气的兔子们開始想办法。

1．兔子朝着比方今高的地方跳去。他们找到了不远处的最高山峰。

可是这座山不一定是珠穆朗玛峰。

这就是局部搜索，它不能保证局部最优值就是全局最优值。

2．兔子喝醉了。

他随机地跳了非常长时间。这期间，它可能走向高处，也可能踏入平地。可是，他渐渐清醒了并朝最高方向跳去。这就是模拟退火。

3．兔子们吃了失忆药片。并被发射到太空，然后随机落到了地球上的某些地方。他们不知道自己的使命是什么。可是，假设你过几年就杀死一部分海拔低的兔子，多产的兔子们自己就会找到珠穆朗玛峰。这就是遗传算法。

4.兔子们知道一个兔的力量是渺小的。

他们互相转告着，哪里的山已经找过。而且找过的每一座山他们都留下一仅仅兔子做记号。他们制定了下一步去哪里寻找的策略。这就是禁忌搜索。

梯度下降法，它和SA算法作用是一样的。仅仅是有一些改进上的变化。梯度下降法。它是神经网络中的一部分嘛。事实上从其它的资料显示，用退火算法来改进神经网络会更好。我大概说下梯度下降法，梯度是最快的下降角度。

比方你想找一条最短的路径走到一个盆地的最底部，梯度下降法每次仅仅从你当前所处位置选一个坡度最大的方向走一步。牛顿法在选择方向时，不仅会考虑坡度是否够大。还会考虑你走了一步之后，坡度是否会变得更大。所以，能够说牛顿法比梯度下降法看得更远一点，能更快地走到最底部。

遗传算法,遗传算法好像比較复杂一些，从性能角度上说，它好像是能够非常easy的收敛到全局最小值，而不受局部最小值影响。缺点是，遗传算法通常的效率比其它传统的优化方法低。遗传算法easy过早收敛。遗传算法对算法的精度、可行度、计算复杂性等方面。还没有有效的定量分析方法。

禁忌算法，半启示式算法，前面那些都是启示式算法。小兔子的比喻已经可以理解一部分了。我在说点。事实上这几种都是一样的作用，都是逼近模型。禁忌算法里面有一个表。也就是记录兔子在哪个山峰上。当然这个表是有限的，就是通过选最高的，在选最高的来找到最高点。也叫“tabu搜索算法”。从眼下了解的情况来看，好像没有找到长处和缺点。看来须要了解的很多其它。应该有比較新的缘故吧。

 A星算法，对于这个算法我看了看好像也没有了解什么。

但是从我查到的信息来看。好像和人工智能没什么关系。

好像叫弱人工智能。但是它也是启示式搜索算法里面的一种。在查找资料的时候，好像非常少和人工智能有关。所以不做深入了解了。

有这么一个概念就好了。

蚁群算法，蚁群算法具有例如以下一些长处：①通用性较强，能够解决非常多能够转换为连通图结构的路径优化问题；②同一时候具有正负反馈的特点，通过正反馈特点利用局部解构造全局解。通过负反馈特点也就是信息素的挥发来避免算法陷入局部最优。③有间接通讯和自组织的特点，蚂蚁之间并没有直接联系。而是通过路径上的信息素来进行间接的信息传递。自组织性使得群体的力量能够解决这个问题。可是，基本蚁群算法也存在一些缺点：①从蚁群算法的复杂度来看。该算法与其它算法相比，所须要的搜索时间较长；②该算法在搜索进行到一定程度以后。easy出现全部蚂蚁所发现的解全然一致这样的“停滞现象”，使得搜索空间受到限制。从文字里面了解，好像蚁群算法还是挺复杂的。

比較新。性能好像也能够。值得深入了解。

所以我准备花时间去了解蚁群算法。

http://blog.163.com/ykn_2010/blog/static/1420333362012111411258466/。

原来蚁群算法就能够构成一本书。

看来内容比較多呀。

 粒子群算法，PSO 算法属于进化算法的一种。和模拟退火算法相似。它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单。。这样的算法以事实上现easy、精度高、收敛快等长处引起了学术界的重视，而且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。

百度百科里面是这么描写叙述的。粒子群算法也有专门的教程。

10年出版。

从总体描写叙述看来，它好像是更新的，也是前面退火算法的升级版。

依据华中科技大学硕士论文http://www.doc88.com/p-371141950562.html对粒子群算法的介绍，用于函数优化，神经网络训练，模糊系统控制等。看来。也是神经网络中的一部分。可能须要深入了解一下。

贪心算法。（開始）所以须要说明的是，贪心算法能够与随机化算法一起使用，详细的样例就不再多举了。事实上非常多的智能算法（也叫启示式算法），本质上就是贪心算法和随机化算法结合——这种算法结果尽管也是局部最优解。可是比单纯的贪心算法更靠近了最优解。比如遗传算法。模拟退火算法（结束）（百度百科里面的）。这句话说明遗传算法，退火算法是一种贪心算法和随机化算法的结合。

（開始）值得注意的是，贪心算法并非全然不能够使用，贪心策略一旦经过证明成立后，它就是一种高效的算法。贪心算法还是非经常见的算法之中的一个。这是因为它简单易行。构造贪心策略不是非常困难（结束）（百度百科里面的）。

从总体了解来看，贪心算法缺点非常多。好像和人工智能机器学习没有多少关系。

贪心算法中，仅在当前状态下作出最好选择，即局部最优选择。然后在局部最优，怎么感觉和分类决策树几乎相同呢？？可是它不是分类过程。

pass。

文化算法，2002年David提出基于GP的双文化算法框架。此外他们还将文化算法用于图像切割、动态优化问题、数据挖掘等。

http://wenku.baidu.com/view/136a56b369dc5022aaea0096.html这个文章里面有写到，1995年。利用文化算法。求解全局优化问题，并取得良好结果。双文化算法框架。用于图像切割和数据挖掘。http://wenku.baidu.com/view/03f03dd249649b6648d7477d.html我查看了非常多资料，终于也没有了解出，文化算法的优缺点。用在什么地方等信息。可是从总体结构来看，好像比較特别。可能会在关注一下。

KMP算法。是一种模式匹配算法。没有了解到它和机器学习的联系。只是匹配功能好像是须要用到。考虑到KMP算法没有连用资料。所以临时不考虑深入了解。

 

算法还有非常多，先写到这里，后面还须要了解，集成算法，在线学习。离线学习。人工免疫。支持向量机，神经网络。深度学习等等。

敬请期待。