关于将机器学习算法用于智能车上实现的可行性

guolei123 · 发表于 2013-3-17 09:15:15

想将目前在机器学习的领域当中应用比较普遍的贝叶斯算法用于智能车中，朴素贝叶斯算法的定义是：设每个数据样本用一个n维特征向量来描述n个属性的值，即：X={x1，x2，…，xn}，假定有m个类，分别用C1, C2,…，Cm表示。给定一个未知的数据样本X（即没有类标号），若朴素贝叶斯分类法将未知的样本X分配给类Ci，则一定是P(Ci|X)>P(Cj|X) 1≤j≤m，j≠i，根据贝叶斯定理：由于P(X)对于所有类为常数，最大化后验概率P(Ci|X)可转化为最大化先验概率P(X|Ci)P(Ci)。如果训练数据集有许多属性和元组，计算P(X|Ci)的开销可能非常大，为此，通常假设各属性的取值互相独立，这样先验概率P(x1|Ci)，P(x2|Ci)，…，P(xn|Ci)可以从训练数据集求得。根据此方法，对一个未知类别的样本X，可以先分别计算出X属于每一个类别Ci的概率P(X|Ci)P(Ci)，然后选择其中概率最大的类别作为其类别。
朴素贝叶斯算法成立的前提是各属性之间互相独立。当数据集满足这种独立性假设时,分类的准确度较高，否则可能较低。另外，该算法没有分类规则输出。因此可以根据此定义，写出赛道学习识别的的算法的思路：（见下一层）

guolei123 · 发表于 2013-3-17 09:15:30

本帖最后由 guolei123 于 2013-3-17 09:38 编辑

1. 收集大量的赛道数据，建立直道集和弯道集
2. 提取上位机已经存储的赛道数据，统计出弯道出现的频数和直道出现的频数（至于频数的统计可以提取上位机中直道和弯道的图片数目）。
3. 将每一个集合对应一个哈希表，hash_zhi对应了直道的集合而hash_wan对应了弯道的集合。
4. 计算每个哈希表中直道和弯道出现的概率P=（直道/弯道的频数）/（对应哈希表的长度）。
5. 综合考虑hash_wan和hash_zhi，推断出当扫描到某条跑到时，是直道/弯道的概率，数学表达式为：
A 事件 ---- 赛道为直道/弯道；
t1,t2 …….tn 代表赛道的特征
则 P （ A|ti ）在扫描出赛道的时候，是直道/弯道的概率
P1 （ ti ） = （ hasha_zhi 中的频率）
P2 （ ti ） = （ hash_wan中的频率）
则 P （ A|ti ） =P2 （ ti ） /[ （ P1 （ ti ） +P2 （ ti ） ] ；
6. 建立新的哈希表hash_probability存储直道/弯道到 P （ A|ti ）的映射
7. 至此，垃圾邮件集和非垃圾邮件集的学习过程结束。