K-均值算法——在上图顶用“x”表示 聚类质心，用点表示练习样本。(a) 原始数据集。(b) 随机初始化聚类质心。(c-f) k-均值迭代2次的示意图。在每次迭代中每个练习样例都指派到一个比来的聚类质心，每个聚类质心被移动到分派给它的点的平均值。

模式辨认算法（分类模型）

在高等帮助驾驶体系（ADAS）中，应用感应器获取的图像包含各类各样的情况数据。对图像进行过滤变得十分须要，以剔除一些不相干的样本获得用于分类的实例数据。在分类前，关键步调是在一个数据集上的模式辨认。这类算法称为数据约简算法。

数据约简算法有助于降低数据集的边沿、对象的直线（拟合出来的线段）和圆弧的边沿。线段与边沿匹配，到直角后，该匹配会产生一段线段。和弧线一样，圆弧与一串直线段匹配。用不合的方法，图像特点（圆弧和线段）组合起来形成特点，用来断定对象。

应用PCA（主成分分析）和HOG（偏向梯度直方图），SVM（支撑向量机）平日在ADAS顶用做辨认算法。也会用K-邻近（KNN)和贝叶斯决定计划规矩。

支撑向量机（SVM)

SVM依附于决定计划平面概念，后者定义下场定计划界线。决定计划平面可以把明显有类关系的对象分隔开. 如下图示。这张图片中，对象分为红色和绿色两类。分别的界线线把红色和绿色的对象分别了。落在线左边的新对象标记为红色类，落在右边标为绿色。

回归算法

1、 回归线的外形

（摄像头或者雷达收集到的）图像在ADAS的驱动和定位上起了重要感化。对于任一算法，最大年夜的挑衅是应用基于图像的模型来做特点选择和猜测。

情况的可反复性，对回归算法为图像和该图像中某物体地位之间的关系，构建统计模型起了杠杆感化。应用采样图像的统计模型，可以快地点线辨认和离线进修。这个模许可以进一步延长到不须要大年夜量仁攀类建模的其他对象。算法返回的对象地位，作为在线阶段的输出和对象出现的概率。

　　推荐阅读

　　LSTM、GRU与神经图灵机：详解深度学习最热门的循环神经网络

轮回神经收集（RNN/recurrent neural network）是一类人工神经收集，其可以经由过程为收集添加额外的权重来在收集图（network graph）中创建轮回，以便保持一个内部状况。为神经收集添加状>>>详细阅读

本文标题：机器学习算法在自动驾驶领域的应用大盘点

地址：http://www.17bianji.com/lsqh/36103.html

 1/2    1