核的演算法

㈠ 在svm演算法中引入核函數，核函數是什麼意思

可以看做是空間映射
把高緯上千維的空間映射到低緯，依然能夠保持良好的分類能力

㈡ 多核CPU調度有哪幾種演算法 比如單核的有優先順序、先來先服務。那多核的有哪幾種呢

一般多核任務調度演算法有全局隊列調度和局部隊列調度。前者是指操作系統維護一個全局的任務等待隊列，當系統中有一個CPU核心空閑時，操作系統就從全局任務等待隊列中選取就緒任務開始在此核心上執行。這種方法的優點是CPU核心利用率較高。後者是指操作系統為每個CPU內核維護一個局部的任務等待隊列，當系統中有一個CPU內核空閑時，便從該核心的任務等待隊列中選取恰當的任務執行，這種方法的優點是任務基本上無需在多個CPU核心間切換，有利於提高CPU核心局部Cache命中率。目前多數多核CPU操作系統採用的是基於全局隊列的任務調度演算法。

㈢ 核函數有哪些

核函數包括線性核函數、多項式核函數、高斯核函數等，其中高斯核函數最常用，可以將數據映射到無窮維，也叫做徑向基函數（Radial Basis Function 簡稱 RBF），是某種沿徑向對稱的標量函數。[1] 通常定義為空間中任一點x到某一中心xc之間歐氏距離的單調函數，可記作 k（||x-xc||）， 其作用往往是局部的，即當x遠離xc時函數取值很小。
分類
核函數的選擇要求滿足Mercer定理（Mercer's theorem），即核函數在樣本空間內的任意格拉姆矩陣（Gram matrix）為半正定矩陣（semi-positive definite）。常用的核函數有：線性核函數，多項式核函數，徑向基核函數，Sigmoid核函數和復合核函數，傅立葉級數核，B樣條核函數和張量積核函數等[2] 。
平穩和各向同性核函數
具有平穩性（stationarity）的核函數僅是特徵空間下樣本間向量的函數，對指數集的平移變換保持不變（translation invariant）。若樣本的協方差與其向量的方向無關，即僅與距離有關，則可使用具有各向同性（isotropy）的核函數。很多核函數同時滿足平穩性和各向同性，這里給出其常見例子[3] ：
1. 徑向基函數核（RBF kernel）

式中，為RBF核的超參數，定義了學習樣本間相似性的特徵長度尺度（characteristic length-scale），即權重空間視角下特徵空間映射前後樣本間距離的比例[3] 。
2. 馬頓核（Matérn kernel）

式中為核函數的超參數，為修正貝塞爾函數（modified Bessel function）。由修正貝塞爾函數的定義可知，馬頓核是指數函數與多項式函數的乘積，其可導性，或平滑程度與有關，的常見選擇為1.5和2.5。當時，馬頓核等價於以為特徵尺度的RBF核[3] 。
3. 指數函數核（exponential kernel）

指數函數核是馬頓核在的特殊形式，通常對應奧恩斯坦-烏倫貝克過程（Ornstein-Uhlenbeck Process, OU）。OU過程是一個連續但不平滑（均方不可導）的隨機過程。其對應的數學模型是維納過程（Wiener process）下質點運動的速度[3] 。
4. 二次有理函數核（rational quadratic kernel, RQ kernel）

式中為超參數。可以證明，RQ核是無窮個RBF核的線性疊加，當趨於無窮時，RQ核等價於以為特徵尺度的RBF核[3] 。
其它
1. 周期核函數（periodickernel）
平穩核函數可以用於構建周期核函數：式中，表示該核函數具有的周期，例如由RBF核得到的周期核的形式為：。
2. 內積核函數（dot proct kernel）
內積核函數也被稱為多項式核函數，其形式為：，式中表示多項式的階數[3] 。
3. 各向異性核函數
對各向同性核函數，定義可將各向同性核函數轉化為各向異性核函數，式中是表徵各向異性的函數，其格拉姆矩陣的對角元素表示對不同維度所取的不同尺度[3] 。
理論
根據模式識別理論，低維空間線性不可分的模式通過非線性映射到高維特徵空間則可能實現線性可分，但是如果直接採用這種技術在高維空間進行分類或回歸，則存在確定非線性映射函數的形式和參數、特徵空間維數等問題，而最大的障礙則是在高維特徵空間運算時存在的「維數災難」。採用核函數技術可以有效地解決這樣問題。
設x,z∈X,X屬於R（n）空間，非線性函數Φ實現輸入空間X到特徵空間F的映射，其中F屬於R（m），n<<m。根據核函數技術有：
K(x,z) =<Φ(x)，Φ(z) > (1)
其中：<, >為內積，K(x,z)為核函數。從式(1)可以看出，核函數將m維高維空間的內積運算轉化為n維低維輸入空間的核函數計算，從而巧妙地解決了在高維特徵空間中計算的「維數災難」等問題，從而為在高維特徵空間解決復雜的分類或回歸問題奠定了理論基礎。
性質
核函數具有以下性質[4] ：
（1）核函數的引入避免了「維數災難」，大大減小了計算量。而輸入空間的維數n對核函數矩陣無影響，因此，核函數方法可以有效處理高維輸入。
（2）無需知道非線性變換函數Φ的形式和參數.
（3）核函數的形式和參數的變化會隱式地改變從輸入空間到特徵空間的映射，進而對特徵空間的性質產生影響，最終改變各種核函數方法的性能。
（4）核函數方法可以和不同的演算法相結合，形成多種不同的基於核函數技術的方法，且這兩部分的設計可以單獨進行，並可以為不同的應用選擇不同的核函數和演算法[5] 。

㈣ 什麼叫C++的核心演算法啊，報告中要求寫核心演算法

就是主要演算法。

㈤ 什麼是 核方法 kernal 通俗

核方法kernel methods (KMs)是一類模式識別的演算法。其目的是找出並學習一組數據中的相互的關系。用途較廣的核方法有支持向量機、高斯過程等。
核方法是解決非線性模式分析問題的一種有效途徑，其核心思想是：首先，通過某種非線性映射將原始數據嵌入到合適的高維特徵空間；然後，利用通用的線性學習器在這個新的空間中分析和處理模式。
相對於使用通用非線性學習器直接在原始數據上進行分析的範式，核方法有明顯的優勢：
首先，通用非線性學習器不便反應具體應用問題的特性，而核方法的非線性映射由於面向具體應用問題設計而便於集成問題相關的先驗知識。
再者，線性學習器相對於非線性學習器有更好的過擬合控制從而可以更好地保證泛化性能。
還有，很重要的一點是核方法還是實現高效計算的途徑，它能利用核函數將非線性映射隱含在線性學習器中進行同步計算，使得計算復雜度與高維特徵空間的維數無關。
核方法kernel methods (KMs)是一類模式識別的演算法。其目的是找出並學習一組數據中的相互的關系。用途較廣的核方法有支持向量機、高斯過程等。

--------------
本文對核方法（kernel method）進行簡要的介紹。
核方法的主要思想是基於這樣一個假設：「在低維空間中不能線性分割的點集，通過轉化為高維空間中的點集時，很有可能變為線性可分的」 ，例如下圖

左圖的兩類數據要想在一維空間上線性分開是不可能的，然而通過F(x)=(x-a)(x-b)把一維空間上的點轉化為右圖上的二維空間上，就是可以線性分割的了。
然而，如果直接把低維度的數據轉化到高維度的空間中，然後再去尋找線性分割平面，會遇到兩個大問題，一是由於是在高維度空間中計算，導致curse of dimension問題；二是非常的麻煩，每一個點都必須先轉換到高維度空間，然後求取分割平面的參數等等；怎麼解決這些問題？答案是通過核戲法（kernel trick）。
（pku, shinningmonster, sewm)
Kernel Trick: 定義一個核函數K(x1,x2) = <\phi(x1), \phi(x2)>, 其中x1和x2是低維度空間中點（在這里可以是標量，也可以是向量），\phi(xi)是低維度空間的點xi轉化為高維度空間中的點的表示，< , > 表示向量的內積。
這里核函數K(x1,x2)的表達方式一般都不會顯式地寫為內積的形式，即我們不關心高維度空間的形式。核函數巧妙地解決了上述的問題，在高維度中向量的內積通過低維度的點的核函數就可以計算了。這種技巧被稱為Kernel trick。這里還有一個問題：「為什麼我們要關心向量的內積？」，一般地，我們可以把分類（或者回歸）的問題分為兩類：參數學習的形式和基於實例的學習形式。
參數學習的形式就是通過一堆訓練數據，把相應模型的參數給學習出來，然後訓練數據就沒有用了，對於新的數據，用學習出來的參數即可以得到相應的結論；
而基於實例的學習（又叫基於內存的學習）則是在預測的時候也會使用訓練數據，如KNN演算法。而基於實例的學習一般就需要判定兩個點之間的相似程度，一般就通過向量的內積來表達。從這里可以看出，核方法不是萬能的，它一般只針對基於實例的學習。
緊接著，我們還需要解決一個問題，即核函數的存在性判斷和如何構造？ 既然我們不關心高維度空間的表達形式，那麼怎麼才能判斷一個函數是否是核函數呢？
Mercer 定理：任何半正定的函數都可以作為核函數。所謂半正定的函數f(xi,xj)，是指擁有訓練數據集合（x1,x2,...xn)，我們定義一個矩陣的元素aij = f(xi,xj)，這個矩陣式n*n的，如果這個矩陣是半正定的，那麼f(xi,xj)就稱為半正定的函數。這個mercer定理不是核函數必要條件，只是一個充分條件，即還有不滿足mercer定理的函數也可以是核函數。常見的核函數有高斯核，多項式核等等，在這些常見核的基礎上，通過核函數的性質（如對稱性等）可以進一步構造出新的核函數。SVM是目前核方法應用的經典模型。
上述是目前我所理解到的核方法的主要精神。

㈥ 下面哪些是基於核的機器學習演算法

實施計劃包括誘導決策樹，規則學習，模型樹發電機，支持向量機，局部加權回歸，基於實例的學習，裝袋，促進和堆疊。還包括聚類方法，學習者的關聯規則。

㈦ 核矩陣是什麼

每兩個樣本之間進行一次核函數影射得到的點的合集。

核矩陣定義了世界的分類。在這個核矩陣里，矩陣里每個點的值是兩個X世界點的線性內積。

矩陣是高等代數學中的常見工具，也常見於統計分析等應用數學學科中。

在物理學中，矩陣於電路學、力學、光學和量子物理中都有應用；計算機科學中，三維動畫製作也需要用到矩陣。 矩陣的運算是數值分析領域的重要問題。將矩陣分解為簡單矩陣的組合可以在理論和實際應用上簡化矩陣的運算。

對一些應用廣泛而形式特殊的矩陣，例如稀疏矩陣和准對角矩陣，有特定的快速運算演算法。關於矩陣相關理論的發展和應用，請參考《矩陣理論》。在天體物理、量子力學等領域，也會出現無窮維的矩陣，是矩陣的一種推廣。

這m×n 個數稱為矩陣A的元素，簡稱為元，數aij位於矩陣A的第i行第j列，稱為矩陣A的(i,j)元，以數 aij為(i,j)元的矩陣可記為(aij)或(aij)m × n，m×n矩陣A也記作Amn。

元素是實數的矩陣稱為實矩陣，元素是復數的矩陣稱為復矩陣。而行數與列數都等於n的矩陣稱為n階矩陣或n階方陣

㈧ 核密度分析是什麼

核密度估計（kernel density estimation）是在概率論中用來估計未知的密度函數，屬於非參數檢驗方法之一，由Rosenblatt (1955)和Emanuel Parzen(1962)提出，又名Parzen窗（Parzen window）。

Ruppert和Cline基於數據集密度函數聚類演算法提出修訂的核密度估計方法。

一些比較常用的核函數：

均勻核函數 k(x)=1/2,-1≤x≤1 加入帶寬h後： kh(x)=1/(2h),-h≤x≤h。

三角核函數k(x)=1-|x|,-1≤x≤1 加入帶寬h後： kh(x)=(h-|x|)/h2,-h≤x≤h。

伽馬核函數 kxi(x)=(xα-1e-xα/xi)/[(xi/α)α.Γ(α)]。

高斯核函數K(x,xc)=exp[-||x-xc||2/(2*σ)2]，其中xc為核函數中心，σ為函數的寬度參數。

㈨ 底層演算法和核心演算法有什麼區別

這兩個詞的比較完全是文字游戲。
什麼是底層？這是相對的啊。從應用層、操作系統、驅動的角度來講，我們可以說驅動層相對底層。從業務邏輯實現、基本方法實現、基礎架構庫的角度來講，我們可以認為基礎架構庫中的演算法更底層。所以這個詞完全是個相對概念。沒有最底層，只有更底層。
什麼是核心？一般來講指的是一個系統最為重要的一個演算法吧。

㈩ 核心演算法是什麼它對機器人有多重要

機器人的演算法大方向可以分為感知演算法與控制演算法，感知演算法一般是環境感知、路徑規劃，而控制演算法一般分為決策演算法、運動控制演算法。環境感知演算法獲取環境各種數據，通常指以機器人的視覺所見的圖像識別等 。

雖然對於工業機器人來說，要想實現高速下穩定精確的運動軌跡，精密的配件必不可少，如電機，伺服系統，還有非常重要的減速機等等。但是這些都只是硬體的需求，僅僅只有好的硬體，沒有相應的核心演算法，也就是缺少了控制硬體的大腦，那麼工業機器人使用再好的硬體，也只能完成一些精確度要求不高的簡單工作，而且還容易出問題。而這就是中國機器人製造商面臨的最大問題。

作為工業級產品，衡量機器人優劣主要有兩個標准：穩定性和精確性。核心控制器是影響穩定性的關鍵部件，有著工業機器人“大腦”之稱。而軟體相當於語言，把“大腦”的想法傳遞出去。 要講好這門“語言”，就需要底層核心演算法。

好的演算法，幾千行就能讓機器人穩定運行不出故障；差的演算法，幾萬行也達不到人家的水準。不掌握核心演算法，生產精度需求不高的產品還勉強可以，但倘若應用到航天航空、軍工等高端領域，就只能依賴進口工業機器人了。

對於機器人來說，每一個動作都需要核心控制器、伺服驅動器和伺服電機協同動作，而現在的機器人通常擁用多個伺服器，因此多台伺服系統更需要核心演算法提前進行計算。只有通過底層演算法，國外核心控制器才可以通過伺服系統的電流環直接操作電機，實現高動態多軸非線性條件下的精密控制，同時還能滿足極短響應延時的需求。這也是為何如今在中國的機器人市場上，6軸以上的高端機器人幾乎被國外的機器人公司壟斷。