尖峰检测算法

❶ FLYback变压器中反射电压是怎么计算出来的还有占空比的具体算法是怎么样的

首先VOR（反射电压） 和输入整流后的DC最小（Vmin）电压就决定了你的占空比，在恒定功率参数不变的情况下面，电压越高，输入电流会越小，而占空比也会相对变小，当然这个我说过了是在输出负载不变的情况下面
反射电压取多高要看你前面MOS的耐压有多高，假定 你前面的MOS管用的是700V 那么在高压的时候你因该要知道 VOR+Vdcmax +漏感引起的电压尖峰 （假设反射电压130V）那么就有380+130+50=560V 这个时候你的MOS电应力在550V了 应该要考虑其他一些因素，并且需要给MOS留一定的余量，为什么要留一定的余量 在因在264V 满载启动的瞬间是有一个电压尖峰存在，而电压尖峰太高容易将MOS瞬间击穿，导致MOS损坏
我给你一个公式 你看了就应该知道：

首先做一个反击电源我们需要知道一些参数和假设一些参数
例如做一个15W的电源：MOS耐压在650V 频率：（这个要看你是固定频率还是变频）65K D：0.35 输入电压在欧规：180-264 KRP系数决定电源工作在何种模式（0.1-1）输出12V

首先求T=1/F =15.3US 求Ton=（TXD）15.3*0.35=5.35US Vor=100V (自己根据前面MOS管设定)
求平均输入电流：Iave=P/Vin*效率 15/(160*0.84)=0.1116A
求峰值输入电流：Ipk= Iave/(1-0.5*KRP)*D 0.1116/（1-0.5*0.8）0.36 =0.537A
求有效电流我这里就不写了 因为那个根号不好描述
求初级匝数 NP=Vin*Ton/Bmax*AE (这里的B值指的磁饱和 一直在0.1-0.3之间取值)AE代表你的磁芯AE面积 NP=160*5.35/（0.27*31）=102匝 NS= NP*（Vo+Vf）/Vor=13匝
求LP=Vin*Ton/Ipk*Krp 160*5.35/0.537*1=1.594MH
你可以通过测试去验证 Bmax的值 这个值在低压满载最好不要超过0.3 因为会比较容易饱和
如果你还有不懂的可以加网络M我 给我留言 我可以详细给你解释

❷ Nature Communications：通过经颅电刺激研究神经震荡的因果作用的综合方法

摘要： 利用不同的经颅电刺激（tES）技术来阐明神经振荡的作用，但并不清楚是否真的发生神经夹带以及携嫌掘是否与最终的行为有因果关系。本文从一个跨系统、物种、理论和实验框架的新兴综合研究项目的视角出发，阐明tES诱导神经夹带的潜力。本文认为这样的综合研究是将tES作为一个工具，以测试神经振荡的因果作用并强调在辩核采用转换方法时应考虑的关键问题。

1.引言

       很久以前，研究者们就研究了人类和其他动物大脑中的节律模式。但是，并不清楚这些节律是否对神经计算和由此产生的行为是重要的，或者它们的存在是不是并没有功能作用。虽然一些研究者表明神经振荡在大脑有效交流方面发挥基础作用，但有人认为这种节律模式中包含的信息没有意义。考虑到细胞的几何形状会影响采集到的信号，振荡可能包含大量信息，但这些信息很难与特定脑源和观察到的行为联系起来。

       为了解决这一争论，实验者需要采用调控目标脑区或网络的动态振荡的技术，以证实特定神经振荡参与假设的认知过程。经颅电刺激（tES）的一系列方法用于该研究，有可能在相对安全和无痛的情况下，研究人类的神经振荡和行为间的因果关系。

       最初对目标大脑结构使用低强度交流电（tACS）来调节神经振荡。理论上说，tACS可以在目标脑区结构的振荡模式和由此产生的行为间建立因果联系。有研究测试特定频带对认知、睡眠和运动功能的因果作用。tACS可以作为研究功能网络中不同节点间的振荡相干性对行为的影响。

       这些方法存在一个问题是它们不聚焦于皮层下结构中的区域，限制了它们的潜在应用。最近研究的基于多电极tES方法（如TI刺激）有可能诱导皮层下结构中神经活动的振荡夹带，而不刺激皮层表面的神经元。这种方法虽然克服了只聚焦于表面结构的限制，但未来研究还需要了解其作用机制，并评估这种方法研究人类认知和行为间的相关性。

       对一系列关于现有和新兴的tES方法是否真的会对目标大脑结构产生神经夹带展开讨论。首先，有实验表明，可能通过间接刺激传入神经（包括视网膜刺激）产生夹带作用，而不一定是tES对目标脑区的直接作用。第二，常规用于人体研究的电流强度可能不足以诱导神经夹带。第三，神经夹带可能是其他由神经调控机制引起的，如神经元的兴奋性变化或突发性增加。除此之外，有研究表明，这种方法的影响不完全可靠，因为各种研究间的诱导效应缺乏一致性。

       随着该领域的成熟，研究人员应该采用多层次的研究方案，包括：（ⅰ）对tES背后的神经生理学原理的深刻理解；（ⅱ）将tES作用原理与神经振荡的理论联系起来；（ⅲ）在神经机制原理和观察到的行为间建立联系。最近的研究包括多方法和多学科方法，将计算建模研究与体外、体内和离体实验及临床人群研究相结合。本文认为在这些不同抽象层面上获得的信息间建立联系能促进tES技术发展。

        本文提倡新兴的方法来阐明现有的和新的tES方法是否可以用来真正诱导神经夹带，如果是的话，是否可以用于测试人类神经振荡的因果作用。为了讨论该方法的优势，将本文分为三部分。首先，本文讨论了如果研究跨物种间的神经调控的转换，需要考虑的关键方面。随后，本文提出，在任何给定系统中，应该通过评估刺激在信息处理的不同层面上的影响来研究tES引起的影响，关键是设计在这些层面上建立机制联系的范式。最后，本文阐明了最先进的计算模型和个性化刺激参数如何作为产生刺激效果的准确预测的方法，从而提高神经振荡和行为间因果关系的可靠性。

2.跨物种的tES的应用比较

       鉴于大脑节律存在于不同系统和物种间，以及它们被标记的功能作用，可能可以将从一个物种上获得的关于tES诱导的作用机制的知识直接转换到另一个物种上。然而，这种物种间的知识转移还需要仔细考虑，特别是那些与功能网络的解剖和组织差异相关的因素。因此，本部分将给出在物种间转移靶向神经调节干预知识时存在的一些挑战。

       在动物研究设计中转移目标必须考虑它们的结构有效性和表面有效性。在tES研究中，将这些概念归纳为两个要点。第一，动物实验中的电场/电流的施加和分布必须同样适用于人类研究，且组织微观结构有相似的交互作用。第二，这些电场的设计需要满足能影响与人类相当的网络级目标，这样，响应/结果可以直接用于得到适用于正常人和患者者伍的相关推论。

3.诱导电场的强度比较

       第一个因素应考虑动物模型与人类相比在大脑解剖学和几何学上的明显差异，以及这对大脑中电场分布的影响。大多数tES产生复杂的电流模式，导致电场和电流密度在整个大脑区域显着变化。在最初的研究中，通常根据对人类建模的估计来确定动物实验中使用的电流密度，并假设大脑中产生的电场分布在大脑的某个区域甚至整个大脑/组织中是“均匀的”。然而，假设脑容量和所需电流间存在线性关系，从人类研究中调整参数是不正确的。这些考虑对于那些缺乏皮层周长、大脑体积很小的来说很有必要，如啮齿类动物（图1a）。最近的一项研究中，研究人员比较了小鼠、非人灵长类动物和人类头模型的电场（图1b），发现在每个转换组合。必须适当调整不同的刺激参数，以便在物种间的感兴趣区域内适用电场。因此，这种物种间的差异改变了生理和行为结果的有效性和可变性，限制了直接适用于人类。

       另一重要因素是大脑中产生的电场和神经元区室的三维组织间的相互作用。电流影响所有神经元亚型的（去）超级化，但是，tES诱导的影响取决于所施加的场和躯体-树突轴间的取向。

       人和动物的脑模型在神经元的密度和几何形状、神经元内离子通道的类型和分布、树突和轴突相对于电场的位置、轴突髓鞘形成的程度或神经胶质密度方面存在显着差异。所有这些因素都会影响由tES产生的电场峰值和分布。由于皮肤、皮下软组织、颅骨和脑脊液（CSF）对电流传播的不同影响，以及行为状态（体内、麻醉或离体），tES的有效性会进一步复杂化。最新的一项研究发现，tACS可以真正诱导清醒猴子的神经夹带，电场<0.5V/m和~0.5mA的电流强度，可以安全地应用于人类（图1c）。重要的是，这些研究中的结果表明这些结果不是由外周神经刺激引起的。总之，这些发现表明，完全清醒的生物大脑更容易受到基于外源诱导电场（在sub-V/m和sub-mA范围内）的神经夹带。但是在清醒病人中不存在诱导现象。因此，未来研究应针对在清醒状态下，tES的敏感性是否比麻醉状态下更高。

图1 电刺激对小鼠、猴子和人类头模型引发的效果比较。a. 展示了小鼠的裂脑和猴子及人类的纹股蓝大脑。中间一排—头骨表面；第三排—有限元模型的水平切割。b. 上排一行展示了三种不同的电极设置在大脑中的电场分布（mV/mm）（分别以红色、蓝色和黄色显示）。下排为相同的电极和刺激强度1mA（每个模型的最大值）的电场空间分布。在可比的实验设置下，随着头大小的增加，分布中心和最大电场在小鼠和人类中都急剧下降。c. 光栅图显示了清醒猴大脑皮层一个代表性神经元在0.5、1和1.5mA峰-基线tACS刺激前、中和后的尖峰记录。刺激期间（橙色）尖峰聚集在刺激峰周围，而刺激前和刺激后（黑色）尖峰均匀分布。尖峰率随着刺激强度的增加而增加，意味着诱导程度取决于无创性电流量。

        与小鼠和猕猴相比，人类个体神经元的形态和电特性变化可能导致tES实验中的物种间存在差异。人的树突较长，分支复杂程度较高，导致外部电输入衰减较快。另外，对人类皮质突触的体外研究表明，与啮齿动物相比，突触抑制恢复快4倍，动作电位阈值更低，放电速率更快，从而导致更高的信息带宽。人类神经元形态的变化和认知测试（即IQ测试）中的表现差异相关。

4.网络效应的比较

       哺乳动物的大脑可以分成不同的区域或模块，这些区域或模块具有特定功能。在tES研究中，通常将这些区域中的一个定义为“目标”结构。然而，复杂的行为很少受单一脑区的控制。相反，它是由特定回路和网络间相连的区域间的交互作用产生的。用tES研究网络效应时一个关键概念是，整个神经元群体的外源诱导极化波动能够为信号放大提供基础。由于神经网络的内在同步性，给定神经元单元既可以直接从这个电场极化，也可以间接从传入神经元极化。刺激的净效应来自这两个过程的卷积。

       动物模型除了用于测试tES的临床可行性和探索网络诱导的机制外，还可以用于评估给定刺激方案的刺激效果。但是，动物和人类tES的研究不仅需要刺激参数的正确校准，还假设存在控制物种间相同行为过程的同源功能网络。有研究使用这种方法确定了啮齿动物和猴子在哪些神经网络中具有与人相同的组织，包括视觉、突显、默认模式和边缘网络。这个信息可以帮助设计tES研究，且在大规模网路调节和诱导的背景下对动物的电生理和功能磁共振（fMRI）采集进行临床解释。

       如前面讨论的例子，考虑以下情况：假设TI能够刺激深层皮质结构，如基底神经节（BG）（图2a）。假设将该刺激用于人身上之前，在动物模型（小鼠）中测试夹带在BG某段上的神经生理学的合理性。另外，假设该实验中的干预措施确实诱发了假设的行为变化。一旦实验者确认该方案在小鼠中可行，就将tES参数应用于人类——多半应用于同源大脑区域。那么在这种情况下，将对小鼠生理和行为结果的研究转换到对人的研究是否合理？。有研究证明虽然BG的某些部分存在于小鼠、猕猴和人类间（如伏隔核（NAcc），图2b和c），但大多数纹状体区域是特定的，不存在于猕猴和人脑，尤其是尾状体，其连接模式在物种间存在差异。这表明在假设情况下，tES干预实际上是针对物种间的不同功能网络，从而导致了行为结果存在明显差异。

图2 小鼠、猴子和人类纹状体功能连接的比较。由于大脑的解剖和功能差异，导致将tES刺激得到的结果从动物运用到人类存在困难，可通过比较神经解剖学方法来解决这个问题。首先，在小鼠纹状体中确定三种连接模式：内侧尾壳、外侧尾壳和伏隔核（NAcc），并将它们的活动与已知在物种间同源的12个目标区域相关。随后，将人类和猕猴脑中所有纹状体体素的连接模式与小鼠的三种连接模式进行比较。a. TI刺激人脑右侧纹状体的示意图。b. 人类和猕猴体素的连接模式与小鼠皮质-纹状体连接模式相似。大多数纹状体体素未分配，因为它们在物种间没有显着相似性（与人类相似性为85%，与猕猴相似性为69%）。而且与老鼠连接模式相比，有的未分配体素存在显着性差异（人类中26%的未分配体素，猕猴为20%）。图b的最右侧显示了与三种小鼠连接模式相比，与未分配体素具有更高连接性的区域。c. NAcc中的未分配体素数量最少，表明该区域的网络在物种间存在，可以作为tES转换研究的目标。标线的区域表示人类（左）和猕猴（中）纹状体的体素，它们具有与小鼠NAcc统计相似的连接模式。右图显示分配给猕猴NAcc的人类区域。

5.从不同抽象层面评估tES效应

       在tES研究中，研究者们关注实验规模（微观、中观或宏观）和研究系统类型（体外、体内、离体）的影响及其相应的神经生理机制。然而，本文认为研究系统的规模和类型不是唯一考虑的关键因素。研究人员还应考虑哪些由神经振荡调控的假设计算是由tES及其对行为的影响调节的。重要的是，由于所有物种都有神经振荡模式，就可以认为对一个物种的功能网络的重建原则的研究可以转换到另一个物种上。

      本文根据信息系统功能水平的表征得到，这有助于研究神经认知的其他方面：（1）计算层面：计算什么类型的函数，研究中系统的最终目标是什么？（2）算法层面：函数如何计算，哪种算法用于该计算？（3）实现层面：如何实现能得到观察行为的算法？

       因此，本文提出tES研究可以分为不同抽象层次的作用和相互作用，抽象层次又可以根据所研究系统或有机体的类型分为不同的子系统（图3）。本文使用自下而上的方法，即从实现到计算。

6.实现层面：神经测量

       将此层面定义为实验者可以在不同时空尺度上测量的系统单位：微观（即尖峰活动的单/多单位记录）、中观（即局部场电位，LFPs）、宏观（即EEG、fMRI）。通过应用给定的tES方案，研究人员可以评估刺激对神经的潜在影响。

       可通过测量单个尖峰活动（如单个单元活动）、记录单个单位活动的集合或通过评估神经群体活动（LFPs）来评估tES引起的神经活动中的节律变化。tES的潜在作用机制之一是神经元膜电位的节律变化，促进/抑制目标脑结构中的特定神经振荡。重要的是，由tES引起的神经夹带的生物物理机制不仅取决于外部施加电场的参数（如频率、幅度、电流方向等），还取决于回路规模（如切片、全脑）和生物体状态（体内、体外或离体）。强调选择特定生物体、状态和回路规模的重要性，可以帮助研究人员研究tES引起神经振荡的生理影响（图3）。只要明白了tES的生理效应，研究人员就可以利用这些知识来探索这些调控在网络水平上的影响。

7.算法层面：假设机制

       在这个层面上，实验者提出了一个引起观察行为的振荡网络操作的形式化模型。所以，研究人员可以通过促进神经网络中的有效通信机制的神经振荡来假设运用了什么算法。评估神经振荡间相互作用的方法包括“基于连接性”的依赖统计测量，如锁相、相干、相关等。另一种方法是基于信息理论概念，如互信息（MI）和转移熵（TE）。MI或TE方法可用于测量与计算相关的信息转移。具体来说，TE与有效信息存储和本地信息修改可以帮助研究人员评估计算过程，然而因果交互的度量（如因果信息流）揭示了系统所有可能的因果交互的集合。因此，这两个指标的比较可能帮助研究人员区分计算和解剖驱动的信息流。

8.计算层面：功能改变

       在这个层面上，研究人员量化给定任务中观察到的行为的哪些方面（如命中率、决策准确度、反应时间等）或认知功能（通过计算认知模型评估）与算法层次中的假设机制有关。tES能干扰假设机制，从而能在生理机制和行为间建立因果关系。研究人员采用“两阶段”相关方法，其中拟合的认知模型的参数与感兴趣的神经度量相关。然而，这些方法不会基于神经数据的随机变化对模型参数添加约束。本文认为就是缺乏约束项，才使得很难在计算和算法层面建立联系（图3）。

       认知和行为统计模型的最新发展为研究大脑-行为提供了一种良好的综合方法，即“联合建模”方法。简言之，该方法可以分为两部分：1）用于捕捉行为观察的行为模型。如，在感知检测任务中，可以选择使用信号检测理论（SDT）模型来量化命中率和误报率。研究人员通常在每个模型中找到更接近预测观察到的行为数据的潜在变量集。2）依赖生理数据来估计与当前行为相关的感兴趣的神经度量的神经模型。如，可以根据EEG记录获得给定功能耦合度量的逐次试验波动。

       需要强调的是，一方面，经典法依赖于两步相关分析（即，大脑数据和行为数据被视为“独立”来源）。另一方面，联合建模方法将神经数据视为行为数据的协变量。从而基于神经数据中的随机变化对行为模型参数添加约束项。总之，本文认为在不同分析层面采用更精确的定量模型（图3中的“Models”）可以进一步了解tES作为研究神经振荡对认知和行为的因果关系的工具的可行性。

图3 通过不同抽象层次来研究tES。该图将实际工作流程和tES实验的效果概念化。计算水平反映了计算功能或有机体的行为。算法层面被分配给所研究系统的特定机制。实现层面是指算法实现后在研究系统的不同尺度上发生的物理或生理变化。在每个实验阶段评估tES诱导效应可以在导致的行为和假设的算法间建立因果关系。另外，还可以根据给定的tES同时测量神经活动，以改进或修改假设以及在不同实验规模下的刺激效果。计算模型可用于解释tES实验的实验结果，以及改进假设的算法（“神经认知模型”）和优化实验方案（“神经生理学模型”和“心理/行为模型”）。

 9.个性化tES干预

       tES实验的最终目标是在每个志愿者和患者中产生稳定且可预见的神经生理学和行为学影响。然而，目前在个体水平上并不能得到可靠的电刺激效果。并且，对感觉过程和tES诱导的调节的神经生理学反应可能存在个体差异。因此构建真实头模型时，人们应考虑个体形态测量学和神经生理学。本文认为，这些方法将在优化刺激参数及潜在的神经生理学和由此产生的行为影响方面起重要作用。

10.预测模型的重要性

       通过受试者的结构磁共振成像（MRI）扫描构建个体头模型，该扫描被分为六个组织类型：头皮、颅骨、脑脊液、灰质、白质和气体。然后，分配与这些组织相关的电导率值，将电流峰值强度的刺激电极放置在头部，最后，用有限元方法计算大脑中的电场分布。该过程可以估计电场强度、评估传递到大脑的刺激量、以及检查电场的空间分布以估计刺激的聚集点。

       最近有研究，将单个头模型导出的电场强度和分布的预测与人体颅内记录进行了比较和验证。头模型能很好地预测电场分布，意味着个体刺激可以为比较大脑刺激对感兴趣区域和其他脑区的影响提供有用的信息。另外，研究人员可以根据电场的空间分布，比较不同的电极放置，从而以最有效的方式选择感兴趣的目标区域。虽然刺激的效果取决于结构和功能连接，但在个体模型中引入后者可能会提高对电场预测。

       研究人员尝试预测tACS对由脑磁图（MEG）记录的alpha振荡功率的影响。研究人员建立了单独的电场模型来估计其强度和刺激的空间精度，对应于电场的空间分布和alpha拓扑间的相关性。结合这些变量能使个体模型预测刺激的神经生理学效应。有研究利用个体水平的电场模拟预测大脑网络和运动诱发电位的静息态fMRI（rs-fMRI）调控，从而进一步证实个体化头模型的作用。

11.用于个体性干预的其他方法

       tES研究的最终目标之一是为神经病理治疗找到有效和可靠的干预措施。但是，在这种情况下，大脑解剖结构通常与健康个体的不同。可通过与个体化头模型结合，来解决该问题，这些模型考虑了受试者间解剖结构的变异性，从而指导研究人员采用更有效的刺激参数。

       最新的模型不能评估受试者随时间变化的振荡的动态特性。研究人员研究闭环系统，该系统可根据个体神经振荡的频率和相位调整刺激参数。然而，由于刺激会导致严重伪影，当tES频率和所研究的神经振荡相匹配时，这种方法不适用。所以研究人员探索其他几种方法。一种方法是在刺激session前进行MEG和EEG记录，然后将tACS干预频率调整为个体化频率。第二种方式是将刺激的频率和相位与大脑振荡相匹配，并在关闭刺激的间隔期间采集数据。第三种是基于感觉和电刺激。然而，这种方法可能局限于低级感知域，需考虑传播中存在延迟。另一方法是产生非常规的tACS电流波形，如锯齿波，可以从EEG信号中去除伪影。

       头部组织的电导率也会导致可变性，在受试者个体内和受试者间发生变化，这对准确估计传递到大脑的刺激电流很重要。可通过电阻抗断层扫描（EIT）、MRI和弥散张量成像（DTI）等非侵入性成像方法，可以获得更准确的个体水平上的电导率值。新技术MRI电流密度也可以用于在个性化的基础上估计电导率和电流。总之，本文认为进一步探索受试者间和受试者内解剖学和生理学的刺激方案，将提高tES干预治疗目的的功效。

12.结论

       大量研究表明，在人类和其他动物中，神经振荡是有效地在大脑中传递信息以指导行为和认知过程的重要机制。重要的是，观察到的各种神经和神经精神疾病与异常的神经振荡动力学有关。tES方法用于阐明行为如何在完整的人类大脑中与大脑节律产生因果关系。但是，目前并不清楚tES方法是否可以用于测试人类神经振荡的因果作用。虽然从不同层面出发，研究关于tES方法诱导神经夹带的机制和功效的基本知识，但本文强调，在得出关于在给定物种中观察到的影响是否存在的结论前，应谨慎行事。本文认为，将实际实验数据与理论建模估计相结合，不仅可以改善物种间的结果转换，还可以减少对tES响应的可变性，尤其是与可以在个体基础上调整刺激参数的方法相结合时。本文认为，通过协调方法学提供的信息，以优化神经振荡和行为间关系的研究结果的结论，对于评估tES从动物模型到人类的转换将变得越来越重要。然而，为了更准确地预测这些干预对人类的临床效果，必须在网络的作用机制与跨物种和行为状态的行为水平上存在良好的一致性。这些都对tES方法转换的成功应用以改善心理健康很重要。

❸ 人工智能算法简介

人工智能的三大基石—算法、数据和计算能力，算法作为其中之一，是非常重要的，那么人工智能都会涉及哪些算法呢？不同算法适用于哪些场景呢？

一、按照模型训练方式不同可以分为监督学习（Supervised Learning），无监督学习（Unsupervised Learning）、半监督学习（Semi-supervised Learning）和强化学习（Reinforcement Learning）四大类。

常见的监督学习算法包含以下几类：
（1）人工神经网络（Artificial Neural Network）类：反向传播（Backpropagation）、波尔兹曼机（Boltzmann Machine）、卷积神经网络（Convolutional Neural Network）、Hopfield网络（hopfield Network）、多层感知器（Multilyer Perceptron）、径向基函数网络（Radial Basis Function Network，RBFN）、受限波尔兹曼机（Restricted Boltzmann Machine）、回归神经网络（Recurrent Neural Network，RNN）、自组织映射（Self-organizing Map，SOM）、尖峰神经网络（Spiking Neural Network）等。
（2）贝叶斯类（Bayesin）：朴素贝叶斯（Naive Bayes）、高斯贝叶斯（Gaussian Naive Bayes）、多项朴素贝叶斯（Multinomial Naive Bayes）、平均-依赖性评估（Averaged One-Dependence Estimators，AODE）
贝叶斯信念网络（Bayesian Belief Network，BBN）、贝叶斯网络（Bayesian Network，BN）等。
（3）决策树（Decision Tree）类：分类和回归树（Classification and Regression Tree，CART）、迭代Dichotomiser3（Iterative Dichotomiser 3， ID3）,C4.5算法（C4.5 Algorithm）、C5.0算法（C5.0 Algorithm）、卡方自动交互检测（Chi-squared Automatic Interaction Detection，CHAID）、决策残端（Decision Stump）、ID3算法（ID3 Algorithm）、随机森林（Random Forest）、SLIQ（Supervised Learning in Quest）等。
（4）线性分类器（Linear Classifier）类：Fisher的线性判别（Fisher’s Linear Discriminant）
线性回归（Linear Regression）、逻辑回归（Logistic Regression）、多项逻辑回归（Multionmial Logistic Regression）、朴素贝叶斯分类器（Naive Bayes Classifier）、感知（Perception）、支持向量机（Support Vector Machine）等。

常见的无监督学习类算法包括：
（1） 人工神经网络（Artificial Neural Network）类：生成对抗网络（Generative Adversarial Networks，GAN），前馈神经网络（Feedforward Neural Network）、逻辑学习机（Logic Learning Machine）、自组织映射（Self-organizing Map）等。
（2） 关联规则学习（Association Rule Learning）类：先验算法（Apriori Algorithm）、Eclat算法（Eclat Algorithm）、FP-Growth算法等。
（3）分层聚类算法（Hierarchical Clustering）：单连锁聚类（Single-linkage Clustering），概念聚类（Conceptual Clustering）等。
（4）聚类分析（Cluster analysis）：BIRCH算法、DBSCAN算法，期望最大化（Expectation-maximization，EM）、模糊聚类（Fuzzy Clustering）、K-means算法、K均值聚类（K-means Clustering）、K-medians聚类、均值漂移算法（Mean-shift）、OPTICS算法等。
（5）异常检测（Anomaly detection）类：K最邻近（K-nearest Neighbor，KNN）算法，局部异常因子算法（Local Outlier Factor，LOF）等。

常见的半监督学习类算法包含：生成模型（Generative Models）、低密度分离（Low-density Separation）、基于图形的方法（Graph-based Methods）、联合训练（Co-training）等。

常见的强化学习类算法包含：Q学习（Q-learning）、状态-行动-奖励-状态-行动（State-Action-Reward-State-Action，SARSA）、DQN（Deep Q Network）、策略梯度算法（Policy Gradients）、基于模型强化学习（Model Based RL）、时序差分学习（Temporal Different Learning）等。

常见的深度学习类算法包含：深度信念网络（Deep Belief Machines）、深度卷积神经网络（Deep Convolutional Neural Networks）、深度递归神经网络（Deep Recurrent Neural Network）、分层时间记忆（Hierarchical Temporal Memory，HTM）、深度波尔兹曼机（Deep Boltzmann Machine，DBM）、栈式自动编码器（Stacked Autoencoder）、生成对抗网络（Generative Adversarial Networks）等。

二、按照解决任务的不同来分类，粗略可以分为二分类算法（Two-class Classification）、多分类算法（Multi-class Classification）、回归算法（Regression）、聚类算法（Clustering）和异常检测（Anomaly Detection）五种。
1.二分类（Two-class Classification）
（1）二分类支持向量机（Two-class SVM）：适用于数据特征较多、线性模型的场景。
（2）二分类平均感知器（Two-class Average Perceptron）：适用于训练时间短、线性模型的场景。
（3）二分类逻辑回归（Two-class Logistic Regression）：适用于训练时间短、线性模型的场景。
（4）二分类贝叶斯点机（Two-class Bayes Point Machine）：适用于训练时间短、线性模型的场景。（5）二分类决策森林（Two-class Decision Forest）：适用于训练时间短、精准的场景。
（6）二分类提升决策树（Two-class Boosted Decision Tree）：适用于训练时间短、精准度高、内存占用量大的场景
（7）二分类决策丛林（Two-class Decision Jungle）：适用于训练时间短、精确度高、内存占用量小的场景。
（8）二分类局部深度支持向量机（Two-class Locally Deep SVM）：适用于数据特征较多的场景。
（9）二分类神经网络（Two-class Neural Network）：适用于精准度高、训练时间较长的场景。

解决多分类问题通常适用三种解决方案：第一种，从数据集和适用方法入手，利用二分类器解决多分类问题；第二种，直接使用具备多分类能力的多分类器；第三种，将二分类器改进成为多分类器今儿解决多分类问题。
常用的算法：
（1）多分类逻辑回归（Multiclass Logistic Regression）：适用训练时间短、线性模型的场景。
（2）多分类神经网络（Multiclass Neural Network）：适用于精准度高、训练时间较长的场景。
（3）多分类决策森林（Multiclass Decision Forest）：适用于精准度高，训练时间短的场景。
（4）多分类决策丛林（Multiclass Decision Jungle）：适用于精准度高，内存占用较小的场景。
（5）“一对多”多分类（One-vs-all Multiclass）：取决于二分类器效果。

回归
回归问题通常被用来预测具体的数值而非分类。除了返回的结果不同，其他方法与分类问题类似。我们将定量输出，或者连续变量预测称为回归；将定性输出，或者离散变量预测称为分类。长巾的算法有：
（1）排序回归（Ordinal Regression）：适用于对数据进行分类排序的场景。
（2）泊松回归（Poission Regression）：适用于预测事件次数的场景。
（3）快速森林分位数回归（Fast Forest Quantile Regression）：适用于预测分布的场景。
（4）线性回归（Linear Regression）：适用于训练时间短、线性模型的场景。
（5）贝叶斯线性回归（Bayesian Linear Regression）：适用于线性模型，训练数据量较少的场景。
（6）神经网络回归（Neural Network Regression）：适用于精准度高、训练时间较长的场景。
（7）决策森林回归（Decision Forest Regression）：适用于精准度高、训练时间短的场景。
（8）提升决策树回归（Boosted Decision Tree Regression）：适用于精确度高、训练时间短、内存占用较大的场景。

聚类
聚类的目标是发现数据的潜在规律和结构。聚类通常被用做描述和衡量不同数据源间的相似性，并把数据源分类到不同的簇中。
（1）层次聚类（Hierarchical Clustering）：适用于训练时间短、大数据量的场景。
（2）K-means算法：适用于精准度高、训练时间短的场景。
（3）模糊聚类FCM算法（Fuzzy C-means，FCM）：适用于精确度高、训练时间短的场景。
（4）SOM神经网络（Self-organizing Feature Map，SOM）：适用于运行时间较长的场景。
异常检测
异常检测是指对数据中存在的不正常或非典型的分体进行检测和标志，有时也称为偏差检测。
异常检测看起来和监督学习问题非常相似，都是分类问题。都是对样本的标签进行预测和判断，但是实际上两者的区别非常大，因为异常检测中的正样本（异常点）非常小。常用的算法有：
（1）一分类支持向量机（One-class SVM）：适用于数据特征较多的场景。
（2）基于PCA的异常检测（PCA-based Anomaly Detection）：适用于训练时间短的场景。

常见的迁移学习类算法包含：归纳式迁移学习（Inctive Transfer Learning） 、直推式迁移学习（Transctive Transfer Learning）、无监督式迁移学习（Unsupervised Transfer Learning）、传递式迁移学习（Transitive Transfer Learning）等。

算法的适用场景：
需要考虑的因素有：
（1）数据量的大小、数据质量和数据本身的特点
（2）机器学习要解决的具体业务场景中问题的本质是什么？
（3）可以接受的计算时间是什么？
（4）算法精度要求有多高？
————————————————

原文链接： https://blog.csdn.net/nfzhlk/article/details/82725769