サクサク読めて、アプリ限定の機能も多数！
トップへ戻る
アメリカ大統領選
jp.mathworks.com
強化学習の適用例 強化学習を用いて学習したディープニューラルネットワークでは、複雑な行動を符号化することができます。そのため、従来の方法では扱いづらかったり、取り組みが困難な用途に対して、別のアプローチが可能となります。たとえば、自動運転では、カメラフレームや Lidar 測定などの複数のセンサーを同時に確認し、運転者に代わってニューラルネットワークがハンドルの切り方を決めることができます。ニューラルネットワークがなければ、この問題は通常、カメラフレームからの特徴抽出、Lidar 測定値のフィルタリング、センサー出力の融合、センサー入力に基づく「運転」の意思決定などに細分化されます。 強化学習の手法は、運用システム向けとしてはまだ評価段階ですが、この技術は次のような産業用途に適していると言えます。 高度な制御: 非線形システムの制御は困難な問題であり、多くの場合、異なる動作点でシステムを線
FPGA とは、Field Programmable Gate Arrayの文字通り、設計者がフィールド（現場）で論理回路の構成をプログラムできるゲート（論理回路）を集積したデバイスです。製造後は回路構成を変更できないLSI（集積回路）に対し、プログラムにより内部の回路構成、つまり処理内容を変更可能であることからこのように呼ばれます。近年はADコンバータやマイコンを内蔵したFPGAもあります。デバイスの見た目はLSIと何ら変わりなく、製造プロセスも同じですが、デバイス内部の処理内容を設計者が変更できる点が異なります。 FPGAとマイコン, DSP, GPU, ASIC, ASSPとの違いは？ FPGAが比較される対象として、ICであるマイコン、DSP、GPU、ASICやASSPなどがあります。これらは同様に組み込み機器で使用されます。 マイコン（マイクロコントローラユニット/MCU、マイク
カルマンフィルターは、逐次ベイズフィルターの一種であり、測定データからシステムの状態を推定するアルゴリズムです。これは、ハンガリーのエンジニアであるルドルフ・カルマン(Rudolf Kalman)によって提唱されました。このカルマンフィルターはNASAのアポロ計画で使われたことで有名で、アポロを月へ導いた数式とも言えます。アポロ計画では、センサーの情報から宇宙船の正しい位置を推定し、進行方向の調整などを行う際に使用されました。 現在、カルマンフィルターにはいくつかのバリエーションがあり、これらのフィルターは、コンピュータービジョン、誘導・航法システム、バッテリー充放電状態、計量経済学、および信号処理などの、推定に依存するアプリケーションで広く使用されています。 フィルターとは フィルターという言葉を聞くと、信号処理のノイズ除去等を思い浮かべる方が多いと思いますが、ここでいうフィルターとは、
最近のニュースで、強化学習のアルゴリズムがどのようにして囲碁、Dota 2、Starcraft 2 などのゲームでプロを破ったかが取り上げられました。強化学習は、機械学習の一種であり、ビデオゲームからロボット工学、自動運転車のような複雑な用途における人工知能の使用を可能にします。 プロジェクトで強化学習の技術を活用することに興味があっても、これまで一度も使ったことがないとしたら、何から始めたらいいでしょうか。 この ebook は、MATLAB® および Simulink® で強化学習を始められるように、用語を解説し、例やチュートリアル、評価版ソフトウェアをご紹介します ebook をダウンロードすると、以下の内容を学習することができます。
SLAM (Simultaneous Localization and Mapping, 自己位置推定と環境地図作成の同時実行) とは文字通り移動体の移動体の自己位置推定と環境地図作成を同時に行う技術の総称です。SLAMを活用することで、自動運転、自律移動ロボット（AGV）、ドローンなどをはじめとした移動体が未知の環境下での環境地図を作成し、自分がどこにいるのか、周辺がどうなっているのかを把握することができます。構築した地図情報を使って障害物などを回避しつつ、特定のタスクを遂行します。 SLAMを活用する上で知っておきたい3つのことについて解説していきます。 SLAMは技術的には古くから研究されていましたが、近年、コンピューターの性能が向上し、かつ、カメラやレーザーレンジファインダーなどのセンサーが低価格で入手可能になったことで、様々な分野に活用が広がっています。また、SLAMの特徴として
カメラ キャリブレーションとは"幾何学的カメラ キャリブレーション" は "camera resectioning" とも呼ばれ、レンズおよびイメージまたはビデオ カメラのイメージ センサーのパラメーターを推定します。これらのパラメーターを使用して、レンズ歪みの修正や、オブジェクトのワールド単位でのサイズ測定、シーン内のカメラ位置の判定などを実行できます。これらのタスクはマシン ビジョンなどのアプリケーションでオブジェクトの検出と測定に使用されます。また、ロボティクスのナビゲーション システムや、3 次元シーン再構成などにも使用されます。 カメラのキャリブレーションを行うと、以下のようなことが可能になります。 カメラのパラメーターには内部パラメーター、外部パラメーターおよび歪み係数が含まれます。カメラのパラメーターを推定するには、3 次元ワールド ポイントとそれに対応する 2 次元のイメー
このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。 R-CNN、Fast R-CNN および Faster R-CNN 入門"オブジェクトの検出" は、イメージ内のオブジェクトを検出して分類するプロセスです。深層学習アプローチの 1 つである R-CNN (Regions with Convolutional Neural Networks) では、四角形の領域提案を畳み込みニューラル ネットワークの特徴と組み合わせます。R-CNN は 2 段階検出アルゴリズムです。第 1 段階では、オブジェクトを含んでいる可能性のあるイメージ内の領域のサブセットを特定します。第 2 段階では、各領域に含まれるオブジェクトを分類します。 R-CNN オブジェクト検出器の応用例は次のとおりです。 Computer Vision Toolbox™ には、R-CNN、Fas
機械学習またはディープラーニングのアルゴリズムを実装するにあたり必要なデータ、ハードウェア、ゴールはすべて準備ができました。しかし機械学習とディープラーニングのどちらを使うべきなのでしょうか？ この ebook は、ユーザー視点のアプローチにより、最初に検討すべきアルゴリズムが選びやすいように構成されています。以下を含む 6 つの一般的なタスクにはどのようなアルゴリズムが適しているかを解説します。 過去のデータに基づいて出力を予測する 画像、動画、信号データ内のオブジェクトを認識する 物理的にまたはシミュレーション上でモノを動かす この ebook では以下について学ぶことができます。 データ、ハードウェア、解釈可能性、速度、要求される精度が手法の選び方に与える影響 畳み込みニューラルネットワーク (CNN) を使用して特徴抽出を行い、サポートベクターマシン (SVM) を使用して識別を行
この例では、ESP32 のワイヤレス ネットワーク機能を使用してデータをThingSpeak™に投稿する方法を示します。ESP32 は、接続されているワイヤレス ネットワークの信号強度を記録して通知します。ボード上のボタンを押して、ワイヤレス ネットワーク信号強度を 3 回測定し、平均結果をThingSpeakチャネルに送信します。また、測定値を追跡できるように、デバイスがカウンター値をポストします。 ワイヤレス信号強度を表すヒートマップ オーバーレイ イメージを生成できます。この画像は、オフィスのフロアプランとヒートマップの生成に使用されたデータに重ねられたワイヤレス信号強度を示しています。ヒートマップ オーバーレイを生成するには、 Create Heatmap Overlay Imageを参照してください。 ≪前提条件≫ESP32 Arduino コアと IDE のセットアップまず、A
1 © 2018 The MathWorks, Inc. LSTMによる系列データの予測と分類 MathWorks Japan テクニカルコンサルティング部 シニア テクニカル コンサルタント 太田 英司 2 LSTM Long Short Term Memory 3 ニューラルネットワークとは？ 神経細胞（ニューロン）の数学的なモデル化に起源を持つ学習器 神経細胞（ニューロン） ➢ 軸索によりネットワークを構成 ➢ 電気的な興奮状態を伝え合う 画像提供： 独立行政法人 理化学研究所様 4 ニューラルネットワークとは？ 𝑦 = 𝑓 𝑘=1 𝑛 𝑤𝑘 ∙ 𝑥𝑘 + 𝑏 0 1 Weight 𝑥1 𝑥2 𝑥𝑛 Σ 𝑓 𝑤1 𝑤2 𝑤𝑛 𝑦 1 𝑏 Transfer Function Bias 0 1 -1 Logistic Sigmoid Tange
循環的複雑度（サイクロマティック複雑度、Cyclomatic Complexity）とは、ソフトウェア品質を測定するソフトウェアコードメトリクスのひとつで、プログラムの複雑度を測定するものです。Thomas J. McCabeによって1976年に考案されました。 線形的に独立な経路の数を数値化するもので、例えば、ソースコード内に条件が１つのif文のような決定論理が１つある場合、if文が真の場合とif文が偽の場合があり、線形的に独立したパスは２つとなります。 循環的複雑度の重要性 循環的複雑度が高くなると、プログラムは複雑になります。バグの混入リスクや発見されたバグの修正にかかる時間が増え、修正で新たなバグが購入する可能性も増えるため、再利用が困難になります。 循環的複雑度を計測し、低く保つことで、プログラムの可読性、保守性、移植性は高まります。また、テストに必要なテストパターンの数も減るた
PID制御は、古くから産業界で幅広く使用されているフィードバック制御の手法です。制御構造がシンプルであり、とても使いやすく、長年の経験の蓄積からも、実用化されているフィードバック制御方式の中で多くの部分を占めています。例えば、モーター速度制御や温度制御など応用先は様々です。PIDという名称は、比例（P: Proportional）、積分（I: Integral）、微分（D: Differential）の頭文字に由来します。 図1は、一般的なフィードバック制御系のブロック線図を表しています。制御対象、センサー、および、PID制御器から構成されています。PID制御の仕組みは、図2に示すように、制御対象から測定された出力（制御量）と追従させたい目標値との偏差信号に対して、比例演算、積分演算、そして、微分演算の3つの動作を組み合わせて、制御対象への入力（操作量）を決定します。言い換えると、PID制
製品のドキュメンテーションの参照、コミュニティ フォーラムへの参加、リリースノートの確認などは、ヘルプセンターをご利用ください。
学習済み畳み込みニューラルネットワークのカスタムにより、独自の画像分類を比較的簡単に行うことができる「転移学習(Transfer Learning)」を紹介します。転移学習は、100万枚以上の画像セットで学習された優秀なネットワークをカスタムして再学習させるもので、少ない画像枚数で優れた精度を得られる手法として知られています。 今回は学習済みのAlexNetを用いて5種類の分類を行う独自タスクに挑戦しています。サンプルコードでお試しいただけます。
大量のデータや多くの変数を含む複雑な問題を解くのに機械学習が最善の方法だとは分かっていても、これまでに機械学習を使用した経験が一度もないとしたらどうでしょう。乱雑で不完全なデータやフォーマットがいくつも混在しているデータをどうすれば上手く処理できるのでしょうか？データに合った適切なモデルを選択するにはどうすればよいのでしょうか？ くじけてしまいそうになりませんか？ですが心配はいりません。体系的なワークフローを知ることでスムーズなスタートを切ることができるようになります。 以下のeBookをダウンロードして、基礎から高度な手法やアルゴリズムに至るまでを段階的に学ぶことができます。 セクション1: 機械学習のご紹介 教師あり学習・教師なし学習、適切なアルゴリズムの選択、実際の事例など、機械学習の基礎を紹介します。 セクション2: はじめての機械学習 健康管理アプリを例に、機械学習のワークフロー
Select a Web Site Choose a web site to get translated content where available and see local events and offers. Based on your location, we recommend that you select: . Select web site
機械学習のアルゴリズムを使用しています。手法によっていろいろなハイパーパラメータを設定する必要がありますが、これらのハイパーパラメータの値をどのように決めれば良い結果を得ることができるのでしょうか。自動的に決める方法があれば教えてください。
大量のデータや多くの変数を含む複雑な問題を解くのに機械学習が最善の方法だとは分かっていても、これまでに機械学習を使用した経験が一度もないとしたらどうでしょう。乱雑で不完全なデータやフォーマットがいくつも混在しているデータをどうすれば上手く処理できるのでしょうか？データに合った適切なモデルを選択するにはどうすればよいのでしょうか？ くじけてしまいそうになりませんか？ですが心配はいりません。体系的なワークフローを知ることでスムーズなスタートを切ることができるようになります。 以下のeBookをダウンロードして、基礎から高度な手法やアルゴリズムに至るまでを段階的に学ぶことができます。
ソフトウェア無線(SDR : Software Defined Radio)とは、無線通信システムの機能をハードウェアは変更せずに、ソフトウェアあるいはプログラマブルなハードウェアを使用して、様々な方式に対応できる無線通信システムやその通信技術を指します。従来の無線技術では、通常、単一の無線通信方式を送受信できますが、ソフトウェア無線を利用することで、用途の範囲を広げることが出来ます。一般的にソフトウェア無線機は、アナログデジタルコンバータ、もしくは、デジタルアナログコンバータを実装したRFフロントエンド部分と、一般的なPCもしくはDSP/FPGAなど、再構成可能なハードウェアからなるベースバンド信号処理部分で構成されます。 ソフトウェア無線の研究は、米軍により1970年代に軍用目的で始められ、1990年代には民生用に技術が転用されるようになりました。 民生用技術に転用されると、日本では1
この例では、事前学習済みの畳み込みニューラル ネットワーク (CNN) を特徴抽出器として使用して、イメージ カテゴリ分類器に学習させる方法を説明します。 概要CNN は、深層学習分野の強力な機械学習手法です。CNN はさまざまなイメージの大規模なコレクションを使用して学習します。CNN は、これらの大規模なコレクションから広範囲のイメージに対する豊富な特徴表現を学習します。これらの特徴表現は、多くの場合、HOG、LBP または SURF などの手作業で作成した特徴より性能が優れています。学習に時間や手間をかけずに CNN の能力を活用する簡単な方法は、事前学習済みの CNN を特徴抽出器として使用することです。 この例では、Flowers Dataset[5] からのイメージを、そのイメージから抽出した CNN の特徴量で学習されたマルチクラスの線形 SVM でカテゴリに分類します。この
画像処理アルゴリズムとは、デジタル画像の作成、表示、処理、画像検査、伝送、などのシステムを実現するために開発されたコンピュータ処理技術です。画像処理アルゴリズムは劣化した画像の復元、特徴の検出と測定、形状やテクスチャの解析、カラーバランスの調整といった高度な処理を行うために用いられます。今日、画像処理アルゴリズムは、写真や映像分野だけでなく、医療、生命科学、ロボット工学、宇宙開発、自動車、通信、エレクトロニクス、地球科学、工業、外観検査・形状検査など様々な分野のシステムで使用されています。 画像処理では、入力元となる画像を取り込み、そこから目的に応じて必要な情報を抽出するための変換処理を行い、抽出した情報を、画像認識などの次の過程で利用するという手順が一般的です。この流れを実現するプログラミングの中で利用されるのが画像処理アルゴリズムです。 画像処理アルゴリズムを使用することで以下のような
近年、センサーやネットワーク・計算機の飛躍的な発展により大量のデータを容易に取得できるようになり、こうしたデータを様々な意思決定に生かす仕組みづくりが盛んになってきています。 一方で、こうしたセンサーデータは時系列の長大なデータであることが少なくなく、こうした長大なデータの中から本当に意味のある情報を取り出すには「眺める」だけでは十分とは言えません。故障予測や異常検出などの具体的なアプリケーションに結びつけるには、統計解析や機械学習といった分野の知識と共に、データに対する様々な試行錯誤が必要不可欠になっています。 本Webセミナーでは、構造ヘルスモニタリングで利用される振動データの解析を題材に、次のようなトピックをご紹介します。 周波数スペクトルやARモデルによる時系列信号からの特徴抽出 PCAによる次元削減 分類木によるデータの分類 1-クラス SVM による異常検出 こちらも併せてご覧
Select a Web Site Choose a web site to get translated content where available and see local events and offers. Based on your location, we recommend that you select: .
次のページ
このページを最初にブックマークしてみませんか？
『MathWorks - MATLAB/Simulink開発元 - MATLAB』の新着エントリーを見る
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
