第一篇：机器学习学习心得
机器学习高数学习心得
有人戏称高数是一棵高树，很多人就挂在了上面。但是，只要努力，就能爬上那棵高树，凭借它的高度，便能看到更远的风景。
大部分同学都害怕高数，高数学习起来确实是不太轻松。其实，只要有心，高数并不像想象中的那么难。虽然有很多人比我学得更好，但在这里我也谈谈自己在培乐园补习高数(机器学习相关)的一些拙见吧。
首先，不能有畏难情绪。很多人说高数非常难学，有很多人挂科了，这基本上是事实，但是或多或少有些夸张了吧。让我们知道高数难，虽然会让我们对它更加重 视，但是这无疑也增加了大家对它的畏惧感，觉得自己很可能学不好它，从而失去了信心，有些人甚至把难学当做自己不去学好它的借口。事实上，当我们抛掉那些 畏难的情绪，心无旁骛地去学习高数时，它并不是那么难，至少不是那种难到学不下去的。所以，我觉得要学好高数，一定不能有畏难的情绪。当我们有信心去学好 它时，就走好了第一步。
其次，课前预习很重要。培乐园每次课前都会发预习讲义，要求学员预习。其实每个人的学习习惯可能不同，有些人习惯预习，有些人觉得预习不适合自己。但对我而言，学习高数，预习是必要的。每次上新课前，把课 本上的内容仔细地预习一下，或者说先自学一下，把知识点先过一遍，能理解的先自己理解好，到课堂上时就会觉得有方向感，不会觉得茫然，并且自己预习时没有 理解的地方在课堂上听老师讲后就能解决了，比较有针对性。另外，我一般在预习后会试着做一下课后题，只是试着做一两道简单的题目，找找感觉，虽然可能做不 出，但那样会有助于理解。
然后，要把握课堂。我认为，把握好课堂对高数学习是很关键的。课堂上老师讲的每一句话都有可能是很有用的，如果错过了就可能会使自己以后做某些题时要走很 多弯路，甚至是死路。老师在上课时会详细地讲解知识点，所以对于我们的理解是很有帮助的，尤其是有些机器学习相关的 知识点，我们课余看一小时，也许还不如听老师讲一分钟理解得 快。并且，老师还会讲到一些要注意的但书上没有的东西，所以课堂上最好尽量集中精神听讲，不要错过了某些有价值的东西。
此外，要以教材为中心。虽然说“尽信书不如无书”，但是，就算教材不是完美的，我们还是要以教材为中心去学习高数。教材上包含了我们所要掌握的知识点，而 那些知识点是便是我们解题的基础。书上的一些基本公式、定理，是我们必须掌握的。并且，书上很多原理的证明过程体现的数学思想对于我们的思维训练是很有益 处的。我觉得，只有将教材上的基础知识融会贯通了，把基础打好了，知识才能稳固。也许，将书上的知识都真正理解透彻了，能够举一反三了，那么不用再看参考 书，不用做习题去训练，都能以不变应万变了。当然，做到这一点不容易，我也没有做到。但是，把教材内容尽可能地掌握好，是绝对益处多多的。
最后，坚持做好习题。做题是必要的，但搞题海战术就不必要了。就我的体会而言，如果只是想考试考好，不想去深入研究它的话，做好教材上的课后题和习题册就 足够了，当然，前提是认真地做好了。对于每一道题，有疑问的地方就要解决，不能不求甚解，尽量把每一个细节都理解好，这样的话做好一道题就能解决很多同类 型的题了。同时，做题不能只是自己一个人冥思苦想，有时候自己的思维走进了死胡同是很难走出来的，当自己做不出来的时候，不妨问问老师或者同学，也许就能 豁然开朗了。对于做完的题目，觉得很有价值的，最好是把它摘抄到笔记本上，然后记录一下解题的要点，分析一下题目所体现的思维方式等等，平时有时间就翻看 一下，加深一下记忆。
以上就是我个人的一些学习心得还缺乏经验。关于高数学习，不同的人会有不同体会和见解，我的学习方法不见得会对别人都适用，但是，权当是一种学习经历的分享吧!
第二篇： 学习设计机器人的心得体会
暑假我在西安工程大学实习实训中心学习设计机器人，通过学习给我留下深刻的感受，从中学习到了C语言编程、PCB画图、FPGA、焊接以及其他零件的用途与方法，让我受益匪浅，终于能体会到不同零件的奇妙组合中展现的人类智慧的结晶。知识的重要性在我心中再次提升，电子产品知识产权的垄断，让我既看到了机遇又看到了挑战，学习是现在我们唯一的行动方针. 我认为，积极地参与设计活动，不断的学习，不仅可以充分的体会到自己动手实践的乐趣，获得哪怕是前进一小步时候的那种成功的喜悦。
(1)有利于我们学习能力的提高。这里所说的学习能力包括获取资料的能力、理解前人思路的能力、系统设计能力、动手能力。 (2)有利于我们团队精神的培养。在课堂之外实际的工作中，我们一般都要与人合作共同完成某一项目，这就非常需要团队精神，而这一点在课堂常规教学中得到的锻炼是很有限的。电子设计竞赛要求三人组队参赛，集体计算成绩，这就要求三个人必须互相信任、互相配合、分工合作。在顺境时小组成员要相互提醒保持冷静，逆境时要相互鼓励共度难关，出现问题时不能相互埋怨。
(3)有利于我们应变能力的提高。我们必须在尽可能短的时间内解决问题，这就需要在平时的训练中提高能力。
第一，兴趣培养。在这段时间，我在业余时间经常看些普及型的杂志图书，在书中遇到一些小方案也经常自己动手实践一下。比如我喜欢看办了几十年的《无线电》杂志、还有《电子世界》、《电子制作》等等，毫不夸张地说，这些杂志很经典。看这些杂志的目的很简单，那就是培养兴趣。美国教育心理学家华尔特·科勒斯涅克说过：“兴趣可以看成既是学习的原因，又是学习的结果。正像兴趣是过去学习的产物一样，兴趣也是今后学习的手段。”心理学研究也表明：一个人做他感兴趣的事，可以发挥智力潜能的80%以上;而做不感兴趣的事情，则只能发挥智力潜能的20%左右。我国古代著名的思想家、教育家孔子早在两千多年前就认识到了兴趣在学习中的作用。他在《论语》中提出：“知之者不如好之者，好之者不如乐之者。”孔子把学习划分为三个层次：第一个层次是知学，即知道学习的重要性和必要性;第二个层次是好学，即爱好学习，对学习有兴趣;第三个层次是乐于学习，能从学习中获得无穷无尽的乐趣。在这三个层次中，知学不如好学，好学不如乐学，只有激发和培养对学习的浓厚兴趣，乐在其中，才能获得最好的学习效果。因此，我建议，求学之初的同学，要注意激发和培养学习兴趣，这样可以使自己注意力高度集中，观察力敏锐，思维活跃，想象丰富，并且可以激发灵感，增强自信心。 第
二、“基础知识储备、实践锻炼”。在大三到大四这个时候，我对自己就有了更高的要求。在学好专业基础课的同时，我重点学习了一些应用技能。比如，我学习了一些常用EDA软件的使用，熟悉了实验室制版的流程，强化了自己的软件编程能力，熟练掌握了硬件描述语言。在学习掌握这些实践应用基本技能的同时，我经常会找一些方案来实践一下。我们学校从学校、学院到电子创新基地都给大家提供了大量资金和技术的支持，加上指导老师的帮助等等。
第
三、“参加设计仅仅是使我们了解一些目前比较先进的技术、掌握一些实用的技能，为今后从事科研工作打下一定的基础，缩短“入门”的时间，但就具体的专业水平，技术水准来说，只是刚刚入门，后面还有更长的路要走。
总之，我要学的还很多，我希望在以后的日子里能够与大家多多交流，分享感受，共同成长，共同进步!
第三篇：机器学习报告
机器学习总结报告
刘皓冰
大部分人错误地以为机器学习是计算机像人一样去学习。事实上，计算机是死的，怎么可能像人类一样“学习”呢，机器学习依靠的是数学，更确切地说是靠统计。
如果我们让计算机工作，是给它一串指令，然后计算机会遵照这个指令一步步执行下去，有因有果，非常明确。但这种方式在机器学习中是行不通的。机器学习是不会接受你输入的指令的，它接受的是你输入的数据。也就是说，机器学习是一种让计算机利用数据而不是指令来进行各种工作的方法。这听起来非常不可思议，但结果上却是非常可行的。“统计”思想将在你学习“机器学习”相关理念时无时无刻不伴随，相关而不是因果的概念将是支撑机器学习能够工作的核心概念。
依据数据所做的判断跟机器学习的思想根本上是一致的。机器学习方法是计算机利用已有的数据(输入)，得出了某种模型，并利用此模型预测未来(输出)的一种方法。从数据中学得模型的过程称为“学习”(learning)或“训练”(training)，这个过程通过执行某个学习算法来完成。训练过程中使用的数据成为“训练数据”(training data)，其中每个样本称为一个“训练样本”(training sample)，训练样本组成的集合称为“训练集“(training set)。学得模型对应了关于数据的某种潜在的规律，因此亦称”假设“(hypothesis);这种潜在规律自身，则称为”真相“或”真实“(ground-truth)，学习过程就是为了找出或逼近真相。模型有时也被称为”学习器“(learner)，可看作学习算法在给定数据和参数空间上的实例化。
若欲预测的是离散值则此类学习任务被称为“分类”;若欲预测的是连续值则此类学习任务称为“回归”;对只涉及两个类别的“二分类”任务，通常称其中一个类为“正类”，另一个类为“反类”;涉及多个类别时，则称为“多分类”任务。
模型是否准确依赖与数据。如果我的数据越多，我的模型就越能够考虑到越多的情况，由此对于新情况的预测效果可能就越好。这是机器学习界“数据为王”思想的一个体现。一般来说(不是绝对)，数据越多，最后机器学习生成的模型预测的效果越好。
机器学习里面有非常多的经典算法，每种算法都能形成一个模型。下面在简要介绍一下机器学习中的经典代表方法。重点介绍的是这些方法内涵的思想。
1、回归算法 在大部分机器学习课程中，回归算法都是介绍的第一个算法。原因有两个：一.回归算法比较简单，介绍它可以让人平滑地从统计学迁移到机器学习中。二.回归算法是后面若干强大算法的基石，如果不理解回归算法，无法学习那些强大的算法。回归算法有两个重要的子类：即线性回归和逻辑回归。
线性回归一般使用“最小二乘法”来求解。“最小二乘法”的思想是这样的，假设我们拟合出的直线代表数据的真实值，而观测到的数据代表拥有误差的值。为了尽可能减小误差的影响，需要求解一条直线使所有误差的平方和最小。最小二乘法将最优问题转化为求函数极值问题。函数极值在数学上我们一般会采用求导数为0的方法。但这种做法并不适合计算机，可能求解不出来，也可能计算量太大。计算机科学界专门有一个学科叫“数值计算”，专门用来提升计算机进行各类计算时的准确性和效率问题。例如，著名的“梯度下降”以及“牛顿法”就是数值计算中的经典算法，也非常适合来处理求解函数极值的问题。梯度下降法是解决回归模型中最简单且有效的方法之一。
逻辑回归是一种与线性回归非常类似的算法，但是，从本质上讲，线型回归处理的问题类型与逻辑回归不一致。线性回归处理的是数值问题，也就是最后预测出的结果是数字，例如预测一所房子大约可以买多少钱。而逻辑回归属于分类算法，也就是说，逻辑回归预测结果是离散的分类，例如判断肿瘤是恶性还是良性等等。实现方面的话，逻辑回归只是对对线性回归的计算结果加上了一个Sigmoid函数，将数值结果转化为了0到1之间的概率(Sigmoid函数的图像一般来说并不直观，你只需要理解对数值越大，函数越逼近1，数值越小，函数越逼近0)，接着我们根据这个概率可以做预测，例如概率大于0.5，肿瘤就是恶性的等等。
2、神经网络
神经网络(也称之为人工神经网络，ANN)算法是80年代机器学习界非常流行的算法，不过在90年代中途衰落。现在，携着“深度学习”之势，神经网络重装归来，重新成为最强大的机器学习算法之一。
神经网络的诞生起源于对大脑工作机理的研究。早期生物界学者们使用神经网络来模拟大脑。机器学习的学者们使用神经网络进行机器学习的实验，发现在视觉与语音的识别上效果都相当好。在BP算法(加速神经网络训练过程的数值算法)诞生以后，神经网络的发展进入了一个热潮。
下图是一个简单的神经网络的逻辑架构。在这个网络中，分成输入层，隐藏层，和输出层。输入层负责接收信号，隐藏层负责对数据的分解与处理，最后的结果被整合到输出层。每层中的一个圆代表一个处理单元，可以认为是模拟了一个神经元，若干个处理单元组成了一个层，若干个层再组成了一个网络，也就是”神经网络”。
图神经网络的逻辑架构
在神经网络中，每个处理单元事实上就是一个逻辑回归模型，逻辑回归模型接收上层的输入，把模型的预测结果作为输出传输到下一个层次。通过这样的过程，神经网络可以完成非常复杂的非线性分类。
进入90年代，神经网络的发展进入了一个瓶颈期。其主要原因是尽管有BP算法的加速，神经网络的训练过程仍然很困难。因此90年代后期支持向量机(SVM)算法取代了神经网络的地位。
3、SVM(支持向量机)
支持向量机算法是诞生于统计学习界，同时在机器学习界大放光彩的经典算法。
支持向量机算法从某种意义上来说是逻辑回归算法的强化：通过给予逻辑回归算法更严格的优化条件，支持向量机算法可以获得比逻辑回归更好的分类界线。但是如果没有某类函数技术，则支持向量机算法最多算是一种更好的线性分类技术。
但是，通过跟高斯“核”的结合，支持向量机可以表达出非常复杂的分类界线，从而达成很好的的分类效果。“核”事实上就是一种特殊的函数，最典型的特征就是可以将低维的空间映射到高维的空间。
上述机器学习算法均为监督学习算法。监督学习，就是人们常说的分类回归，通过已有的训练样本(即已知数据以及其对应的输出)去训练得到一个最优模型(这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的)，再利用这个模型将所有的输入映射为相应的输出。在人对事物的认识中，我们从孩子开始就被大人们教授这是猫啊、那是狗啊、那是桌子啊，等等。我们所见到的景物就是输入数据，而大人们对这些景物的判断结果(是房子还是鸟啊)就是相应的输出。当我们见识多了以后，脑子里就慢慢地得到了一些泛化的模型，这就是训练得到的那个(或者那些)函数，从而不需要大人在旁边指点的时候，我们也能分辨的出来哪些是猫，哪些是狗。无监督学习则是另一种研究的比较多的学习方法，它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接对数据进行建模。这听起来似乎有点不可思议，但是在我们自身认识世界的过程中很多处都用到了无监督学习。比如我们去参观一个画展，我们完全对艺术一无所知，但是欣赏完多幅作品之后，我们也能把它们分成不同的派别(比如哪些更朦胧一点，哪些更写实一些，即使我们不知道什么叫做朦胧派，什么叫做写实派，但是至少我们能把他们分为两个类)。无监督学习里典型的例子就是聚类了。聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了。
那么，什么时候应该采用监督学习，什么时候应该采用非监督学习呢?一种非常简单的回答就是从定义入手，如果我们在分类的过程中有训练样本，则可以考虑用监督学习的方法;如果没有训练样本，则不可能用监督学习的方法。但是事实上，我们在针对一个现实问题进行解答的过程中，即使我们没有现成的训练样本，我们也能够凭借自己的双眼，从待分类的数据中人工标注一些样本，并把他们作为训练样本，这样的话就可以把条件改善，用监督学习的方法来做。然而对于不同的场景，正负样本的分布如果会存在偏移(可能是大的偏移，也可能偏移比较小)，这样的话用监督学习的效果可能就不如用非监督学习了。
今天，在计算机科学的诸多分支学科领域中，都能找到机器学习技术的身影，尤其是在计算机视觉、语音识别、模式识别、自然语言处理等“计算机应用技术”领域，机器学习已成为最重要的技术进步源泉之一。此外，机器学习还为许多交叉学科提供了重要的技术支撑比如说“生物信息学”。
可以说“计算机视觉=图像处理+机器学习“。图像处理技术用于将图像处理为适合进入机器学习模型中的输入，机器学习则负责从图像中识别出相关的模式。计算机视觉相关的应用非常的多，例如百度识图、手写字符识别、车牌识别等等应用。这个领域是应用前景非常火热的，同时也是研究的热门方向。随着机器学习的新领域深度学习的发展，大大促进了计算机图像识别的效果，因此未来计算机视觉界的发展前景不可估量。
如果说“计算机视觉=图像处理+机器学习“，那么”语音识别=语音处理+机器学习“。语音识别就是音频处理技术与机器学习的结合。语音识别技术一般不会单独使用，一般会结合自然语言处理的相关技术。目前的相关应用有苹果语音助手siri、微软小娜等。
“自然语言处理=文本处理+机器学习“。自然语言处理技术主要是让机器理解人类的语言的一门领域。在自然语言处理技术中，大量使用了编译原理相关的技术，例如词法分析，语法分析等等，除此之外，在理解这个层面，则使用了语义理解，机器学习等技术。作为唯一由人类自身创造的符号，自然语言处理一直是机器学习界不断研究的方向。按照百度机器学习专家余凯的说法“听与看，说白了就是阿猫和阿狗都会的，而只有语言才是人类独有的”。如何利用机器学习技术进行自然语言的的深度理解，一直是工业和学术界关注的焦点。
谈到对数据进行分析利用，很多人会想到“数据挖掘”(data mining)。数据挖掘领域在二十世纪九十年代形成，它受到很多学科领域的影响，其中数据库、机器学习、统计学无疑影响最大。数据挖掘是从海量数据中发掘知识，这就必然涉及对“海量数据”的管理和分析。大体来说，“数据挖掘=机器学习+数据库“——数据库领域的研究为数据挖掘提供数据管理技术，而机器学习和统计学的研究为数据挖掘提供数据分析技术。由于统计学往往醉心于理论的优美而忽视实际的效用，因此，统计学界提供的很多技术通常都要在机器学习界进一步研究，变成有效的机器学习算法之后才能再进入数据挖掘领域。从这个意义上说，统计学主要是通过机器学习来对数据挖掘发挥影响，而机器学习和数据库则是数据挖掘的两大支撑技术。从数据分析的角度来看，绝大多数数据挖掘技术都来自机器学习领域，但机器学习研究往往并不把海量数据作为处理对象，因此，数据挖掘要对算法进行改造，使得算法性能和空间占用达到实用的地步。同时，数据挖掘还有自身独特的内容，即关联分析。
通过上面的介绍，可以看出机器学习是多么的重要，应用是多么的广泛。现随着大数据(big data)概念的兴起，机器学习大量的应用都与大数据高度耦合，几乎可以认为大数据是机器学习应用的最佳场景。例如经典的Google利用大数据预测了H1N1在美国某小镇的爆发、百度预测2014年世界杯结果从淘汰赛到决赛全部正确。这实在太神奇了，那么究竟是什么原因导致大数据具有这些魔力的呢?简单来说，就是机器学习技术。正是基于机器学习技术的应用，数据才能发挥其魔力。
大数据的核心是利用数据的价值，机器学习是利用数据价值的关键技术，对于大数据而言，机器学习是不可或缺的。相反，对于机器学习而言，越多的数据会越可能提升模型的精确性，同时，复杂的机器学习算法的计算时间也迫切需要分布式计算与内存计算这样的关键技术。因此，机器学习的兴盛也离不开大数据的帮助。大数据与机器学习两者是互相促进，相依相存的关系。
机器学习与大数据紧密联系。但是，必须清醒的认识到，大数据并不等同于机器学习，同理，机器学习也不等同于大数据。大数据中包含有分布式计算、内存数据库、多维分析等等多种技术。单从分析方法来看，大数据也包含以下四种分析方法：
1.大数据，小分析：即数据仓库领域的OLAP分析思路，也就是多维分析思想。 2.大数据，大分析：这个代表的就是数据挖掘与机器学习分析法。 3.流式分析：这个主要指的是事件驱动架构。 4.查询分析：经典代表是NoSQL数据库。
也就是说，机器学习仅仅是大数据分析中的一种而已。尽管机器学习的一些结果具有很大的魔力，在某种场合下是大数据价值最好的说明。但这并不代表机器学习是大数据下的唯一的分析方法。
第四篇：机器学习基础教学大纲
教学大纲
1概述
什么是机器学习
机器学习的典型应用
机器学习与其他研究领域的关系 机器学习研究目标 PAC学习模型 2 理论基础
采样复杂度
VC维与生长函数
Sauer引理 切诺夫界
McDiarmid不等式 学习子空间(LSP)理论 支持向量机与Margin理论 核化PRR学习模型 TRBF与绿色计算学习 前向反馈与误差反向传播 卷积神经网络 深度学习
通过专家建议的预测 加权表决算法 Perceptron算法 Winnow算法
Widrow-Hoff算法 排序问题 一般性界 3 核方法学习
4 神经网络与深度学习
5 Online学习
6 排序算法
RankBoost 二分排序
Preference-based Ranking
7强化学习(Reinforcement Learning) 马尔科夫决策过程(MDPs) 最优策略 Q学习
Multi-armed bandit 问题 深度强化学习与自主学习 投资组合选择 Minmax理论
重新思考Boosting 卷积神经网络与IMAGENET 对象/场景三维形状学习与识别 8 投资组合选择与博弈论
9机器学习在数字媒体中的典型应用
第五篇：机器人制造基础学习日志
竞赛机器人制造技术基础学习日志
这个学期，我们接触了一门新课程，竞赛机器人制造技术基础。今天是上课的第一天，很期待也有些许困惑，到底是一门什么样的选修课能在周末的黄金时段占用我们一上午时间。
到了机器人基地，进入这件将会陪伴我们三十多个课时的大屋子，才发现这里有非常多的东西需要我们去掌握和学习。现在最多的事情还是疑问。随后，机器人中心的杨老师登场，正是由他给我们带这门课。
首先进行的内容便是介绍这门课。是学院出于对卓越班能力的培养，为我们选了这门课程。在这里，我们可以提高动手实践的能力，利用难得的机会提升团队协作的能力，了解机器人以及理工大的机器人团队，拓宽自己的视野。
之后，便是杨老师为我们介绍机器人。我们总是能通过身边的媒体了解到机器人，但是很多人对于机器人的好多概念是错误的。以前的印象中，只有长得像人一样的智能机器才被称为机器人。这个理解是非常片面的的，这样的机器人仅仅是机器人的一种，称为仿生机器人。真正能被称为机器人的机器还有很多，就像我们焊接专业的焊接机械手，为了功能的需要，完全没有必要做成人形，仿生的部分仅仅是手臂。
以后我会称我们学习工作的地方叫中心。中心的多媒体设备还算丰富，这样我们可以通过看一些视频大概的了解机器人。理工大参加机器人竞赛已经好多年了，从2008年至今，奖项斩获颇丰。我们在杨老师讲解的同时观看了一些中心的机器人在比赛时的视频，有的霸气十足，有的萌态百出。在我看来，中心的机器人大多数可以被划分为智能车类，是以轮式为主。
看过视频后，我们在中心的各个场地先后观看了五种功能不同的机器人的表演。它们分别是灭火机器人，擂台挑战机器人，反恐机器人，擂台机器人，服务机器人，在表演的同时，五个机器人的制造者，都会为大家细致地介绍各个机器人的工作原理、功能及其基本构造。这个过程也是我们挑选机器人的过程，因为我们所有人要被分配到不同的机器人组，跟上助教学长们学习机器人制作的最基本部分。
观看完表演，分组的事情大概有了眉目，我也有一些想法。最后我的选择是擂台机器人。这是一个结构要求较高的机器人，而编程工作相对较少。另外，这个组有一个绘图软件SolidWorks要学习，这个和我们的专业方向很贴近，也会很有用。
第一次课的学习，我们算是入门。对机器人更深入的认识，了解本组机器人的基本原理和以后我们要进行的工作。收获还不敢说有，但是期待下次课程的新内容。
张泰琳
2014年3月22日
周六
竞赛机器人制造技术基础学习日志
今天是第二个课程日，也是正式进入分组学习的第一次课。这次课程的主要学习内容是程序的编写。首先我们了解的是编程软件的界面和简单的使用，写入方式等等，重点还是在程序本身的内容上。擂台机器人的程序主要包括爬坡函数，边沿检测函数，对敌检测函数，对敌函数等几个函数。
最基本的编程知识并不需要太多，助教用已经写好的比较完美的程序为我们讲解。在我看来，对于我们这些新手最困难的部分是函数的命名，每一部分语句的结构还是比较简单的，但是实现所需功能的函数需要我们自己去命名。已有的子函数定义就已经挺多的，理解起来还是有一定困难的。将机器人上各个部分的硬件和程序相结合也重点，虽然这部分我理解起来并不是很难，但是对于机器人来说各种传感器相当于眼睛，眼睛接收到数据传给芯片，芯片相当于大脑，大脑再来给予各部分动作。所以数据的处理是非常重要的事情。
时间毕竟太短，所以我们不可能独立设计程序，但找不足还是有一定可行性的。所以我们的主要任务首先是对程序进行详细全面的学习，然后就是运用我们的想法，找到程序的不足和相应的对策。程序是经过历届学长们无数次修改的，机器人也经受过多次战火的洗礼，所以在有限的时间内，我们以学习为主。当然，若能做到锦上添花就更好不过了。
当然，空想还是不行。所以助教学长为我们播放了历届比赛中的一部分视频，并且在播放视频的同时，也为我们讲解实际比赛的时候可能出现的各种危险情况，以及一些需要但还未解决或解决的不太好的问题。
各种因素都是双刃剑，例如速度。侧面避敌时需要迅速躲避和改变姿势，但是速度过快容易在惯性的作用下冲下擂台。各种传感器的精度和设定的判断距离也会影响控制器的判断和动作。我的思路还是比较清晰，就是说在非正常因素下出问题时，给出解决方法。例如某些传感器被敌方无意间破坏，设计一些冗余程序段来利用别的传感器尽量替代这个被破换的传感器，尽量维持机器人的战斗力和正常运转。
这次课的主要学习内容是看视频和学习编程，通过视频我发现中心的机器人还是有许多优势的。今天的收获主要是编程的思想，以及通过编程解决实际问题的能力。这样可以开阔我们的思维，因为解决同一个问题的编程方法多种多样，这样可以充分锻炼和发挥我们的想象力。
张泰琳
2014年3月30日
周日
竞赛机器人制造技术基础学习日志
我们的工作和学习任务都可以说是模块化的。上周我们学习的是编程的基本内容，主要以认识为主，这次课程我们学习绘图软件SolidWorks的使用。我们组的机器人的硬件搭建，需要先由绘图软件将各部分零件绘制出来，并且装配成一个整体，进行这样一个仿真过程。所以，熟练使用绘图软件SolidWorks是非常重要的一步。这一部分是和我们材料成型专业最贴近的一部分，并且我个人也十分喜欢学习研究零件、图纸等等，所以我的兴趣非常浓厚。
学习的过程其实比较简单，无非就是软件如何使用。在我看来，软件的使用不是教出来的，而是自己练出来。说起来很简单，各个按钮怎么用，以及各个按钮如何组合起来用，仅此而已。但是毕竟还是需要学长带我们，起到示范的作用，好比师傅领进门。我们看韦学长画的过程，最终自己能操作出一样的图形就算是学会了，至于以后再遇到绘制其他的零件、装配体等，就需要多加练习，摸索出适合自己绘图的方法。
这是我第一次使用SolidWorks，以前只用过AutoCAD。两个软件最大的不同便是前者更有利于画3D立体图，而后者画平面工程图更细致。两个软件各有利弊，但是我使用起来没有什么障碍，非常得心应手。因为只要不是特别复杂的步骤，我仅仅照着例子抄画一遍就可以学会。两种软件的操作还是有很大的不同，新手还需要多加熟悉。
学习软件的时间一共1.5个半天，肯定不能学到十分精通，但应付机器人的内容已经够
用了。还是时间的问题，我不可能在短时间内画出机器人的装配图来，也算些许遗憾。通过今天学到的东西，我绘制了一个传感器和一些用所学知识绘制的其他零件立体图。
这次课程收获还是很多的，为我学习这个软件开了一个好头，我很期待我能精通的掌握这个软件的使用。
张泰琳
2014年4月2日 周六
竞赛机器人制造技术基础学习日志
本次课程的学习可谓是承前启后。
我们的第一个工作便是交流和解决使用SolidWorks软件作图时出现的一些问题，并且再次熟悉软件使用。至此，SolidWorks软件使用的传授便完成了，虽然没有讲太多新东西，但是学到的足以应付很多绘图任务了。
之后的工作便是详细学习擂台机器人的构造。擂台机器人是一个结构性很强的机器人，我把它分成了三部分。
最下面是底盘，两侧分别装有两组动力输出单元，每组动力输出单元由一个电机，一个减速器还有一只轮子组成。两侧轮子同速则前进或后退，轮子同速但反向时机器人原地打转，轮子反向转动且不同速用于实现转弯。机器人的自由度还是很高的。两侧前后两个电机的控制线缆并联连接，这样两侧有两个接口与电机驱动器相连。同时，电机驱动器还与电压较大的一组18650锂电池相连。
底盘的四周分布着各种红外探测器以及辉度感应器，用以检测边缘和敌人，它们均与位于中间层的控制器相连。另外，电机驱动器仅仅有很简单的排线与控制器相连，因为电机驱动器这一层的电压大，控制器的一层电压小。控制器可以称为机器人的大脑，它通过电信号控制各部分的协同运作，以保证机器人的动作符合预定的要求。控制器中可以存放很多个用以驱动机器人的程序，这些程序都是事先写好了的。函数中的一些子函数定义的取值可以直接来源于各种传感器，这样可以在控制器上实时修改，达到调整机器人姿态的目的，比起在电脑中修改参数要方便的多。控制器的电压是由一块体积稍小、电压偏低的锂聚合物电池供给的。
最上面一层是三个红外传感器和铲子上的两个辉度传感器，用于检测地面和敌人的铲子或车身。整个机器人用金属材料包围以便于保护，但必须在壳体上给各个传感器和线缆留出通道，壳体的设计也是很富有智慧的。
另外，在通过拆卸组装认识整车的同时，我们也在学长的介绍下简单了解了一些用以组装的小零件们，像排针以及各种接口。这些毕竟和我们专业方向差的太多，我只能了解个大概，知道一些零件的名字。
上面的工作占用了一半多时间，剩下不到一半的时间我们进入了编程阶段，详细的学习编程的每一步，为下周的编程打基础。
张泰琳
2014年4月19日
周六