个更为简单的方法是，将该问题分成系列细小的问题，而不是直接大规模的计算得到。

但是，尽管序列最小优化算法并不是最快的算法，的优化算法可以比序列最小优化算法快上两倍，对于其他类型的算法可能快上更多。

但是由于序列最小优化算法的相对简单和它相对出色的效果依然使它被很多实验所应用。

本文采取的措施是非最优的算法。

Ⅲ方向梯度直方图介绍方向梯度直方图描述子提供了非常优秀的质量复杂度，并不像其他边描述子像或者描述子那样复杂和很大计算开销，但也能给我们与像形状背景或者哈尔小波转换那样的更简单的描述子相比，更好的结果。

主要，附录原文思路是每个对象都能被局部分布的方向梯度所特征化，在局部分布的方向梯度中，每个小区域中的密集的定向梯度都会被累积到直方图中。

为了使得直方图对光照有较好的健壮性，利用大块区域的能量局部直方图都被标准化到个大的区域。

因此标准化的直方图都会覆盖大块区域，最终化为方向梯度直方图。

措施我们采取的措施是未经任何修改的算法，并且从数据库中截取的图片也未经伽玛修正。

个普通的中心的离散派生掩模，用于梯度计算。

原始图像方向梯度方向梯度整体梯度图方向梯度计算结果图下个基础的环节是确定方向，对于每个像素计算出个描述边的方向的建议值。

这些建议值之后被用于描述局部区域的方向值储存起来。

方向值在或内均匀分布。

在这里个好的方向描述子需要个带有方向梯度的方向值来描述。

利用方向梯度可以提高车辆识别的效果，因为大多数汽车有着并不完全相同的外形，因此当视角改变时，它的外形也会有巨大变化。

同时，我们利用的高斯区域窗口作用于每个大区域，附加准则用于大区域的标准化。

最终，获得了每像素包含坐标的区域结构。

Ⅳ结论为了比较不同内核的效果，我们采取了相对简单的交叉评判标准。

我们从的汽车数据库中提取了个图像作为正例，从汽车数据库中提取了个图像作为反例所有图像的分辨率为。

我们使用交叉评判获得了训练集和测试集，在训练和测试过程完毕后，我们可以获得两个非常重要的值，即假正率和真正率。

并且随着定量的循环实验后，我们能够获得足够多的点来绘制出弧线，但是获得的点集并不能永远绘制出合适并且足够倾斜的弧线，所以为了更好的可视性和对比性，我们这里采取多项式弧线。

每次循环中，由于整个数据库被采取了训练集，测试集的交叉评判标准，所以每次循环的数据是随机取得的，几乎是同样数目的正例和反例被选入测试集。

将会以惩罚参数训练各个不同子集的每个例子。

使用不同内核和参数所获得的结果如下所示。

注意，为了实验简单，所有操作均在软件上完成。

图线性内核的曲线图二次多项式内核的曲线图当时，高斯内核的曲线图当时，高斯内核的曲线图当时，高斯内核的曲线图当时，高斯内核的曲线图当，时，内核的曲线从图所示，我们可以发现当时，线性内核与高斯内核道可以取得几乎完美的结果，而其他的方法却都彻底的失败，不是由于识别不出任何事物，就是存在大量分类，特别是假的正情况，但是仍然优于随机按弯扭合成强度条件计算如下很据，学习机将会得到如下所示的超平面公式或者决策函数这里，是标准权值点，是偏移量。

因此对于任何个需要分类的新数据，它必须遵守决策规则当，，当，。

注释为维的分隔超平面，它的决策域在维超平面内，并且它是超平面和输入空间的交汇处，因此可以证明。

那么总体的问题便是找到位于两个类别有详解介绍间的最大边缘超平面，因此最大的边缘在这里可以定义为它也等价于下式的最小值之后学习问题的规模便减少到并被下述条件所约束，公式和，构成了个不等条件下的二次型最优问题，它可以被典型的二次型如，方法解决。

图有个大边缘的线性分类器图有个小边缘的线性分类器线性软边缘分类器在介绍中阐述的线性可分的例子并不是永远都有效的，尤其是当数据是从经验或者是真实生活里得来的，也可以说在相互重叠的数据集中寻找个线性可分的情况并不永远都是个最好的方法，甚至说都不是个可行的方法。

尽管如此，在介绍非线性之前，我们也要对线性软边缘分类器做个简短介绍。

由于分隔超平面的自带属性和约束条件，个相互重叠的数据集合并不能很好的被分类，对于任何个训练数据，它都会被误分类，相应的，将会为了最终分类正确会使它的值增长，最优算法因而会选择所有训练数据作为支持点。

所以在实际应用中，最好允许些数据被误分类。

相应的，这个学习问题会被表达为下式的最小值受制于如下约束条件为惩罚参数，为非消极松弛变量。

上述表达式描述了个凸函数问题，意味着它将不只是具有个最小值，而且它通常在或者时才能被解决，相应的被称为和。

为了简化问题，我们只描述准则条件下的二次问题的结果，由双变量的凹点给出，为了寻找最优凹点，或者是超平面，双变量必须要在下列条件下取得最大值，并且，注意上述由如，得到的约束条件和式对于分隔的数据是致的，只有个不同点就是它们的多维变量不同。

图线性软边缘支持向量机非线性软边缘分类器分类器的主要优势就是它可以轻易的由个线性的方法扩展成为个非线性的方法。

通过在我输入的训练数据中的个特征空间内考虑线性分类就会构建出个可以实现非线性分类的分隔超平面，其中的输入数据可以映射为所以通过上述所有公式将所有输入空间内的点替换为特征空间内的点，即可完成线性到非线性的转化，特别的对于式中的双，可以表示为，尽管如此，在计算梯状产生式时会产生个问题，它的计算开销会变得过大，尤其是特征空间非常巨大时。

因此我们通过内核直接计算梯状产生式，这样我们就可以不必知道的真实映射是什么。

可能的内核的数目非常巨大，它们所需要满足的唯条件就是的条件，表给出了常用的内核函数。

表常见内核函数内核函数分类器类型，线性，点积多项式高斯多层感知器，序列最小优化算法序列最小优化算法首先被应用于克服算法在计算和实施上的复杂度。

尽管如此，首先减少的问题的是的大块算法，形式如，它将的大型矩阵的数据规模从所有数据减轻的所有非数据。

显然截面为危险截面。

由于弯曲应力为对称循环，扭转切应力为静应力，则式中轴的计算应力，轴所受的弯矩，轴所受的扭矩，轴的抗弯截面系数，图轴的受力分析及弯扭矩图折合系数，当扭转切应力为静应力时，取查手册钢，调质处理许用弯曲应力所以截面左侧安全，显然截面右侧也是安全的。

安全系数校核轴的材料为钢，调质处理。

又文献表查的，，。

截面上的弯曲应力截面上的扭转切应力截面上由于轴肩而形成的理论应力集中系数及按文献附表查询。

因经插值后可查得，又由附图可得轴的材料的敏感系数为，故有效应力集中系数按式附表为由文献附图的尺寸系数由附图的扭转尺寸系数轴按磨削加工，由文献附图得表面质量系数为轴未经表面强化处理，即，则按文献式及式得综合系数为εε碳钢的特性系数，取，取于是，计算安全系数值，按文献中的式则得许用安全系数，显然，故剖面安全。

以上计算表明，轴的弯扭合成强度和疲劳强度是足够的。

轴承选用轴承选型考虑驱动轴在的较大弯矩作用下会产生弯曲变形，且不易与减速机严格保证同心，故选用承载能力大并有自动调心功能的调心球轴承轴承。

其基本参数如表。

表轴承基本参数基本尺寸额定载荷工作情况分析及寿命计算提升机驱动轴轴承主要承受径向载荷，轴向载荷很小并可以忽略中等冲击。

其当量动载荷为式中载荷系数，中等冲击取。

其寿命为式中轴承的寿命指数，滚子轴承。

故驱动轴轴承的工作寿命为小时。

驱动链轮键的设计校核由驱动链轮轴的直径为，文献，由表可知，应取键的宽，高度的普通平键键轴和轮廓的材料都是钢，由表查得许用挤压应力，取其平均值。

键的工作长度，键与轮廓键槽的接触高度。

由式可得合适精度设计输入轴输入轴轴颈的公差带按它与轴承内圈配合的要求确定为。

与皮带轮配合部分轴颈因与皮带轮毂配合加工精度为。

行星架与轴承内圈配合处加工精度均为级。

输出轴要与联轴器配合加工精度为输出轴轴颈要与行星架和联轴器配合故轮廓算数平均偏差上限值为，其余不重要部分为。

轴配合面相对于轴线圆跳动公差带为。

轴键槽对称度公差带均为，键槽侧面轮廓算数平均偏差为。

底面粗糙度为。

行星齿轮齿面表面粗糙度为，齿轮侧面对轴线的圆跳动公差带为，粗糙度为。

客轮内侧所有粗糙度均为。

联轴器的选择由于弹性柱销联轴器如图所示具有般补偿两轴相对偏移和减振能力，结构简单，更换弹性元件简便，允许有轴向窜动，适用的工作温度为到，所以根据提升机的工作特性，选择弹性柱销联轴器作为减速器和提升机上部主轴之间的连接设备。

由文献可知应选取的联轴器型号为联轴器由表可知所选用连轴器的公称扭矩，许用转速为，而本次设计所需的扭矩，转速为，故所选的联轴器完全满足要求。

下面对联轴器与轴连接处的键进行设计和强度较核轴的直径为，文献，由表可知，应取键的宽，高度的普通平键键轴和个更为简单的方法是，将该问题分成系列细小的问题，而不是直接大规模的计算得到。

但是，尽管序列最小优化算法并不是最快的算法，的优化算法可以比序列最小优化算法快上两倍，对于其他类型的算法可能快上更多。

但是由于序列最小优化算法的相对简单和它相对出色的效果依然使它被很多实验所应用。

本文采取的措施是非最优的算法。

Ⅲ方向梯度直方图介绍方向梯度直方图描述子提供了非常优秀的质量复杂度，并不像其他边描述子像或者描述子那样复杂和很大计算开销，但也能给我们与像形状背景或者哈尔小波转换那样的更简单的描述子相比，更好的结果。

主要，附录原文思路是每个对象都能被局部分布的方向梯度所特征化，在局部分布的方向梯度中，每个小区域中的密集的定向梯度都会被累积到直方图中。

为了使得直方图对光照有较好的健壮性，利用大块区域的能量局部直方图都被标准化到个大的区域。

因此标准化的直方图都会覆盖大块区域，最终化为方向梯度直方图。

措施我们采取的措施是未经任何修改的算法，并且从数据库中截取的图片也未经伽玛修正。

个普通的中心的离散派生掩模，用于梯度计算。

原始图像方向梯度方向梯度整体梯度图方向梯度计算结果图下个基础的环节是确定方向，对于每个像素计算出个描述边的方向的建议值。

这些建议值之后被用于描述局部区域的方向值储存起来。

方向值在或内均匀分布。

在这里个好的方向描述子需要个带有方向梯度的方向值来描述。

利用方向梯度可以提高车辆识别的效果，因为大多数汽车有着并不完全相同的外形，因此当视角改变时，它的外形也会有巨大变化。

同时，我们利用的高斯区域窗口作用于每个大区域，附加准则用于大区域的标准化。

最终，获得了每像素包含坐标的区域结构。

Ⅳ结论为了比较不同内核的效果，我们采取了相对简单的交叉评判标准。

我们从的汽车数据库中提取了个图像作为正例，从汽车数据库中提取了个图像作为反例所有图像的分辨率为。

我们使用交叉评判获得了训练集和测试集，在训练和测试过程完毕后，我们可以获得两个非常重要的值，即假正率和真正率。

并且随着定量的循环实验后，我们能够获得足够多的点来绘制出弧线，但是获得的点集并不能永远绘制出合适并且足够倾斜的弧线，所以为了更好的可视性和对比性，我们这里采取多项式弧线。

每次循环中，由于整个数据库被采取了训练集，测试集的交叉评判标准，所以每次循环的数据是随机取得的，几乎是同样数目的正例和反例被选入测试集。

将会以惩罚参数训练各个不同子集的每个例子。

使用不同内核和参数所获得的结果如下所示。

注意，为了实验简单，所有操作均在软件上完成。

图线性内核的曲线图二次多项式内核的曲线图当时，高斯内核的曲线图当时，高斯内核的曲线图当时，高斯内核的曲线图当时，高斯内核的曲线图当，时，内核的曲线从图所示，我们可以发现当时，线性内核与高斯内核道可以取得几乎完美的结果，而其他的方法却都彻底的失败，不是由于识别不出任何事物，就是存在大量分类，特别是假的正情况，但是仍然优于随机按弯扭合成强度条件计算如下很