日前在医学与生物工程杂志有一篇预发布研究论文：COVID-19 Artificial Intelligence Diagnosis using only Cough Recordings 报道了麻省理工学院（MIT）研究团队利用AI开发了一种无症状感染检测新方法。该方法检测你是否患有新冠病毒，只需要你咳嗽一声。基于人工神经网络算法，在他们自行建立的迄今为止最大的咳嗽数据集测试，对于无症状感染者的诊断准确率可达到100%。
自动驾驶汽车是当前机器学习研究者和工程师们正在探索的最复杂任务之一。它覆盖很多方面，而且要求必须高度稳定，只有这样我们才能保证自动驾驶汽车在道路上安全运行。通常，自动驾驶算法的训练需要大量真实人类驾车的训练数据，我们试图让深度神经网络理解这些数据，并复现人类遇到这些情况时的反应。
在自动控制中，PID（Proportion-Integrationi-Differentiation:比例-积分-微分）控制算法在近一个多世纪以来在空城控制领域中占据了主导地位。它是由苏联工程师Minorsky在1922年在研究舰船自动控制领域分析中提出的算法。PID控制算法是通过受控对象的实际行为和目标之间的误差，通过比例-微分-积分运算再重新作用在被控对象。
直立平衡车因其动力学系统同时具有多变量,非线性,不稳定,强耦合等特性,传统的单环PID控制平衡已经略显吃力。本文将采用内环角速度PI控制、外环角度PD控制及最外环速度PI控制组成的串级 PID算法来控制直立车的平衡及运动，串级PID控制器比常规PID控制系统具有较强的稳定性、抗干扰性。
在昨天人工神经网络课程之后，有一位同学课下问了一个问题，她这学期也在学习“机器学习”课程，感觉“人工神经网络”课程的内容与机器学习课程的内容大同小异。究竟这些课程之间有何区别呢？弄不清楚这些自己这学期的课程很是担心。之所以产生这样的疑问，原因来自于这两门课程之间的相似之处，而且随着学科的发展它们重合度也在增加。但它们之间的差异在哪儿呢？
环岛元素是智能车比赛中较难处理的元素之一。比赛要求智能车能检测到环岛并从入口驶入，在绕行约 270°后驶出环岛，其中，能否高响应、高鲁棒性地检测环岛是后续进出环岛等步骤的基础。本文根据计算机视觉中的多视图几何学证明了环岛椭圆投影的存在，使用优化的最小二乘法拟合法并结合相关限制条件以识别环岛。
本文以第十五届智能车竞赛为背景，介绍了中国矿业大学的声音信标赛题的队员的设计方案以及调试结果。比赛任务是在比赛场地上固定一定数量的信标灯，响起的信标灯会发出250-2000Hz频率的chirp声音信号、95MHz的FM信号。参赛队伍采用四驱的麦克纳姆轮车模进行规则允许范围内的改装，小车定位响起的信标灯并进入信标灯感应线圈范围内使信标灯切换。
很多电子爱好者、初学者在碰到一个半导体器件的时候，需要确认它的型号、功能以及管脚定义，才能够正确使用它。但当你从一块印刷电路板上拆下一个器件，或者从元器件盒中拿出一个器件，除非能够正确辨认出上面的型号，找到对应数据手册文档，否则就需要手工确认它就是是那种类型的三极管、场效应管、晶闸管、二极管、电容、电感等。
在上篇的人工神经网络课程中介绍了机器学习中的支持向量机与前馈网络RBF的之间的联系，而对于由传递函数为线性函数组成的单层网络的代表自适应线性单元更是和传统信号处理中的自适应滤波器相类似。
电位器（potentiometer）也被称作滑动变阻器（rheostat）是一个机械电子器件，通常具有三个端口，即左右两个固定端以及中间的滑动端。两个固定端连接在 一个由电阻丝、碳膜、陶瓷、有机膜等组成的固定电阻两端。滑动端可以在电位器旋钮机械驱动下（单圈、多圈、直线）在电阻中间位置移动，从而改变滑动端与两个端口之间的电阻。
今天在Tensorflow公号看到推文Pixelopolis：由 TensorFlow Lite 构建无人驾驶微型汽车 ，作者介绍了他们在今年Google I/O大会上展示的TensorFlot Lite构建的无人驾驶微型汽车的展品：Pixcelopolis。每辆微型汽车都装配有一部 Pixel 手机，使用手机上的摄像头检测和理解周围的信号。手机使用了Pixel Neural Core边缘计算芯片，可感应车道、避免碰撞和读取交通标志。
关于经典网络重要的BP（误差反向传播网络）是所有学习人工神经网络最先接触到的一个实用网络，它的原理相对比较简单，在很多平台中都非常容易实现。
