Recommended system als_mf算法流程： 初始化矩阵U和M，U矩阵大小为user_id * n_feature，其中user_id为用户id数，n_fearure为潜在特征；同理M矩阵大小为item_id * n_feature，其中item_id为项目id数； 生成user_id - item_id矩阵，其中行为user_id，列为item_id，值为用户评分rating，减去全局评分的均值； 误差等式为平方差公式，即真实值和预测值的评分差（R-U*M），为了防止过拟合，加上正则项，惩罚过大参数； 固定M矩阵，使用梯度下降，对误差等式f(U, M)求U梯度； 同样固定U矩阵，使用梯度下降，对误差等式f(U, M)求M梯度； 预测值为U*M，不断迭代上面两步，直到最近两次误差收敛到一个阈值时，停止更新参数（具体数学推导可看matrix factorization笔记及论

1. int AttitudeEstimatorQ::start( ) 程序启动函数 2. void AttitudeEstimatorQ::task_main( ) 进程入口 3. float gyro[3] 获取传感器数据， DataValidatorGroup，并检验数据可靠度 4. 通过 uORB 模型获取 vision 和 mocap 的数据 5. 位置加速度获取（_pos_acc）

：本文通过对多层神经网络模型的 BP算法的推导 讨论用 算法对网络进行优化后误差精度、 网络结构和学习次数之间的关系 最后指出 算法的不足之处， 提出加快学习过程的一些改进方 法和技巧。

本文档对包括输入层在内的四层人工神经网络的权值学习算法——BP算法进行了推导。

对循环神经网络的简单认识及一些主要数学过程的推导的文档和应用matlab代码编写一个简单的循环神经网络进行预测的一个matlab程序。

反向传播算法是人工神经网络训练时采用的一种通用方法，在现代深度学习中得到了大 规模的应用。全连接神经网络(多层感知器模型，MLP)，卷积神经网络(CNN)，循环神 经网络(RNN)中都有它的实现版本。算法从多元复合函数求导的链式法则导出，递推的 计算神经网络每一层参数的梯度值。算法名称中的“误差”是指损失函数对神经网络每一层 临时输出值的梯度。反向传播算法从神经网络的输出层开始，利用递推公式根据后一层的误 差计算本层的误差，通过误差计算本层参数的梯度值，然后将差项传播到前一层

MPU6050卡尔曼滤波算法及其推导过程，网上大部分都是只是代码，虽然可以用但是用起来总感觉怪怪的，特推导一下，如有错误请及时提醒，以免后来者再次犯错

针对长短期记忆网络（lstm)的算法过程做了详细推导，有具体公式，长达十页，也用matlab对该算法进行了实现，有运行程序和结果图片。

算法的详细推导，对于学习该算法的技术人员有帮助。