集成学习算法的比较研究
集成学习算法的比较研究
张沧生1,崔丽娟2,杨 刚3,倪志宏1
(1.河北大学计算中心,河北保定 071002;2.河北大学图书馆,河北保定 071002;
3.河北大学数学与计算机学院,河北保定 071002)
摘 要:从差异性出发,研究了基于特征技术与数据技术的集成学习算法,深入分析了这些集成学习算法产生差异性的方法;针对决策树与神经网络模型在标准数据集对集成学习算法进行了实验研究,结果表明集成学习算法的性能依赖于数据集的特性以及产生差异性的方法等因素,并且基于数据的集成学习算法的性能优于基于特征集的集成学习算法的性能.
关键词:差异性;特征集;重取样;分类;泛化
中图分类号:TP 301.6 文献标识码:A 文章编号:1000-1565(2007)05-0551-04
Comparative Study for E nsemble Learning Algorithms
ZH ANG Cang 2sheng 1,CUI Li 2juan 2,Y ANG Gang 3,NI Zhi 2hong 1
(https://www.360docs.net/doc/2011028638.html,puter Center ,Hebei University ,Baoding 071002,China ;2.Library ,Hebei University ,
Baoding 071002,China ;3.College of Mathematics and Computer ,Hebei University ,Baoding 071002,China )
Abstract :From point of view of diversity ,ensemble learning algorithms based on feature set and data tech 2nique are studied.Methods of creating diversity for these ensemble learning algorithms are deeply analyzed.And experimental studies for using decision trees and neural networks as basis models are conducted on 10standard data sets.They show that performances of ensemble learning algorithms depend on character of data set ,method of creating diversity ,and etc.Furthermore ,performances of ensemble learning algorithms based on data are su 2perior to one based on feature set.
K ey w ords :diversity ;feature set ;sampling with replacement ;classification ;generalization
自20世纪90年代以来,集成学习引起了机器学习研究者的极大兴趣,并且集成学习很快成为了机器学习的研究热点之一,并在数据挖掘、模式识别、文本分类、预测等方面获得了应用.目前,文献中存在许多集成学习算法,大致可归为如下几类:在线或者增量式集成算法、软集成学习算法、采用不同的技术优选模型的集成算法、具有抗噪能力的集成算法、小规模数据集的集成学习算法等.实际上,研究者仍在不断努力研究集成学习的差异性及其各种融合方法[1-3].本文主要研究基于特征集与数据技术的集成学习方法.特征集技术是通过一定的策略选取特征子集来获得差异性的一类方法,而究竟如何选取这些特征子集存在许多不同的方法,比如采用枚举方法选取特征子集、随机方法选取特征子集、使用遗传算法选取特征子集等;而基于数据技术是采用随机的方法选取不同训练数据,然后利用这些训练数据生成集成中的个体,其目的是通过随机选取数据方法获取集成个体间的差异性.
收稿日期:2007-01-20
作者简介:张沧生(1957-),男,河北衡水人,河北大学实验师,主要从事信息管理与检索方面的研究.
第27卷 第5期
2007年 9月河北大学学报(自然科学版)Journal of Hebei University (Natural Science Edition )Vol.27No.5Sep.2007
1 基于数据的集成方法
基于数据的集成主要使用随机取样的方法获取训练数据,它是集成学习算法获取个体差异性经常使用的方法,包括有放回随机取样、无放回随机取样与混合取样(包括无放回随机取样与有放回随机取样)3种.较典型的方法是Bagging 与Adaboost.
Bagging [4]是由Breiman 提出的一种集成学习方法,通过采用有放回随机取样技术(Bootstrap 取样)获取训练集,然后使用该数据集生成集成学习中的个体.在这种方法中,集成个体间的差异性是通过Bootstrap 重取样技术获得的,或者说它是通过训练数据的随机性及独立性来提供集成中个体的差异性.该方法主要用于不稳定(不稳定是指当训练集中数据有微小的变化时,则会导致模型有很大的变化)的学习算法,例如神经网络和决策树.为了减少个体所产生的方差,通过对这些个体的预测值投票,从而减少了泛化误差.对于稳定的学习算法,例如朴素贝叶斯方法,Bagging 集成并不能减少误差.
Boosting [5]方法是一类集成学习算法的总称,它有许多变种,AdaBoost 是较流行的方法.通过直接引导难以分类的数据以生成集成的差异性.在这种算法中,假设学习算法能够处理加权实例,若学习算法不能直接处理加权实例,则按照权分布对训练集取样以产生新的训练集.AdaBoost 对训练实例的权进行维护,并且在第i 次迭代中,通过最小化训练集的加权误差来训练分类器C i ,然后使用分类器C i 的加权误差更新训练实例上的权分布,这样使得错分实例的权值增加,而正确分类实例的权值减少,在训练下一个分类器时,则使用更新后实例的权值分布,并重复此过程.在训练完成之后,使用个体分类器的加权投票融合方法
∑i
w i C i
(x )进行决策.当数据量不足或有大量的分类噪声(即具有不正确的类标号的训练实例)时,这种学习算法的性能有所下降.
2 基于特征集的集成方法
特征集方法是用来提高集成个体差异性的另一类方法,通过提取不同的特征子集来训练集成中的个体.为了提高集成个体的差异性,通常采取不同的技术获取这组特征子集.最直接的方法就是在大小为n 的特征集合中,求出所有的特征子集,然后在其中选取所需要的特征子集集合.但由于由特征子集所构成的搜索空间由2n 种可能状态构成,显然,即使在特征数目不高的情况下,搜索空间也是庞大的.在实际应用中,这种穷尽式搜索是不可行的,因此,研究者们致力于用启发式搜索算法寻找特征子集集合.如Ho [6]提出的随机子空间方法.在这种方法中,随机选择特征子集,并分配给学习算法,然后在这个子空间中生成分类器,最后根据分类器的正确率使用加权投票方法进行集成.Guerra 2Salcedo 与Whitley 合作使用遗传算法的搜索过程产生集成成员或集成个体.另外,Tumer 与Oza [7]提出了ID (Input Decimation )方法.这种方法目的是减少集成成员产生错误的相关性,通过使用不同的特征子集训练集成中的成员.这种方法与随机子空间方法是不同的,因为对于每一类,要明显地计算每个特征与类的输出间的相关性,并且仅在特征最相关的子集上训练集成成员.Xu 等、Park 等与Breukelen van [8-10]等也研究了基于特征集的集成学习方法,并提出了划分特征集的方法,并在每一个子集上构造集成中的成员.综上所述,对于上面的这些集成学习方法可以概括为如下的集成学习框架:
1)选取不同的特征集以构成特征集的集合;
2)使用这组特征集集合生成集成中的个体;
3)选取一种融合方法对个体结论融合.
在下面的实验研究中,分别使用了不同的获取特征集的方法,评价函数为信息增益(IG )、增益率(GR )与主成分(PC )函数.
3 实验研究
3.1 实验数据及实验过程
为了验证基于特征集与数据技术的集成学习算法的性能,在10个数据集对集成学习算法Bagging ,Ad 2
?255?河北大学学报(自然科学版)2007年
aboost ,Attribute 2Selection 进行了实验研究,这些数据集的具体特性见表1所示.
表1 数据集的特性
T ab.1 Features of d ata sets
数据集名
数据个数类数属性个数breast 2w
699210diabetes
76829glass
214711iris
15035labor
57217sonar
220261vehicle
155220vote
435217vowel
9901114zoo 101718
实验中集成学习算法的基模型分别为神经网络与决策树,学习算法分别为BP 与C4.5.神经网络的结构除了含有输入层与输出层外,另外选择了含有10个节点的单隐层,BP 算法中其他参数的设置(例如学习率等)采用了Weka [11]系统中的默认值.实验过程分为2组:一组是基于数据的集成学习,例如Bagging 与Ad 2aboost 算法;另一组是基于特征集的集成学习,例如搜索特征集时采取不同的评价函数可得到不同的特征子集集合,实验研究中的评价函数为信息增益(IG )、增益率(GR )与主成分(PC )评价函数.
3.2 实验结果及分析
实验中使用了十重交叉验证方法,实验结果如图1与图2所示.由图1看到,在大多数数据集上集成算法Bagging 与Adaboost.M1的泛化性能相当.从总体上讲,基于属性选择的集成算法的泛化性能要差于Bag 2ging 、Adaboost.M1,尤其是使用决策树作为基模型的集成学习效果更差.出现这种情况的主要原因是选取的特征数目少从而导致集成个体间的差异性减少,因此集成学习的性能较差
.
图1 集成学习算法的实验结果比较
Fig.1 Comparison of experimental results for different ensemble learning algorithms
由图2知,基于不同评价函数获得的特征集的集成学习算法的性能是不同的,它们依赖数据集的特性等因素,比如数据集的规模、数据集中属性的个数.总之,当数据集的规模较大,而数据的维数较低时,集成的效果比较明显.因此,对于使用不同特征集生成差异性的方法是需进一步研究的问题.实际上,可以通过采用不
?355?第5期张沧生等:集成学习算法的比较研究
同搜索策略、不同评价函数等因素获取这些特征集,进而进一步增加集成个体的差异性
.
图2 使用不同特征集评价函数的集成学习算法的实验结果比较
Fig.2 Comparison of experimental results for ensemble learning algorithms b ased on different evalu ation function of feature set 4 结论
差异性是集成学习算法提高性能的一个重要因素,可以说没有差异性就没有提高.本文从差异性出发,分析研究了基于特征技术与数据技术的集成学习算法,及这些集成学习算法产生差异性的方法;针对决策树与神经网络模型在10个标准数据集对集成学习算法Bagging ,Adaboost ,Attribute Selection 进行了实验研究,表明了集成学习算法的性能依赖于数据集的特性以及产生差异性的方法等因素,并且基于数据的集成学习算法的性能优于基于特征集的集成学习算法的性能.
参 考 文 献:
[1]L IU C L.Classifier combination based on confidence transformation [J ].Pattern Recognition ,2005,38(1):11-28.
[2]A KSELA M ,LAA KSON EN https://www.360docs.net/doc/2011028638.html,ing diversity of errors for selecting members of a committee classifier [J ].Pattern Recogni 2
tion ,2006,39(4):608-623.
[3]GUN TER S ,BUN KE H.Feature selection algorithms for the generation of multiple classifier systems and their application to
handwritten word recognition[J ].Pattern Recognition Letters ,2004,25(11):1323-1336.
[4]BREIMAN L.Bagging predictors[J ].Machine Learning ,1996,24(2):123-140.
[5]SCHAPIRE R E.The strenght of weak learnability[J ].Machine Learning ,1990,5(2):197-227.
[6]HO T K.The random subspace method for constructing decision forests[J ].IEEE Transactions on Pattern Analysis and Machine
Intelligence ,1998,20(8):832-844.
[7]OZA N C ,TUMER K.Input Decimation Ensembles :decorrelation through dimensionality deduction[Z].The 2nd International
Workshop on MCS ,Cambridge ,2001.
[8]PAR K H S ,L EE S W.On 2line recognition of large sets handwritten characters with multiple Hidden 2Markov models[J ].Pat 2
tern Recognition ,1996,29(2):231-244.
[9]BREU KEL EN V M ,DU IN R P W ,TAX D ,et https://www.360docs.net/doc/2011028638.html,bining classifiers for the recognition of handwritten digits[Z].The 1st
IAPR TC1Workshop on Statistical Techniques in Pattern Recognition ,Prague ,1997.
[10]XU L ,KRZYZA K C ,SU EN C.Methods of combining multiple classifiers and their applications to handwritting recognition
[J ].IEEE Transactions on Systems ,Man and Cybernetics ,1992,22(3):418-435.
[11]IAN H W ,EIBE F.Data mining :practical machine learning tools and techniques[M ].San Francisco :Morgan K aufmann ,
2005.
(责任编辑:孟素兰)?455?河北大学学报(自然科学版)2007年
政治经济学_经典案例分析
案例1： 在2002年的最后一个周日，中国为电力行业的垄断画上了句号。拥有占全国46％发电资产和90％输电资产的原国家电力公司被拆分重组为11家独立的公司，这些公司在12月29日同时宣布正式成立。从1987年持续至今的中国民航业改革在2002年也有突破性进展。随着6大民航集团10月11日的成立，中国民航总局与下属的民航企业彻底脱钩。以中国国际航空公司、中国东方航空公司、中国南方航空公司为基础组建的三大航空运输集团，其资产总和将占据中国民航总资产的80％。 问题：政府对市场失灵的纠正。 分析：市场失灵的主要表现： （1）竞争失效 （2）外部性 （3）市场不完全 （4）公共产品 （5）信息不对称 为弥补市场失灵需要政府介入，政府介入的手段和领域为： （1）对效率的介入 ①财政支出②财政补贴③政府采购④限制垄断（2）对收入再分配的介入 ①税收和转移支付 ②公共事业投资 ③特别征税 （3）对经济稳定的介入 ①财政制度内在的自动稳定器 ②相机抉择的财政政策 ③金融政策 ④紧急行政措施 ⑤道义上的劝告 本案例中，政府通过限制垄断，恢复市场机制的作用，实现可操作的竞争。 案例2： 1998年5月18日，美国司法部和20个州向最高法院递交诉状，控告微软公司利用其“视窗”操作系统来迫使消费者使用它的其它软件产品——其中最重要的是“网络探索者”Internet浏览器。1999年，该案做出了一审判决，在长达270页的判决中，法官杰克逊列举了微软一系列反竞争，保护垄断势力的行为。微软一直在努力拓展其势力范围，使其超越软件行业，而进入日趋有利可图的电子商务和网络连接行业，他们已经投资数以百亿计的资金在通讯和科技公司中（如AT&T）。由于微软的“视窗”操作系统具有垄断状态，把Internet浏览软件“网络探索者”（InternetExplorer）与“视窗”捆绑在一起也就相当于垄断了消费者和与电子商务有关的厂商上网的交通通道。问题： 1、结合该案例分析垄断和反垄断对社会造成什么样 的影响？ 2、美国的反垄断法对我国市场经济建设有何借鉴意 义？ 分析：垄断市场会带来效率损失，影响市场作用的 正常发挥，主要体现在：垄断使产量减少，价格增 加；垄断造成社会无谓损失；垄断造成企业不思进 取。 有必要通过反垄断措施纠正这种市场失灵，使价格 降低，增加消费者和社会的福利水平。 1890年，美国通过了美国的第一部反托拉斯法—— 谢尔曼法。1914年，美国又制定了克莱顿法和联邦 贸易委员会法。这三个法案基本形成了美国的反垄 断法律体系。 美国反托拉斯法所规范的反竞争行为包括：联合限 制竞争行为、滥用经济优势的行为、价格歧视行为、 垄断与企业兼并行为、其他反竞争行为（股份保有、 董事兼任、瓶颈垄断、商业贿赂）、损害消费者的行 为（欺骗性定价、欺骗性广告宣传、虚假不实的标 签）。 美国反托拉斯法的特点是以限制造成垄断的不公平 竞争行为为主，而不反对现有的垄断企业。所以， 一个行业中垄断企业的存在本身并不违法，只有垄 断企业应用其垄断力量不公平地竞争时才算违法。 这使得美国的反托拉斯法具有很强的“行为法”特 点，即一切以企业行为是否违背公平竞争为判断依 据。 案例3： 中国电信改制的历史可以追溯到1994年中国联通 公司的成立。当时联通的总资产虽然只有中国电信 的1/260。但此举使邮电部独家垄断国内电信市场 的局面开始改变。1999年2月，信息产业部决定把 中国电信的寻呼、卫星和移动业务剥离出去。原中 国电信被拆分成中国电信、中国移动和中国卫星通 信三个公司，寻呼业务并入联通公司。2001年12 月，国务院批准了新的电信体制改革方案，对现有 的电信企业进行重组。中国电信现有资产划分为南 北两个部分。华北地区、东北地区和河南、山东共 10个省（自治区、直辖市）的电信公司归中国电信 北方部分；其余归中国电信南方部分。 问题：1.垄断和市场失灵。2.政府对垄断的态度和 措施。 分析： 1.垄断市场的效率损失。 （1）垄断使产量减少，价格增加； （2）垄断造成社会无谓损失； （3）垄断造成企业不思进取。 垄断市场的非效率导致市场机制不能正常发挥作 用，是导致市场失灵的情况之一。 2.现今世界各发达国家限制垄断、促进竞争的政策 措施，基本上是根据上述标准把促进“可操作竞争” 作为政策目标。 在各主要发达国家，基本上都制定了有关禁止垄断、 维持公正交易的法律。具体措施主要是通过限制垄 断的立法，由行政机构加以监督，由司法机关加以 执行。各国政府的反垄断政策就是以这些法律为依 据展开的。 我国的反垄断和不正当竞争应在学习国外经验的基 础上，结合本国国情。 案例4： 在小镇上，该镇的人从事的经济活动中最重要的一 种是养羊。镇上的许多家庭都有自己的羊群，并出 实用以做衣服的羊毛来养家。大部分时间羊在镇周 围土地的草场上吃草，这块地被称为镇共有地。没 有一个家庭拥有土地。相反，镇里的居民集体拥有 这块土地，所有的居民被允许在这块地的草场上放 羊。集体所有权很好地发挥作用，因为土地很大。 只要每个人都可以得到他们想要的有良好草场的土 地，镇共有地就不是一种竞争性物品，而且，允许 居民在草场上免费放羊也没有引起问题。时光流逝， 镇上的人口在增加，镇共有地草场上的羊也在增加。 由于羊的数量日益增加而土地是固定的，土地开始 失去自我养护的能力。最后，土地变得寸草不生。 由于共有地上没有草，养羊不可能了，而且，该镇 曾经繁荣的羊毛业也消失了。许多家庭失去了生活 的来源。 问题：什么原因引起这种悲剧？ 分析：实际上，共有地悲剧的产生是因为外部性。 当一个家庭的羊群在共有地上吃草时，它降低了其 他家庭可以得到的土地质量。由于人们在决定自己 有多少学时并不考虑这种负外部性，结果羊的数量 过多。 如果预见到了这种悲剧，镇里可以用各种方法解决 这个问题。它可以控制每个家庭羊群的数量，通过 对羊征税把外部性内在化，或者拍卖有限量的牧羊 许可证。这就是说，中世纪小镇可以用现代社会解 决污染问题的方法来解决放牧过度的问题。 但是，土地的这个例子还有一种较简单的解决方法。 该镇可以把土地分给各个家庭。每个家庭都可以把 自己的一块地用栅栏圈起来，并使之免于过分放牧。 用这种方法，土地就成为私人物品而不是共有资源。 在17世纪英国圈地运动时期实际就出现了这种结 果。 共有地悲剧是一个有一般性结论的故事：当一个人 用共有资源时，他减少了其他人对这种资源的享用。 由于这种负外部性，共有资源往往被过度使用。政 府可以通过管制或税收减少共有资源的使用来解决 这个问题。此外，政府有时也可以把共有资源变为 私人物品。数千年前人们就知道这个结论。古希腊
集成学习
集成学习 1.集成学习简介 1）通过构建并结合多个学习器来完成学习任务：先产生一组“个体学习器”(individual learner),再用某种策略将它们结合起来。其中每个IL由一个现有的学习算法从训练数据中产生，如：C4.5决策树算法、BP神经网络等。 2）性能：集成学习器的能力和个体学习器有很大关系，个体学习器本身在具有一定“准确性”的同时，还要有“多样性”，学习器间要具有差异。产生并结合“好而不同”的个体学习器恰恰是集成学习的核心 3）基学习器 第一种就是所有的个体学习器都是一个种类的，或者说是同质的。比如都是决策树个体学习器，或者都是神经网络个体学习器。第二种是所有的个体学习器不全是一个种类的，或者说是异质的。 本文所讲得Boosting和Bagging方法的基学习器都是同质的。 其中： Boosting方法的个体学习器间存在强依赖关系、必须串行生成的序列化方法。集成方式一般为加权和，分类器权重并不相等，使用所有样本。 Bagging方法的个体学习器间不存在强依赖关系、可同时生成的并行化方法，集成方式 “随机森林(Random Forest)”。为投票，分类器权值是一样的，随机抽取部份样本。如Bagging、 2.Boosting和Bagging学习策略 a.Boosting 这是一族可将弱学习器提升为强学习器的算法 工作机制：先从初始训练集中训练出来一个基学习器，然后根据表现，对训练样本进行调整，是基学习器之前做错的训练样本在后续受到更多关注，然后基于调整后的样本分布来训练下一个基学习器，如此反复，直到基学习器数目达到事先指定的值T，最终将这T 个基学习器进行加权结合。 目前有很多种类，如AdaBoost、Generalized Boosted Models、XGBoost、lightgbm等。 b.Bagging 1)从样本集D中用Bootstrap采样选出n个样本(有放回)，执行m次，选出m个样本子集{D1,D2,...,Dm} 2)在所有属性上，分别对应这m个样本子集建立m个学习器{h1(x),h2(x),...,hm(x)} 3)将这m个学习器放在各自的训练数据上进行学习 4)通过投票法或平均法对这m个学习器进行结合20. 3.GBDT(梯度提升决策树) a特征 该算法由多棵决策树组成，所有树的结论累加起来做最终答案。GBDT中的树是回归树（不是分类树），GBDT用来做回归预测，调整后也可以用于分类。 b优势 GBDT的思想使其具有天然优势可以发现多种有区分性的特征以及特征组合。业界中，Facebook使用其来自动发现有效的特征、特征组合，来作为LR模型中的特征，以提高CTR 预估（Click-Through Rate Prediction）的准确性。 c分类树和回归树 分类树使用信息增益或增益比率来划分节点；每个节点样本的类别情况投票决定测试样本的类别。回归树使用最小均方差划分节点；每个节点样本的均值作为测试样本的回归预测值。 均方差： 其中，y为标签，c为预测结果。
机器学习10大算法-周辉
机器学习10大算法 什么是机器学习呢？ 从广泛的概念来说，机器学习是人工智能的一个子集。人工智能旨在使计算机更智能化，而机器学习已经证明了如何做到这一点。简而言之，机器学习是人工智能的应用。通过使用从数据中反复学习到的算法，机器学习可以改进计算机的功能，而无需进行明确的编程。 机器学习中的算法有哪些？ 如果你是一个数据科学家或机器学习的狂热爱好者，你可以根据机器学习算法的类别来学习。机器学习算法主要有三大类：监督学习、无监督学习和强化学习。 监督学习 使用预定义的“训练示例”集合，训练系统，便于其在新数据被馈送时也能得出结论。系统一直被训练，直到达到所需的精度水平。 无监督学习 给系统一堆无标签数据，它必须自己检测模式和关系。系统要用推断功能来描述未分类数据的模式。 强化学习 强化学习其实是一个连续决策的过程，这个过程有点像有监督学习，只是标注数据不是预先准备好的，而是通过一个过程来回调整，并给出“标注数据”。
机器学习三大类别中常用的算法如下： 1. 线性回归 工作原理：该算法可以按其权重可视化。但问题是，当你无法真正衡量它时，必须通过观察其高度和宽度来做一些猜测。通过这种可视化的分析，可以获取一个结果。 回归线，由Y = a * X + b表示。 Y =因变量；a=斜率；X =自变量；b=截距。 通过减少数据点和回归线间距离的平方差的总和，可以导出系数a和b。 2. 逻辑回归 根据一组独立变量，估计离散值。它通过将数据匹配到logit函数来帮助预测事件。 下列方法用于临时的逻辑回归模型: 添加交互项。 消除功能。 正则化技术。 使用非线性模型。 3. 决策树 利用监督学习算法对问题进行分类。决策树是一种支持工具，它使用树状图来决定决策或可能的后果、机会事件结果、资源成本和实用程序。根据独立变量，将其划分为两个或多个同构集。 决策树的基本原理：根据一些feature 进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，再投
国内外工业机器人品牌盘点
国内外工业机器人品牌盘点 自改革开放以来，全球制造业向中国的迁移造就了我国成为“世界工厂”的局面。但随着国内外经济环境的变化，我国当当前的制造业也面临着前所未有的挑战，劳动力成本的上升、供给的下降、人口红利的消失，以及制造工厂对质量、成本、效率以及安全要求的不断提高，激发着我国企业逐步向自动化的转型。 目前，在全球范围内工业机器人技术日趋成熟，机器人俨然已经成为一种标准设备而在工业自动化行业中被广泛应用，如此一来国内外也产生了一批在较有影响力的知名工业机器人企业。 1. 瑞典ABB机器人 瑞典ABB机器人集团总部位于瑞士苏黎世，是目前世界行最大的机器人制造企业。1974年，ABB机器人成功研发了全球第一台市售全电动微型处理器控制的工业机器人IRB6，主要应用于工件的取放和物料的搬运。一年后，ABB持续发力，又生产出了全球第一台焊接机器人。直至1980年兼并Trallfa喷涂机器人，ABB机器人在产品结构上趋向于完备。 二十世纪末，为了更好的扩张与发展，ABB机器人进军中国市场，于1999年成立上海ABB。上海ABB是ABB在华工业机器人以及系统业务（机器人）、仪器仪表（自动化产品）、变电站自动化系统（电力系统）和集成分析系统（工程自动化）的主要生产基地。 ABB机器人生产的工业机器人主要应用于：焊接、装配、铸造、密封涂胶、材料处理、包装、喷漆、水切割等领域。 2. 德国库卡（KUKA）机器人 德国库卡成立于于1898年，是具有百年历史的知名企业，最初主要专注于室内及城市照明。但不久之后，库卡就涉足至其它领域(焊接工具及设备，大型容器)，1966年更是成为了欧洲市政车辆的市场领导者。1973年，库卡研发了名为FAMULUS第一台工业机器人，到了1995年，库卡机器人技术脱离库卡焊接及机器人独立。现今，库卡专注于向工业生产过程提供先进的自动化解决方案。 KUKA库卡机器人（上海）是库卡在德国意外开设的全球首家海外工厂，主要生产库卡工业机器人和控制台，应用于汽车焊接及组建等工序，其产量占据了库卡全球生产总量的三分之一。 库卡机器人主要产品包括：Scara及六轴工业机器人、货盘堆垛机器人、作业机器人、架装式机器人、冲压连线机器人、焊接机器人、净室机器人、机器人系统和单元。
机器学习十大算法：CART
Chapter10 CART:Classi?cation and Regression Trees Dan Steinberg Contents 10.1Antecedents (180) 10.2Overview (181) 10.3A Running Example (181) 10.4The Algorithm Brie?y Stated (183) 10.5Splitting Rules (185) 10.6Prior Probabilities and Class Balancing (187) 10.7Missing Value Handling (189) 10.8Attribute Importance (190) 10.9Dynamic Feature Construction (191) 10.10Cost-Sensitive Learning (192) 10.11Stopping Rules,Pruning,Tree Sequences,and Tree Selection (193) 10.12Probability Trees (194) 10.13Theoretical Foundations (196) 10.14Post-CART Related Research (196) 10.15Software Availability (198) 10.16Exercises (198) References (199) The1984monograph,“CART:Classi?cation and Regression Trees,”coauthored by Leo Breiman,Jerome Friedman,Richard Olshen,and Charles Stone(BFOS),repre-sents a major milestone in the evolution of arti?cial intelligence,machine learning, nonparametric statistics,and data mining.The work is important for the compre-hensiveness of its study of decision trees,the technical innovations it introduces,its sophisticated examples of tree-structured data analysis,and its authoritative treatment of large sample theory for trees.Since its publication the CART monograph has been cited some3000times according to the science and social science citation indexes; Google Scholar reports about8,450citations.CART citations can be found in almost any domain,with many appearing in?elds such as credit risk,targeted marketing,?-nancial markets modeling,electrical engineering,quality control,biology,chemistry, and clinical medical research.CART has also strongly in?uenced image compression 179
国内外著名工业机器人厂商
国内外工业机器人厂商 在国外，工业机器人技术日趋成熟，已经成为一种标准设备而得到工业界广泛应用，从而也形成了一批在国际上较有影响力的、著名的工业机器人公司。她们包括：瑞典的ABB Robotics，瑞士Staubli公司日本的FANUC、Yaskawa，德国的KUKA Roboter，美国的Adept Technology、American Robot、Emerson Industrial Automation、S-T Robotics，意大利COMAU，英国的AutoTech Robotics，加拿大的Jcd International Robotics，以色列的Robogroup Tek公司，这些公司已经成为其所在地区的支柱性企业。在国内，工业机器人产业刚刚起步，但增长的势头非常强劲。如中国科学院沈阳自动化所投资组建的新松机器人公司，年利润增长在40%左右。 一、国外主要机器人公司 1、瑞典ABB Robotics公司 ABB公司是世界上最大的机器人制造公司。1974年，ABB公司研发了全球第一台全电控式工业机器人-IRB6，主要应用于工件的取放和物料的搬运。1975年，生产出第一台焊接机器人。到1980年兼并Trallfa喷漆机器人公司后，机器人产品趋于完备。至2002年，ABB公司销售的工业机器人已经突破10万台，是世界上第一个突破10万台的厂家。ABB公司制造的工业机器人广泛应用在焊接、装配、铸造、密封涂胶、材料处理、包装、喷漆、水切割等领域。 公司网址：https://www.360docs.net/doc/2011028638.html,/robotics 2、瑞士Staubli公司 史陶比尔将其在机械运动控制方面的经验和优势应用在工业机器人上。先成功开发并生产了以坚固、可靠和修正尺寸而著称的TX、RX系列机器人手臂后，又拥有了高速、精确、安全的新一代SCARARS系列工业机器人。史陶比尔现在的工业机器人与过去相比，具有更快的速度，更高的精度，更好的灵活性和更友好的用户环境。史陶比尔采用了创造性的专利技术，集成了无间隙的齿轮减速系统，结合了高性能的控制器，从而保证了精确的轨迹控制和最佳的过程参数管理。根据各行业的需求而设计出一系列不同应用范围的专业机器人，可以直接集成到各个生产设备中，其主要应用领域包括：镭射和水注入切割，抛光打磨，装配搬运，喷涂，精加工等。 史陶比尔公司为您提供优质的客户服务，以保证*和TX系列机器人销售和售后服务。在史陶比尔杭州公司还设立了亚太地区的配件服务中心。我们还提供包含机器人各个方面的培训：操作员的课程，编程培训，维护培训，其中有专门根据您需要开设的特殊课程。当您在应用开发，编程和系统集成时，我们将给与全部的技术支持。史陶比尔工业机器人凭借其快速、精确和灵活的特点，为您提供完美的解决方案。 公司网址：https://www.360docs.net/doc/2011028638.html,/web/robot/division.nsf 3、日本FANUC公司 FANUC公司的前身致力于数控设备和伺服系统的研制和生产。1972年，从日本富士通公司的计算机控制部门独立出来，成立了FANUC公司。FANUC公司包括两大主要业务，一是工业机器人，二是工厂自动化。2004年，FANUC公司的营业总收入为2648亿日元，其中工业机器人（包括注模机产品）销售收入为1367亿日元，占总收入的51.6%。 其最新开发的工业机器人产品有： （1）R-2000iA系列多功能智能机器人。具有独特的视觉和压力传感器功能，可以将随意堆
经济学案例分析
（十二）某一实力雄厚的B企业将电话机产品投放A市。在A市电话机市场竞争激烈，有三、四家企业在市场上也推出了与该企业在性能、质量、价格相近似的产品，在市场上形成了电话机销售的鼎立分争局面。B企业为排挤竞争对手，将销售产品的价格一降再降，最后降至低于成本销售。与其竞争的一些中小企业为占领市场的一席领地，也试图降价销售，但因实力不足，低于成本销售意味着亏损，为避免亏损经营，不得不退出市场。该实力雄厚的B企业降价排挤竞争对手的策略成功，在A市市场上形成独霸局面，在市场竞争中占据绝对有利的竞争地位。随后，该B企业又以改进型号为名，将价格调高。 试分析： 1、B企业的行为是否构成不正当竞争行为？ 答：该实力雄厚的大企业在商业竞争中，采用的是降价排挤的不正当竞争手段。所谓降价排挤，是指同业竞争者以排挤竞争对手为目的，不当地降低价格至低于成本来销售商品的行为。 2、哪些低于成本价销售商品的行为不属于不正当竞争行为？ 答：不属于不正当竞争行为的低于成本价销售商品的行为有：（1）销售鲜活商品；（2）处理有效期即将到期的商品或者其他积压的商品；（3）季节性降价；（4）因清偿债务、转产、歇业降价销售商品。 3、B企业行为是否侵犯了消费者的利益？ 答：B企业的行为属于不正当竞争行为，表面上看来似乎是针对同业竞争对手，并不损害消费者利益，在降价销售中，甚至消费者暂时还获得了实惠，但从长远看，不正当的经营者排挤竞争对手之后，垄断了市场就排斥了消费者自由选择的权利，在这种不正当竞争情况下，消费者的权益同样受到损害。 （十四）利民公司与同达公司均为生产收音机的企业，其中利民公司的产品外销数量逐年上升，且在国外有了一批稳定的代销商。利民公司对本公司的国外代销商的情况采取了严格的保密措施并与知晓该情况的员工签订了保密合同。同达公司为扩大海外市场，遂找到利民公司的副经理张某，希望张某能将利民公司的国外代销商的联系方法、利民公司的报价等情况告诉同达公司，且表示愿高薪聘请张某到同达公司工作。随后张某辞职，来到同达公司工作。同达公司利用张某提供的代销商名单、利民公司的报价等情况，同原利民公司的代销公司取得了联系，销售了许多产品，获得了约500万元的利润。此间，利民公司的海外销售额下降了许多。1998年11月，利民公司以同达公司侵犯商业秘密为由，起诉同达公司，要求停止侵害、赔偿损失。（2004年1月份试题） 试分析： 1、同达公司是否侵犯了利民公司的商业秘密，为什么?
集成式学习
集成式学习 1.1什么是集成式学习 (boosting and bagging) 集成式学习是基于这样一种思想:对于一个复杂任务来说,将多个专家的判断进行适当的综合所得 出的判断,要比其中任何一个专家单独的判断好。通俗点说,就是“三个臭皮匠顶个诸葛亮”。其中所 说的专家相当于一个分类器，但面临某一个复杂的问题时，单一的分类器未必能将问题有效的解决。 我们把这种分类器称之为若分类器，一般说来弱分类器只给出比随机猜测好一点的一个分类结果。面 对这种复杂的问题，我们又无法轻松的找到一个强分类器，因此一个自然的想法就是能不能利用多个 这种弱分类器构成出某种强分类器。这便是集成学习的思想。我们用e表示一个弱分类器的错误概率，因为弱分类只比随机猜测强一点，因此e<0.5，但e又和我们期望的错误率相差较远。假定随机猜测的 概率为0.5，定义r=0.5-e，因为e<0.5，所以r>0，这个r表示我们当前的弱分类比随机猜测强的 其中主要由Booststrap方法，其中又包括bagging和boosting 等具体是构造方法。 Bootstraping:名字来自成语“pull up by your own bootstraps”，意思是依靠你自己的资源，称为自助法，它是一种有放回的抽样方法，它是非参数统计中一种重要的估计统计量方差进而进行区间估计的统计方法。其核心思想和基本步骤如下： （1）采用重抽样技术从原始样本中抽取一定数量（自己给定）的样本，此过程允许重复抽样。 （2）根据抽出的样本计算给定的统计量T。 （3）重复上述N次（一般大于1000），得到N个统计量T。 （4）计算上述N个统计量T的样本方差，得到统计量的方差。 应该说Bootstrap是现代统计学较为流行的一种统计方法，在小样本时效果很好。通过方差的估计可以构造置信区间等，其运用范围得到进一步延伸。 bagging：bootstrap aggregating的缩写。让该学习算法训练多轮，每轮的训练集由从初始的训 练集中随机取出的n个训练样本组成，某个初始训练样本在某轮训练集中可以出现多次或根本不出现，训练之后可得到一个预测函数序列h_1，??h_n，最终的预测函数H对分类问题采用投票方式，对回归问题采用简单平均方法对新示例进行判别。训练R个分类器f_i，分类器之间其他相同就是参数不同。其 中f_i是通过从训练集合中(N篇文档)随机取(取后放回)N次文档构成的训练集合训练得到的。对于新文档d，用这R个分类器去分类，得到的最多的那个类别作为d的最终类别。 Bagging与Boosting的区别：我们用下面的表格总结两者的区别。
机器学习十大算法8：kNN
Chapter8 k NN:k-Nearest Neighbors Michael Steinbach and Pang-Ning Tan Contents 8.1Introduction (151) 8.2Description of the Algorithm (152) 8.2.1High-Level Description (152) 8.2.2Issues (153) 8.2.3Software Implementations (155) 8.3Examples (155) 8.4Advanced Topics (157) 8.5Exercises (158) Acknowledgments (159) References (159) 8.1Introduction One of the simplest and rather trivial classi?ers is the Rote classi?er,which memorizes the entire training data and performs classi?cation only if the attributes of the test object exactly match the attributes of one of the training objects.An obvious problem with this approach is that many test records will not be classi?ed because they do not exactly match any of the training records.Another issue arises when two or more training records have the same attributes but different class labels. A more sophisticated approach,k-nearest neighbor(k NN)classi?cation[10,11,21],?nds a group of k objects in the training set that are closest to the test object,and bases the assignment of a label on the predominance of a particular class in this neighborhood.This addresses the issue that,in many data sets,it is unlikely that one object will exactly match another,as well as the fact that con?icting information about the class of an object may be provided by the objects closest to it.There are several key elements of this approach:(i)the set of labeled objects to be used for evaluating a test object’s class,1(ii)a distance or similarity metric that can be used to compute This need not be the entire training set. 151
十大优秀工业机器人系统集成商分析
十大优秀工业机器人系统集成商 分析 十大优秀工业机器人系统集成商分析 工业机器人产业是一个集系统集成、先进制造和精密配套融合一体的产业，是一个需要技术、制造、研发沉淀经验的行业。从我国机器产业链发展来看，由于受核心技术限制等多方面因素影响，我国工业机器人产业目前获得突破的主要为系统集成领域。国内一些领先企业从集成应用开始，主要借助对国内市场需求、服务等优势，逐渐脱颖而出，取得了不错的市场成绩。笔者对获得2013年十大优秀工业机器人系统集成商的发展概况及主要产品进行了简单归纳分析，以飨读者。 1、佛山市利迅达机器人系统有限公司（简称：利迅达） 佛山市利迅达机器人系统有限公司是从事机器人系统自动化集成和工业智能化设备研发、生产的高科技企业。公司筹备于2008年，于2010年4月正式成立，经过数年迅猛增长，已发展成为华南地区乃至国内规模最大，实力最强的专业工业机器人应用系统集成商。
利迅达与欧州多家高技术企业的机器人系统研发生产企业战略合作，令利迅达由一开始就在一个国际级的高起点上，再根据中国市场实际，研发出一系列具自有知识产权的全新意念的金属产品表面处理综合系统。其中“机器人打磨拉丝 系统”被评为2011年广东省高新技术产品；“机器人智能化焊接系统”被评为2012年广东省高新技术产品。公司为顺德区百家智能制造工程试点示范企业，在2013年被认定为国家级高新技术企业。 2、厦门思尔特机器人系统有限公司（简称：思尔特） 思尔特创建于2004年6月，位于厦门集美灌南工业区，是厦门市高新技术企业。思尔特多年来为中联、徐工、柳工、厦工、龙工、玉柴等多家国内大中型企业服务，设计制造出技术先进的机器人系统。 2009年，思尔特在上海成立全资子公司上海思尔特机器人科技有限公司，针对冲压机、折弯机、压铸机、弯管机、热锻机等机床的自动上下料生产线的研发、设计、制造。 2010年，思尔特决定打造西南区制造基地，于2010年7月注册成立全资子公司成都思尔特机器人科技有限公司。成都思尔特是西南地区首家专业机器人系统集成商，具有年集成200套机器人系统的能力，主营方向为汽车零部件及薄板焊接的机器人应用。 3、无锡丹佛数控装备机械科技有限公司（简称：丹佛） 无锡丹佛数控装备机械科技有限公司成立于2010年，现阶段主要经营项目分别为：abb工业机器人、韩国现代工业机器人、焊接机器人、搬运机器人、涂装机器人、机床上下料机器人、码垛机器人、焊接机器人、机器人取毛刺等等，同时为客户提供夹具设计制造及交钥匙工程。 丹佛又与几家大型的融资企业签订战略合作合伙，为那些有订单有市场而没有太多
经济学案例
1、有一个幸运的人被上帝带去参观天堂和地狱 他们首先来到地狱，只见一群人，围着一个大锅肉汤，但这些人看来都营养不良、绝望又饥饿。仔细一看，每个人都拿着一只可以够到锅子的汤匙，但汤匙的柄比他们的手臂长，所以没法把东西送进嘴里。他们看来非常悲苦。 紧接着，上帝带他进入另一个地方。这个地方和先前的地方完全一样：一锅汤、一群人、一样的长柄汤匙。但每个人都很快乐，吃得也很愉快。上帝告诉他，这就是天堂。 这位参观者很迷惑：为什么情况相同的两个地方，结果却大不相同？最后，经过仔细观察，他终于看到了答案：原来，在地狱里的每个人都想着自己舀肉汤；而在天堂里的每一个人都在用汤匙喂对面的另一个人。结果，在地狱里的人都挨饿而且可怜，而在天堂的人却吃得很好。 生活在一个相互依存经济中的好处是明显的，天堂和地狱的差别就在这里。 2、假设的作用 一个烈日炎炎的中午，几位在沙漠上旅行的学者经过长途跋涉，饥渴交困。然而不幸的是，当他们坐下来围着随身所携带的一堆罐头时，却因为没有开罐工具而一筹莫展。于是，一场研究如何用最简单的办法开启罐头的学术讨论会开始了。 物理学家首先发言：“给我一个聚光镜，我可以用阳光把罐头打开。” 化学家接着说：“我可以利用几种化学药剂的综合反应来开启罐头。” 经济学家则说：“我的办法最简单。假设我有一把开罐刀……” 这包含着重要的哲理。它说明经济学家分析问题时总是从“假设如何如何”开始的，离开了一定的假设条件，分析与结论都是毫无意义的。 适当地运用假设，是经济理论形成的重要方法。一个完整的经济理论包括定义、假设、假说和预测等。定义是对经济学所研究的各种变量所规定的明确的含义。假设则是某一理论所适用的条件。因为任何理论都是有条件的、相对的，所以在理论形成中假设非常重要。当然，在形成理论时，所假设的某些条件往往并不现实，但没有这些假设就很难得出正确的结论。经济领域是极其复杂的，其中有成百万人口和企业，千百种价格和行业，在这种环境下探索经济规律是很困难的。假设可以从各种复杂的经济关系中，抽出最本质的关系加以研究，从而使解释这个世界更为容易。例如，为了研究国际贸易的影响，我们可以假设，世界只由两个国家组成，而且每个国家只有两种产品。当然，现实世界由许多国家组成，每个国家都生产成千上万的不同类型的产品。但通过假设两个国家和两种产品，我们可以集中进行思考。一旦我们理解了只有两个国家和两种产品，我们可以集中进行思考。一旦我们理解了只有两个国家和两种产品这种假想世界中的国际贸易，我们就可以更好地理解我们生活在更复杂的世界中的贸易。 3、100欧元消除金融危机 在一个欧洲小国的风光旖旎的小镇上，居民民风朴实，热情乐观，但最近一段时间来，受全球金融危机的影响，镇上的各种生意都不景气，使得不少生意人都背上债务，生性乐观的小镇居民的脸上也布满了忧虑。 一天，一个富裕的中国游客走进了小镇的一家酒店的大厅。老板一见，大为惊喜，连忙迎了过来。这段时间以来，虽说小镇风景依然那么美丽迷人，但却鲜有游客光临。老板殷勤地接下中国游客的行李。中国游客把100欧元订金递给老板，然后拿着钥匙上楼去检查合适的房间。在这期间，老板手拿着这100欧元一路小跑来到镇上的屠户摊上:“真不好意
集成学习综述
集成学习综述 梁英毅 摘要 机器学习方法在生产、科研和生活中有着广泛应用，而集成学习则是机器学习的首要热门方向[1]。集成学习是使用一系列学习器进行学习，并使用某种规则把各个学习结果进行整合从而获得比单个学习器更好的学习效果的一种机器学习方法。本文对集成学习的概念以及一些主要的集成学习方法进行简介，以便于进行进一步的研究。 一、 引言 机器学习是计算机科学中研究怎么让机器具有学习能力的分支，[2]把机器学习的目标归纳为“给出关于如何进行学习的严格的、计算上具体的、合理的说明”。[3]指出四类问题的解决对于人类来说是困难的甚至不可能的，从而说明机器学习的必要性。 目前，机器学习方法已经在科学研究、语音识别、人脸识别、手写识别、数据挖掘、医疗诊断、游戏等等领域之中得到应用[1, 4]。随着机器学习方法的普及，机器学习方面的研究也越来越热门，目前来说机器学习的研究主要分为四个大方向[1]： a) 通过集成学习方法提高学习精度； b) 扩大学习规模； c) 强化学习； d) 学习复杂的随机模型； 有关Machine Learning 的进一步介绍请参考[5, 1,3, 4, 6]。 本文的目的是对集成学习的各种方法进行综述，以了解当前集成学习方面的进展和问题。本文以下内容组织如下：第二节首先介绍集成学习；第三节对一些常见的集成学习方法进行简单介绍；第四节给出一些关于集成学习的分析方法和分析结果。 二、 集成学习简介 1、 分类问题 分类问题属于概念学习的范畴。分类问题是集成学习的基本研究问题，简单来说就是把一系列实例根据某种规则进行分类，这实际上是要寻找某个函数)(x f y =，使得对于一个
人工智能之机器学习常见算法
人工智能之机器学习常见算法 摘要机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。这里小编为您总结一下常见的机器学习算法，以供您在工作和学习中参考。 机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。 学习方式 根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果。 监督式学习： 在监督式学习下，输入数据被称为训练数据，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中垃圾邮件非垃圾邮件，对手写数字识别中的1，2，3，4等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与训练数据的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归（LogisTIc Regression）和反向传递神经网络（Back PropagaTIon Neural Network） 非监督式学习： 在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means 算法。 半监督式学习： 在此学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预
法经济学案例分析
李萍等v.五月花饮食有限公司 【案情】： 李萍夫妇带着儿子与朋友到被告“五月花”餐馆就餐。就餐时，临近包房内突然发生爆炸，李萍受伤致残，儿子受伤后不治死亡。爆炸的原因是一农民将爆炸物装在酒盒里伪装成酒作为礼物送给一医生，该医生将该“礼物”带到五月花餐厅的包房里（该餐厅允许顾客自带酒水），服务员在为顾客开启该酒盒时，发生上述爆炸。 李萍夫妇起诉“五月花”饮食有限公司，主张人身伤害赔偿。【分析】： 对本案的讨论将依照以下几个步骤进行： 1.是否应当承担侵权责任 2.是否应承担违约责任 3.是否应当赔偿 一、违约责任的认定 顾客要求人身损害赔偿应具备的条件：（1）必须证明他是饭店的客人，饭店有保护他的法律义务；（2）必须是饭店的作为或不作为给客人造成的人身损害；（3）客人的人身损害是饭店的过错所为；（4）负有举证责任，证明损害出自饭店，而不是他本人。 原告李萍夫妇到被告五月花公司下属的餐厅就餐，和五月花公司形成了消费与服务关系，五月花公司有义务保障李萍夫妇的人身安全。五月花公司是否尽了此项义务，应当根据餐饮行业的性质、特点、要求以及对象等综合因素去判断。本案中，李萍夫妇的人身伤害，是
五月花餐厅发生的爆炸造成的。此次爆炸是第三人的违法犯罪行为所致，与五月花公司本身的服务行为没有直接的因果关系。《中华人民共和国合同法》第六十条第二款规定：“当事人应当遵循诚实信用原则，根据合同的性质、目的和交易习惯履行通知、协助、保密等义务。”五月花公司作为消费与服务合同中的经营者，除应该全面履行合同约定的义务外，还应当依照合同法第六十条的规定，履行保护消费者人身、财产不受非法侵害的附随义务。为了履行这一附随义务，经营者必须根据本行业的性质、特点和条件，随时、谨慎地注意保护消费者的人身、财产安全。但由于刑事犯罪的突发性、隐蔽性以及犯罪手段的智能化、多样化，即使经营者给予应有的注意和防范，也不可能完全避免刑事犯罪对顾客人身、财产的侵害。这种侵害一旦发生，只能从经营者是否尽到合理的谨慎注意义务来判断其是否违约。五月花餐厅接受顾客自带酒水到餐厅就餐，是行业习惯使然。对顾客带进餐厅的酒类产品，根据我国目前的社会环境，还没有必要、也没有条件要求经营者采取象乘坐飞机一样严格的安全检查措施。由于这个爆炸物的外包装酷似真酒，一般人凭肉眼难以识别。携带这个爆炸物的顾客曾经将其放置在自己家中一段时都未能发现危险，因此要求服务员在开启酒盒盖时必须作出存在危险的判断，是强人所难。五月花餐厅通过履行合理的谨慎注意义务，不可能识别伪装成酒的爆炸物，因此在当时的环境下，五月花公司通过合理注意，无法预见此次爆炸，其已经尽了保障顾客人身安全的义务，不存在违约行为。 二、侵权责任的认定
全球十大工业机器人品牌
全球十大工业机器人品牌 随着智能装备得发展,机器人在工业制造中得优势越来越显着,机器人企业也如雨后春笋般得出现。然而占据主导地位得还就是那些龙头企业。 1、发那科(FANUC) FANUC(发那科)就是日本一家专门研究数控系统得公司,成立于1956年。就是世界上最大得专业数控系统生产厂家,占据了全球70%得市场份额。FANUC1959年首先推出了电液步进电机,在后来得若干年中逐步发展并完善了以硬件为主得开环数控系统。进入70年代,微电子技术、功率电子技术,尤其就是计算技术得到了飞速发展,FANUC公司毅然舍弃了使其发家得电液步进电机数控产品,一方面从GETTES公司引进直流伺服电机制造技术。 1976年FANUC公司研制成功数控系统5,随后又与SIEMENS公司联合研制了具有先进水平得数控系统7,从这时起,FANUC公司逐步发展成为世界上最大得专业数控系统生产厂家。 自1974年,FANUC首台机器人问世以来,FANUC致力于机器人技术上得领先与创新,就是世界上唯一一家由机器人来做机器人得公司,就是世界上唯一提供集成视觉系统得机器人企业,就是世界上唯一一家既提供智能机器人又提供智能机器得公司。FANUC机器人产品
系列多达240种,负重从0、5公斤到1、35吨,广泛应用在装配、搬运、焊接、铸造、喷涂、码垛等不同生产环节,满足客户得不同需求。 2008年6月,FANUC成为世界第一个突破20万台机器人得厂家;2011年,FANUC全球机器人装机量已超25万台,市场份额稳居第一。 2、库卡(KUKA) 库卡(KUKA)及其德国母公司就是世界工业机器人与自动控制系统领域得顶尖制造商,它于1898年在德国奥格斯堡成立,当时称“克勒与克纳皮赫奥格斯堡(KellerundKnappichAu gsburg)”。公司得名字KUKA,就就是KellerundKnappichAugsburg得四个首字母组合。在1995年KUKA公司分为KUKA机器人公司与KUKA库卡焊接设备有限公司(即现在得K UKA制造系统),2011年3月中国公司更名为:库卡机器人(上海)有限公司。 KUKA产品广泛应用于汽车、冶金、食品与塑料成形等行业。KUKA机器人公司在全球拥有20多个子公司,其中大部分就是销售与服务中心。KUKA在全球得运营点有:美国,墨西哥,巴西,日本,韩国,台湾,印度与欧洲各国。