qy-ll-优快云博客

原创 Leetcode100题逐题详解

哈希函数是一个数学函数，接收任意类型的键（Key），输出一个固定范围的整数（哈希值 / 散列值），这个整数会作为数组的索引。当两个不同的键通过哈希函数计算出相同的哈希值（即对应数组的同一个索引），就发生了哈希冲突。比如：学号1001和1011，用「取最后一位」的哈希函数，都得到 1→两个学号要放在同一个抽屉里，这就是冲突。注意：哈希冲突是无法避免的（比如数组长度是 10，却有 11 个不同的学号，必然有冲突），我们能做的是解决冲突。

2025-12-11 16:32:02 1029

原创深度学习——CNN入门

滑动对齐：卷积核在输入图像上逐个位置滑动，每次将核的中心（或左上角，依定义）与输入的一个位置对齐，覆盖局部区域；对应相乘：核的每个元素与覆盖区域的对应像素相乘；累加输出：所有乘积的和，作为该位置的输出像素值。在实际的图像处理中这个卷积核是训练出来的不是认为给定的卷积核放在神经网络里，就代表对应的权重（weight)卷积核里面的数字即相当于权重，卷积核里面的权值是怎么来的，后面我会在反向传播算法（backpropagation）中讲到假设我们已经知道对应分量以及卷积核。

2025-11-23 22:08:46 733 1

原创 24年论文ChangeAnywhere论文学习（25/11/21）

提出一种基于语义潜扩散模型（语义 DDPMs）和单时相遥感语义分割数据集的 CD 样本生成新方法，核心思路是利用单时相语义数据集易获取的优势，生成大规模、多样且带语义标注的双时相 CD 样本，同时捕捉 CD 样本的两大本质（变化即语义不同，非变化即同语义下的合理差异）。具体步骤如下：这一步是后续生成双时相图像的 “工具准备”，核心是训练一个能根据语义掩码控制生成遥感影像的模型，具体流程如下：数据准备：用单时相语义数据集提供 “控制依据”模型以 OpenEarthMap 数据集为训练数据源，该数据集包含 50

2025-11-22 11:14:07 635

原创 2024DiffusionSat模型论文学习

处理 “经纬度” 时，既知道 “相邻经度的差异”，也知道 “南北半球的差异”。到这里，经度 MLP 就间接学到了 “经度 = 120°→平原图像” 的关联 —— 它不是直接 “看” 了图像，而是通过 “损失反馈”，不断调整自己的映射规则，让输出的特征能精准配合 U-Net，生成符合元数据的图像。（比如 512 维），每个维度的数值都随 GSD 的变化而 “连续变化”——0.5m 和 1.0m 的向量会有 “细微但可区分” 的差异，模型能通过这些差异，学到 “GSD 越小，图像越清晰” 的规律。

2025-11-21 17:26:29 802

原创解析扩散模型中的x与p(x0)

类比理解：就像一本 “自然图像密码本”，只有满足 “语义相关性” 的密码（像素组合）才是 “有效密码”，p (x₀) 就是 “这个密码在密码本中的‘常见程度’”—— 有效密码的常见程度高（p (x₀) 高），无效密码的常见程度低（p (x₀) 低）。这些组合在 “自然图像密码本” 中是 “无效密码”—— 几乎没有任何真实图像会是这样的像素组合，所以它们周围 “没有任何相似的真实图像”，属于 “自然图像分布的空白区域”，概率密度 p (x₀) 自然接近零。扩散模型的 “加噪”，本质是。

2025-11-19 17:05:48 794

原创最新MMO-IG生成图像论文学习（25/11/19）

在遥感图像领域，多类别多尺度目标图像（含多类别多尺度目标 MMOs 的图像）指的是图像中同时包含多种不同类型的目标，且这些目标在尺寸规模上存在显著差异，同时需符合遥感场景下目标的空间分布特性，是遥感图像目标检测（RSIOD）任务的核心研究对象之一。多类别：指图像中涵盖两种及以上不同类别的遥感目标。

2025-11-19 13:37:24 820

原创遥感论文学习

Mamba架构SSM定义符号含义（通俗理解）维度 / 类型u(t)系统的输入信号（比如文本的 token、音频的波形）一维标量（R）x(t)系统的隐藏状态（类似 RNN 的隐藏状态，是对历史信息的 “浓缩记忆”）N维向量（RN）y(t)系统的输出信号（比如下一个 token 的预测、音频的生成结果）一维标量（R）A状态转移矩阵（控制 “隐藏状态自身如何变化”，比如记忆的衰减或保持）N×N矩阵B输入到状态的矩阵（控制 “输入如何融入隐藏状态”，比如新信息如何存入记忆）

2025-11-13 22:22:42 1335

原创数学建模学习5——MATLAB模型代码分析

ttestttest2ttest：生成服从正态分布的随机数（核心函数）50004500800700[30,1]urbanruralttest2urbanruralHpCI2.674stats.df57p0.0102：计算样本均值的函数（这里结果约为 5000 元）。：绘制样本数据的直方图，直观展示数据分布。urban：要绘制分布的数据。：设置直方图的填充颜色（浅蓝色）。二. F检验模型var(urban)var(rural)

2025-07-20 12:11:44 804

原创数学建模学习4——MATLAB模型代码

ARIMA（Autoregressive Integrated Moving Average）全称，专门用于一阶差分的定义（超简单）一阶差分的核心作用：让数据变 “平稳”（ARIMA 的前提）。什么是平稳序列？qp。比如你有 36 个月的销量数据（记为sales(1)到sales(36)sales(1)sales(2)sales(2)sales(3)sales(35)sales(36)sales(1)sales(3)sales(2)sales(4)sales(34)sales(36)

2025-07-19 12:07:00 711

原创数学建模学习3——MALTAB模型代码

在一个有个顶点的连通图中，最小生成树是满足以下条件的子图：代码中用Prim 算法构建 MST：从一个起点出发，每次选择 “已选顶点到未选顶点的最短边”，逐步扩展直到包含所有顶点。 Prim 算法核心循环（构建 MST）每条边的含义：1. 原始图（上方）2. MST 图（下方）的特点Kruskal算法：按边的权重排序：【1 3 5】城市1到城市3的成本为5然后循环检验节点的根节点是否相同，避免成环；邻接矩阵——画出无向图——设定起点和终点——计算最小值随机森林是：多棵决策树的组合（所以叫“森林

2025-07-18 17:43:04 951

原创数学建模学习2——MATLAB模型

类 {A, E, C} 和城市 B 的差异进一步缩小，合并成新类 {A, E, C, B}。说明 A 和 E 的特征最相似（标准化后的欧氏距离最小），先形成一个小类 {A, E}。此时，类 {A, E} 和城市 C 的差异较小，合并成新类 {A, E, C}。（如：出勤率 + 平时作业分 ≈ 期中考试分的线性组合）；4. 第四步：最终合并（形成所有城市的大类）1. 第一步：合并最相似的城市（距离最小）2. 第二步：合并次相似的类。（纵轴距离≈1.2）。（纵轴距离≈1.5）。（纵轴距离≈2.3）。

2025-07-17 17:32:54 928

原创数学建模学习——MATLAB模型

如果不对负向指标做额外处理，直接用原始数据计算，负向指标的 “高数值” 会被误当成 “优势”（因为熵权法的核心是 “数值波动大的指标权重高，且数值大的样本在该指标下得分高”），这会导致结果完全偏离实际业务逻辑。神经网络的核心是通过 “神经元” 模拟人脑的 “神经元连接”—— 每个神经元接收输入、通过激活函数处理后传递给下一层。举例：如果用 100 个神经元拟合 6 个学生的数据（你的代码中只有 6 个样本），模型可能会精准 “记住” 每个学生的成绩，但遇到新学生时预测会很离谱（过度拟合）。

2025-07-16 17:27:24 1285

原创 MATLAB学习之旅

导入数据（主页-点击导入数据-打开文件），一般从第二行开始，第一行一般作为标题行，可以选择导出的类型（列向量、元细胞数组、矩阵）,然后可以在最上面修改保留导出的名称，最后点击导入数据，既可以吧数据导入到工作区。,xk 的回归系数，含义是：在其他自变量保持不变的情况下，该自变量每增加 1 个单位，因变量的平均变化量。matlab通过编辑器编写代码，右边是工作区，记录变量，左边是文件区，记录打开的文件。（多个自变量），模型表达式为：y=β0+β1x1+β2x2+⋯+βkxk+ε。

2025-07-15 21:11:38 579

原创 linux使用VIM编辑器编写程序用户权限基本概念（3月1日）

然后就可以直接使用了直接使用Vim name.txt/java。

2025-03-02 10:09:12 484

原创新手用VScode编写C语言教程

在用Vsccode调试时一直不行，于是我询问了deepseek，它让我一直要配置文件（Ps：太难了，根本搞不对，浪费了我一个晚上），最后放弃了，决定睡一觉，明天早上再说，结果早上来发现拖一个文件夹直接就可以运行（但是不能调试），想到昨天晚上一直说没有main.exe文件，我才发现这个其实是自己生成的，最后我直接复制，然后粘贴，就可以运行调试了！把刚刚新建的文件夹拖拽到Vscode中，并新建一个文件，最后要加.c。在VScode中的应用中输入C\C++，下载前面四个应用。在终端输入：gcc -v。

2025-02-27 08:49:59 514

原创 transformer架构学习

transformer模型具有全局依赖性，且有了注意力机制，长距离的词组也会有联系，而且可以有一定的预测性。第一步：把每个词都转换为数字向量（Q，K，V)并且加上位置信息（因为是一起处理）对“猫”的向量进行加工，可能强化“名词-动物-主语”的特征；就像很多专家一起分析一个句子，会从句子语法，句子结构。“猫”关注“吃”和“鱼”，知道这是动作的发出者和对象。对“鱼”的向量强化“名词-食物-宾语”的特征。对“吃”的向量强化“动词-动作”的特征；Key：其他词和它的关系强度。V：根据关系强度，汇编有用信息。

2025-02-27 08:37:32 376

原创 Linux学习之路之安装WSL并使用SSH连接WSL

在安装wsl 的时候，我第一次是输入了 wsl --install -web-load但是提示我服务器地址无法连接，经过一番曲折，最后我还是采取了最简单的指令： wsl --install，成功安装好了适用于Linux的Windows系统（这里真的哭四），以为安装好了，结果还要重启电脑再来安装。好不容易写好了用户名，结果因为设置密码时，它那个地方是没有任何显示的，搞得我以为卡住了，最后一个回车，发现直接让我验证密码，那我当然没有验证成功，又设置密码，它问我Try again?每次翻译都不是很准确。

2025-02-23 15:27:52 1181

2401_88477587的博客