Upload from Ubuntu to Github

1.注册github账号

git连接github:SSH:
https://blog.youkuaiyun.com/tianya_team/article/details/72454473
1.申请一个github帐号,然后新建一个repositories,取个名字。本例所取名字为Student-Information-Manage-System

2.在ubuntu上安装git

sudo apt-get install git

3.生成密钥 ssh-keygen -t rsa -C "youremail@mail.com"

其中"youremail@mail.com"是你的邮箱名。之后会要求确认路径和输入密码,我们使用默认的一路回车就行。

成功的话会在~/下生成.ssh文件夹,按住ctrl+h可以显示隐藏文件夹,点进去,打开id_rsa.pub,复制里面的key。

4.回到github,进入Account Setting,左边选择SSH Keys,Add SSH,title随便填,粘贴key.

5.验证是否成功,输入ssh -T git@github.com,如果看到如下信息,表示成功连上github.

2.下载git控件

sudo apt-get install git

3.登陆git

git config --global user.email "18790166674@163.com"
git config --global user.name "FengWeilei"

4.上传文件

  1. 创建本地github文件夹
mkdir github
  1. clone已创建的文件夹
~$ cd github
$ git clone https://github.com/FengWeilei/FlaskApp
  1. 把需要上传的文件复制到本地github仓库(FlaskApp文件夹),在从本地仓库上传到github网站
for-python@ubuntu:~/github$ cd FlaskApp
for-python@ubuntu:~/github/FlaskApp$ git add flaskapp
for-python@ubuntu:~/github/FlaskApp$ git commit -m "added flaskapp"
for-python@ubuntu:~/github/FlaskApp$ git push
Username for 'https://github.com': FengWeilei
Password for 'https://FengWeilei@github.com': 
Counting objects: 9, done.
Compressing objects: 100% (8/8), done.
Writing objects: 100% (9/9), 1.51 KiB | 0 bytes/s, done.
Total 9 (delta 0), reused 0 (delta 0)
To https://github.com/FengWeilei/FlaskApp.git
   bc64adf..920472f  master -> master

(把git config 环节放到了前面,)

参考至https://blog.youkuaiyun.com/sinat_36651044/article/details/73776629

内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值