<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[CDUTCo的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/CDUTCo</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; CDUTCo]]></copyright><item><title><![CDATA[Learning to Represent the Evolution of Dynamic Graphs withRecurrent Models]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/120337324</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/120337324</guid><author>CDUTCo</author><pubDate>Thu, 16 Sep 2021 21:43:04 +0800</pubDate><description><![CDATA[摘要

学习图的拓扑结构外，还关注于学习时间信息。提出了一种动态图的无监督表示学习体系结构，旨在学习随时间演化的图的拓扑和时间特征。该方法由嵌入门控图神经网络（GGNNs）和长短时记忆网络（LSTM）的序列-序列编解码器模型组成。GGNN能够在每个时间步学习图的拓扑结构，而LSTM则用于在时间步之间传播时间信息。此外，编码器学习进化图的时间动态，解码器使用编码器提供的编码表示在相同的时间段重建动态。

相关工作

静态图

动态图

节点的表示学习。37-32-16-15-42-5-38

问题定义

动态]]></description><category></category></item><item><title><![CDATA[Dynamic Graph Convolutional Networks. Pattern recognition 2019]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/120295475</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/120295475</guid><author>CDUTCo</author><pubDate>Thu, 16 Sep 2021 11:12:45 +0800</pubDate><description><![CDATA[摘要

我们的目标是通过使用神经网络模型来联合开发结构化数据和时间信息。基于这个原因，我们提出了两种新的方法，将长-短期记忆网络和图卷积网络结合起来，结合图结构来学习长-短期依赖关系。

介绍

balabalbala....，许多真实世界的结构化数据是动态的，并且图中的节点/边可能会随着时间而变化。在这种动态场景中，时间信息也可以发挥重要作用。

LSTM和GCN简介。

本文的组织结构如下：第2节总结了最相关的方法。在第3节中，我们描述了我们的方法。第4节介绍了与基准方法的比较。第5节通过讨论我们的发现]]></description><category></category></item><item><title><![CDATA[Foundations and modelling of dynamic networks using Dynamic Graph Neural Networks: A survey.]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/119946288</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/119946288</guid><author>CDUTCo</author><pubDate>Tue, 14 Sep 2021 20:05:17 +0800</pubDate><description><![CDATA[摘要

目的是提供一篇综述，以揭开动态网络的神秘面纱，介绍动态图神经网络（DGNNs）。

（i）一个全面的动态网络分类，（ii）一个动态图神经网络的调查，（iii）一个动态图神经网络如何用于动态链接预测的概述。

简介

动态网络

探讨链接的不同定义，并介绍一种新的动态网络分类法。我们还简要概述了动态网络模型样貌，该样貌将调查的其余部分结合起来。

动态网络是随时间变化的复杂网络，其中的链接和节点可能会出现或消失。

数学定义：将V= {(v, ts, te)}和E= {(u, v, ts, te)}都]]></description><category></category></item><item><title><![CDATA[Graph Neural Network for Traffic Forecasting: A Survey]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/119921391</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/119921391</guid><author>CDUTCo</author><pubDate>Wed, 25 Aug 2021 23:50:52 +0800</pubDate><description><![CDATA[Jiang W , Luo J . Graph Neural Network for Traffic Forecasting: A Survey[J]. 2021.

（PDF百度就有）

摘要

这篇综述回顾了使用不同图形神经网络的快速增长的研究主体，且是第一篇综合性的调查，探讨了图形神经网络在交通预测问题中的应用。

简介

简而言之，GNN可以比较好的解决交通问题。

这篇文章确定了最常考虑的问题、图形公式和模型，还调查和总结了公共可用的有用资源，包括数据集、软件和开源代码，用于基于GNN的交通...]]></description><category></category></item><item><title><![CDATA[机器学习之旅]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/106192573</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/106192573</guid><author>CDUTCo</author><pubDate>Wed, 25 Aug 2021 22:50:43 +0800</pubDate><description><![CDATA[转载浅谈机器学习（入门）：https://www.cnblogs.com/subconscious/p/4107357.html

结论：

机器学习方法是计算机利用已有的数据(经验)，得出了某种模型(迟到的规律)，并利用此模型预测未来(是否迟到)的一种方法。

机器学习的一个主要目的就是把人类思考归纳经验的过程转化为计算机通过对数据的处理计算得出模型的过程。经过计算机得出的模型能够以近似于人的方式解决很多灵活复杂的问题。

机器学习跟模式识别，统计学习，数据挖掘，计算机视觉，语音识别，自然语言处理等领域有]]></description><category></category></item><item><title><![CDATA[YOLO系列-yolov1-小白理解]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/108950162</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/108950162</guid><author>CDUTCo</author><pubDate>Wed, 07 Oct 2020 15:58:25 +0800</pubDate><description><![CDATA[论文地址：yolo1

目标检测算法按步骤可以分为：two-stage和one-stage，后者就是把目标定位和目标分类同时干了，把物体检测变成了物体分类。

所需要的基础知识：

1、Boundng Box：用于预测物体的位置，是个多维向量，（bx,by,bh,bw，C1，C2，...），bx和by是指物体中心点的位置，C是指物体的类别。

2、Anchor Box：由于一个格子中可以检测出来多个对象，因此自定义多个形状的盒子，去确定物体。比如：车一般是横着，人竖着，所以用两个框。同样有（bx,by,bh]]></description><category></category></item><item><title><![CDATA[记--口罩检测＋人脸识别]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/108349539</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/108349539</guid><author>CDUTCo</author><pubDate>Tue, 01 Sep 2020 20:17:18 +0800</pubDate><description><![CDATA[# 读取图像
    def __getitem__(self, image_id):
        image_id = int(image_id)
        image = skimage.io.imread(self.img_Info[image_id-1]['path'])
        if image.shape != (256,256,3):
            image = skimage.transform.resize(image, (256, 256))
      .]]></description><category></category></item><item><title><![CDATA[记-JS网页开发(csv数据读取)与阿里云轻量级服务器部署]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/108348258</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/108348258</guid><author>CDUTCo</author><pubDate>Tue, 01 Sep 2020 19:37:29 +0800</pubDate><description><![CDATA[项目：PM2.5网站



一、CSV文件读取


       //定义XMLHttpRequest对象
		var city2ProvinceReader = new XMLHttpRequest();
       //当对象状态改变时，就执行function函数
		city2ProvinceReader.onreadystatechange = function()
		{
			if (this.readyState == 4 &amp;&amp; this.status == 200) {
.]]></description><category></category></item><item><title><![CDATA[毕设记录-word2vec（skip-gram）实现文本分类]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/106321756</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/106321756</guid><author>CDUTCo</author><pubDate>Sun, 24 May 2020 22:33:36 +0800</pubDate><description><![CDATA[文本预处理

1、数据读取

 数据是来自网易新闻文本。文本中有2万4千条新闻样本，一共有六个不同的新闻种类，有：体育、文化、经济、医疗、汽车、军事，直接用python3的pickle.load()该文件即可，是2万4千个文本样本的数据集合，该数据的每一行是一个元组，元组的第一个下标元素代表的是新闻文本数据，另一个代表的是该文本数据的分类。

2、数据处理

2-1分词

 利用jieba对文章分词。



2-2清除停用词

对jieba导入停用词库（可自定义），去除分词文本中的噪音词，包括：字符、无..]]></description><category></category></item><item><title><![CDATA[毕业生--参考文献查询网站及方法（中文核心及以上）]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/105583566</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/105583566</guid><author>CDUTCo</author><pubDate>Fri, 17 Apr 2020 22:26:15 +0800</pubDate><description><![CDATA[一、知网

（1）以我为例，是用校外访问登录，可以免费下载知网文献资源。



（2）进入新版知网，使用高级检索。



（3）进行多条件筛选检索。



小提示：全部期刊包括了除核心期刊以外的其他期刊，若需要中文核心期刊及其以上，则勾选下列（皆为核心）：



科普连接：https://baike.baidu.com/item/%E7%99%BE%E5%BA%A6%E7%99%BE%E7%A7...]]></description><category></category></item><item><title><![CDATA[C语言程序设计--数组滚动（指针）]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/105519443</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/105519443</guid><author>CDUTCo</author><pubDate>Tue, 14 Apr 2020 20:00:45 +0800</pubDate><description><![CDATA[题目：实现数组的滚动 （右滚动）

目前有两种思路：

1、设定两个同等长度 L 的数组a1、a2，（a1用来存放原数据，a2用来存放要移动的越界数据）。设定移动偏移量 n（小于L），将a1后n个数据存到a2中，然后将a1数组的数据从L-n下标处开始往后移，然后将存放的a2数据放在a1的前n个位置。

2、利用指针，设定指针p、a_end，变量last，偏移量n，每次存放数组最末尾数据于last中...]]></description><category></category></item><item><title><![CDATA[C语言中 按位与、或、异或运算]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/105464628</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/105464628</guid><author>CDUTCo</author><pubDate>Sun, 12 Apr 2020 15:23:08 +0800</pubDate><description><![CDATA[一、按位与&amp;

定义：按位与运算符“&amp;”是双目运算符。其功能是参与运算的两数各对应的二进位相与。操作数都必须是整型的。

规则：0&amp;0=0; 0&amp;1=0; 1&amp;0=0; 1&amp;1=1。



main() 
{
    int a,b; a=077; 
    b=a&amp;3; 
    printf("\40: The a &amp; b(dec...]]></description><category></category></item><item><title><![CDATA[C语言程序设计-#ifdef--#ifndef--#if--条件编译]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/105395131</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/105395131</guid><author>CDUTCo</author><pubDate>Wed, 08 Apr 2020 19:45:55 +0800</pubDate><description><![CDATA[条件编译 预处理

#ifdef：


#ifdef 标识符 
    程序段1 
#else 
    程序段2 
#endif

功能是：如果标识符已被 #define命令定义过则对程序段1进行编译；否则对程序段2进行编译。如果没有程序段2(为空)。


代码例子：
#ifdef MAX 
		printf("\40: The larger one is %d\n",MAXIMUM(a,b))...]]></description><category></category></item><item><title><![CDATA[C语言中 define 宏定义的使用总结]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/105360645</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/105360645</guid><author>CDUTCo</author><pubDate>Tue, 07 Apr 2020 11:57:46 +0800</pubDate><description><![CDATA[define编译预处理指令

定义格式：#define &lt;名字&gt; &lt;值&gt;

例如：


#define love 520


printf("%d",love);
使用love时不需要再定义以及赋值，输出打印为 520

其他小知识点

1、宏定义必须写在函数之外，其作用域为宏定义命令起到源程序结束。如要终止其作用域可使用#undef命令。

2、如果一个宏的值超过一行，...]]></description><category></category></item><item><title><![CDATA[C语言中的--*类图形打印思路]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/105286827</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/105286827</guid><author>CDUTCo</author><pubDate>Fri, 03 Apr 2020 10:44:06 +0800</pubDate><description><![CDATA[分析

首先，观察输出图案有无规律。复杂的图形可以将整体拆分，分为多个部分，细化打印，便于理解也简便操作。

例如：



我们就可以分为上下两部分，分别打印。

上部分



菱形上部分
	第 i 行
			第i行的 * 个数
			第i行 的空格个数
		0
			1
			左5+右5=10
		1
			2*i+1=3
			左4+右4=8
		2
			2*i+1=5
			......]]></description><category></category></item><item><title><![CDATA[Distributed Representations of Words and Phrases and their Compositionality--翻译]]></title><link>https://blog.youkuaiyun.com/CDUTCo/article/details/105286292</link><guid>https://blog.youkuaiyun.com/CDUTCo/article/details/105286292</guid><author>CDUTCo</author><pubDate>Fri, 03 Apr 2020 10:12:18 +0800</pubDate><description><![CDATA[词和短语的分布表示及其构成

原作者：Tomas Mikolov等
#摘要


最近引入的连续Skip-gram模型是学习高质量分布向量表示的有效方法，分布向量表示可以捕获大量精确的句法和语义关系。在本文中，我们提出了几个扩展，提高了向量的质量和训练速度。通过对频繁的单词进行二次抽样，我们获得了显着的加速，同时还学习了更多的常规单词表示。我们还提出了一个分层soft max的简单替代方案，称为负采...]]></description><category></category></item></channel></rss>