<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[J.Anson的博客]]></title><description><![CDATA[风吹草，云飘扬，心如野马；夕阳落，北风起，宁工路上]]></description><link>https://blog.youkuaiyun.com/J_Anson</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; J_Anson]]></copyright><item><title><![CDATA[ETL 中多源数据库元数据同步的方案设计]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/162524408</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/162524408</guid><author>J_Anson</author><pubDate>Thu, 02 Jul 2026 16:54:36 +0800</pubDate><description><![CDATA[本文提出了一种基于JDBC DatabaseMetaData接口的统一元数据同步方案，用于解决ETL/数据集成平台中多源数据库元数据管理难题。方案核心思路是通过标准JDBC接口获取元数据，替代传统直接查询各数据库系统表的方式，实现&quot;一次编写、多库通用&quot;。系统采用三层元数据结构（Schema-Table-Column/Index/PK/FK），通过异步线程池和增量更新机制实现高性能同步，并支持多租户隔离。关键技术点包括：动态数据源切换、MySQL兼容处理、安全元数据读取及租户上下文传递。相]]></description><category></category></item><item><title><![CDATA[Excel 转图片自定义多行表头的一种实现方案]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/162523709</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/162523709</guid><author>J_Anson</author><pubDate>Thu, 02 Jul 2026 16:28:38 +0800</pubDate><description><![CDATA[本文介绍了一套企业微信消息推送场景中的Excel转PNG图片方案。核心功能包括：1）通过JSON配置自定义多行表头，支持单元格合并；2）在表头上方添加标题行和数据日期行；3）将Excel每个sheet渲染为PNG图片；4）对超过2MB的图片进行渐进式压缩；5）支持ZIP文件编解码。方案采用Aspose Cells进行Excel操作，通过三级压缩策略（色彩优化+重编码+等比缩放）确保图片大小符合企业微信限制，同时实现了表头样式美化、列宽行高自适应等功能，形成完整的文件处理流水线。]]></description><category></category></item><item><title><![CDATA[Spring Cloud Stream 最佳实践指南]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/162041922</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/162041922</guid><author>J_Anson</author><pubDate>Tue, 16 Jun 2026 17:39:48 +0800</pubDate><description><![CDATA[Spring Cloud Stream 是一个用于构建消息驱动微服务的框架，它基于 Spring Boot 和 Spring Integration，提供了一套中间件无关的编程模型。核心价值：Binder 抽象：应用代码与消息中间件（Kafka / RabbitMQ / Pulsar 等）解耦函数式编程模型风格的SupplierFunctionConsumer声明式配置：通过控制绑定、分区、消费者组、并发开箱即用。]]></description><category></category></item><item><title><![CDATA[Spring AMQP 最佳实践指南]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/162041825</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/162041825</guid><author>J_Anson</author><pubDate>Tue, 16 Jun 2026 17:35:11 +0800</pubDate><description><![CDATA[本文介绍了Spring AMQP框架的核心概念与使用方法。Spring AMQP是基于AMQP协议的消息中间件框架，提供简洁API实现异步消息通信。主要内容包括： 快速集成、核心概念、消息处理、高级特性、配置管理、测试支持和最佳实践。]]></description><category></category></item><item><title><![CDATA[Dubbo架构深度分析]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/159465073</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/159465073</guid><author>J_Anson</author><pubDate>Wed, 25 Mar 2026 12:24:40 +0800</pubDate><description><![CDATA[深入解析了Dubbo框架的核心架构设计与扩展机制。重点分析了SPI扩展机制的实现原理，包括扩展点接口定义、配置文件加载和ExtensionLoader核心逻辑。同时阐述了URL统一模型的设计理念与实现细节，以及自适应扩展机制如何支持运行时动态选择实现。文中还结合银行系统场景，展示了Dubbo在交易路由、负载均衡等关键业务中的实际应用，体现了该框架在配置标准化、性能优化和容错处理方面的优势。]]></description><category></category></item><item><title><![CDATA[移动云MAS平台短信接口]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/136056867</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/136056867</guid><author>J_Anson</author><pubDate>Tue, 06 Feb 2024 15:19:49 +0800</pubDate><description><![CDATA[移动云MAS平台是移动出的短信平台，支持SIM卡三网通，但对电信手机号码支持度不高，实测过程经常出现因平台原因导致短信发送失败。使用MAS云平台发送短信的用户同事需要注意短信黑白名单问题，建议将常用的手机号码添加上白名单。同时，如果短信回执提示发送成功，但实际未收到短信，则需登录平台查看发送日志，具体路径查看文章末尾。]]></description><category></category></item><item><title><![CDATA[nacos-datasource-plugin-extension]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/136056224</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/136056224</guid><author>J_Anson</author><pubDate>Tue, 06 Feb 2024 14:32:27 +0800</pubDate><description><![CDATA[nacos-datasource-plugin-extension是nacos-datasource-plugin的扩展插件，支持nacos-datasource-plugin-extension使用postgresql数据库、DB2数据库和Oracle数据库。]]></description><category></category></item><item><title><![CDATA[集成算法概述]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/131550696</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/131550696</guid><author>J_Anson</author><pubDate>Wed, 05 Jul 2023 10:42:30 +0800</pubDate><description><![CDATA[集成算法一般有三种，分别是Bagging模型、Boosting模型和Stacking模型。测试时对待测试样本分别通过不同的分类器，汇总最后的结果。投票方式，可分为软投票和硬投票。Bagging模型：并行的训练一堆分类器（类似电路并联），典型代表是随机森林算法。集成算法的基本思想：训练时用多种分类器一起完成同一份任务。随机森林的多样性，即构建的树模型之间存在一定差异。Boosting模型：提升算法（类似电路串联）Stacking模型：堆联。]]></description><category></category></item><item><title><![CDATA[Pycharm使用Anoconda配置虚拟环境]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/131518963</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/131518963</guid><author>J_Anson</author><pubDate>Mon, 03 Jul 2023 16:44:23 +0800</pubDate><description><![CDATA[Anaconda是一个可用于科学计算的 Python 发行版，可以便捷获取和管理包，同时对环境进行统一管理，支持 Linux、Mac、Windows系统，包含了conda、Python在内的超过1,000+开源库。它解决了官方Python 的两大痛点：第一：提供包管理功能，Windows 平台安装第三方包经常失败的场景得以解决。第二：提供环境管理功能，类似 Virtualenv，解决多版本Python并存、切换问题。]]></description><category></category></item><item><title><![CDATA[KMeans聚类算法实现]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/131470834</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/131470834</guid><author>J_Anson</author><pubDate>Fri, 30 Jun 2023 10:19:08 +0800</pubDate><description><![CDATA[Kmeans是一种无监督的基于距离的聚类算法，其变种还有Kmeans++。其中，sklearn中KMeans的默认使用的即为KMeans++。。本文主要通过纯手写的方式，帮助学习理解KMeans算法的数据处理过程。]]></description><category></category></item><item><title><![CDATA[KMeans算法实现图像分割]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/131470063</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/131470063</guid><author>J_Anson</author><pubDate>Fri, 30 Jun 2023 09:44:36 +0800</pubDate><description><![CDATA[由于具有出色的速度和良好的可扩展性，Kmeans聚类算法算得上是最著名的聚类方法。Kmeans算法是一个重复移动类中心点的过程，把类的中心点，也称重心(centroids)，移动到其包含成员的平均位置，然后重新划分其内部成员。k是算法计算出的超参数，表示类的数量；Kmeans可以自动分配样本到不同的类，但是不能决定究竟要分几个类。k必须是一个比训练集样本数小的正整数。有时，类的数量是由问题内容指定的。例如，一个鞋厂有三种新款式，它想知道每种新款式都有哪些潜在客户，于是它调研客户，然后从数据里找出三类。]]></description><category></category></item><item><title><![CDATA[逻辑回归算法实现]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/131440696</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/131440696</guid><author>J_Anson</author><pubDate>Wed, 28 Jun 2023 17:01:01 +0800</pubDate><description><![CDATA[在本文中的逻辑回归算法实现，不调用sklearn中的相关API，通过纯手写的方式，帮助学习理解逻辑回归的过程。]]></description><category></category></item><item><title><![CDATA[alpha值大小对lasso回归结果的影响]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/131412934</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/131412934</guid><author>J_Anson</author><pubDate>Tue, 27 Jun 2023 11:34:47 +0800</pubDate><description><![CDATA[它在某些情况下很有用，因为它倾向于选择具有较少非零系数的解决方案，从而有效地减少给定解决方案所依赖的特征数量。Lasso回归对比岭回归，只有theta项的区别，Lasso回归的theta项是加了绝对值。对比不同的alpha值的运行结果，可以发现alpha值越大，拟合的结果趋向平稳，效果越好。下面，我们通过对比实验来观察不同的alpha值对每一个产生的theta结果的影响。代码在运行过程中，针对alpha=0的情况，会发出警告，拟合不收敛。]]></description><category></category></item><item><title><![CDATA[岭回归（Ridge）不同alpha值对归回结果的影响]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/131411152</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/131411152</guid><author>J_Anson</author><pubDate>Tue, 27 Jun 2023 10:15:56 +0800</pubDate><description><![CDATA[岭回归模型用于求解回归模型，其中损失函数是线性最小二乘函数，正则化由 l2-norm给出，也称岭回归为吉洪诺夫正则化。sklearn中的Ridge内置支持多元回归（即，当 y 是形状为 (n_samples, n_targets) 的二维数组时）。
岭回归，即对每一个theta(i)增加他的平方项。本次实验，我们来观察不同的alpha值对每一个产生的theta结果的影响。]]></description><category></category></item><item><title><![CDATA[PolynomialFeatures中不同degree的值对拟合结果的影响]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/131400265</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/131400265</guid><author>J_Anson</author><pubDate>Mon, 26 Jun 2023 16:26:07 +0800</pubDate><description><![CDATA[生成100个数据，其中X的取值在 [-3,3] 之间随机抽取100个，y为X的一元二次函数，其中截距项符合高斯分布。可以看出，degree的值对拟合结果的影响非常明显，degree的值越大，越容易出现过拟合的现象。多项式拟合过程中，PolynomialFeatures函数的degree值对拟合结果的影响。四、通过线性回归，拟合方程y，可以发现拟合系数和方程y的值接近。三、通过PolynomialFeatures生成多项式系数。六、对比不同degree的值对拟合结果的影响。]]></description><category></category></item><item><title><![CDATA[线性回归算法实现]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/131394706</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/131394706</guid><author>J_Anson</author><pubDate>Mon, 26 Jun 2023 12:04:33 +0800</pubDate><description><![CDATA[数据预处理、generate_sinusoids函数的定义、线性回归、单参数预测、获取预测结果]]></description><category></category></item><item><title><![CDATA[机器学习（三）线性回归原理]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/131322308</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/131322308</guid><author>J_Anson</author><pubDate>Wed, 21 Jun 2023 10:14:19 +0800</pubDate><description><![CDATA[因此，上述公式“Y=θ1·X1+θ2·X2”即可修改为“Y=θ0+θ1·X1+θ2·X2”，将常数项“θ0”添加一个“X0”，即可用矩阵形式表示该公式。由于误差的存在，因此上述公式，Y(i)为真实值，θT·X（i）为预测值，E(i)为误差，我们希望误差项越小越好，即损失函数的结果越小越好。这里X，θ，Y均为矩阵。这里，XT·X（矩阵X的转置·矩阵X）的目的，是为了将X转换为对称阵（方阵），X和Y均为已知量。梯度方向是上升最快的方向，因此，这里的偏导结果应该取反，再加上原来θj的位置，即为更新后的位置。]]></description><category></category></item><item><title><![CDATA[机器学习（二）逻辑回归]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/131307865</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/131307865</guid><author>J_Anson</author><pubDate>Tue, 20 Jun 2023 15:18:58 +0800</pubDate><description><![CDATA[Logistic Regression 虽然被称为回归，但其实际上是分类模型，并常用于二分类。
Logistic 回归的本质是：假设数据服从这个分布，然后使用极大似然估计做参数的估计。]]></description><category></category></item><item><title><![CDATA[机器学习算法（一）KNN近邻算法]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/131224979</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/131224979</guid><author>J_Anson</author><pubDate>Thu, 15 Jun 2023 12:48:33 +0800</pubDate><description><![CDATA[KNN（K近邻算法）：K-Nearest-Neighbor算法，即K值为邻近。KNN是最简单的分类算法之一，同时，也是最常用的分类算法之一。KNN算法是有监督学习中的分类算法。]]></description><category></category></item><item><title><![CDATA[K8s暴露服务-服务发现（三种常用方式）]]></title><link>https://blog.youkuaiyun.com/J_Anson/article/details/131129286</link><guid>https://blog.youkuaiyun.com/J_Anson/article/details/131129286</guid><author>J_Anson</author><pubDate>Fri, 09 Jun 2023 16:01:48 +0800</pubDate><description><![CDATA[k8s三种暴露服务（服务发现）的方式：1、Deployment+LoadBalancer模式的Service；2、Deployment+NodePort模式的Service；3、DaemonSet+HostNetwork+nodeSelector]]></description><category></category></item></channel></rss>