融入模糊规则的宽度神经网络结构

3天干完6个月的活,Claude把模型搬上AMD 一条挺刺激的消息:Anthropic 给投资人的材料里有一张幻灯片,写着它的 Claude Mythos Preview 只花了大约​,就摸清了怎么让另一个 Claude 模型在 AMD 的 MI355X 上跑起来。同一处还写了个对照数字:过去给一块新芯片做推理适配,通常要几十名工程师、​。3 天对 6 个月,这个比值太扎眼,当天中文互联网上就冒出一堆「英伟达的护城河塌了」的说法。我把能翻到的材料都翻了一遍,越看越觉得,塌掉的那一小块是真的,可塌的位置和很多人想的不一样。 阅读详情


✨✨ 欢迎大家来访Srlua的博文(づ ̄3 ̄)づ╭❤~✨✨

🌟🌟 欢迎各位亲爱的读者,感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢,在这里我会分享我的知识和经验。🎥

希望在这里,我们能一起探索IT世界的奥妙,提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏:传知代码论文复现

欢迎访问我的主页:Srlua小谢 获取更多信息和资源。✨✨🌙🌙

​​

​​

论文概述

今天来给大家讲解一篇发表在中科院一区顶级期刊上《IEEE Transactions on Cybernetics》的有关于目前人工智能计算机视觉新方向(宽度学习)的文章。作者在这篇文章中基于宽度神经网络提出了一种改进的新模型,融入了模糊规则来提高模型对特殊特征的分辨能力。由于模糊规则的复杂性,本博客用了比较多的博客来讲述,如果大家觉得太难,可以直接下载附件代码先跑起来,从代码入手再回来看数学公式会更直接一点。

该论文作者们提出了一种名为模糊宽度学习系统(BLS)的新型神经模糊模型,通过将Takagi-Sugeno(TS)模糊系统融入BLS而构建。模糊BLS将BLS的特征节点替换为一组TS模糊子系统,并由它们分别处理输入数据。与立即将每个模糊子系统产生的模糊规则输出聚合为一个值不同,模糊BLS将它们全部发送到增强层进行进一步的非线性变换,从而保留输入特性。模糊子系统的去模糊化输出和增强层的输出被组合以获得最终模型输出。前件部分高斯隶属函数的中心以及模糊规则的数量通过k-means方法确定。在模糊BLS中需要计算的参数包括连接增强层输出和模型输出的权重,以及模糊子系统后件部分多项式的随机初始化系数,这些都可以通过解析方法计算。因此,模糊BLS保留了BLS的快速计算特性。

该模糊BLS通过一些流行的回归和分类基准进行评估,并与一些最先进的非模糊和神经模糊方法进行比较。结果表明,模糊BLS在性能上优于其他模型。此外,模糊BLS在模糊规则数量和训练时间方面也优于神经模糊模型,在一定程度上缓解了规则爆炸的问题。

在这里插入图片描述

创新点及贡献

  • 为了建立一个名为模糊BLS的新神经模糊模型,他们用Takagi-Sugeno(TS)模糊子系统代替BLS左部的特征节点。模糊BLS的显著特征与其他神经模糊方法不同,其创新点如下。

  • 模糊BLS包含一组一阶TS模糊子系统,输入数据由每个子系统处理。所有模糊子系统都参与产生模糊BLS的输出,因此它可以受益于这种"集成"结构。 k均值算法用于对输入数据进行分组,并确定每个模糊子系统的模糊规则数量,以及前件部分高斯隶属函数的中心。由于k均值算法的属性,不同的中心将从训练数据为每个模糊子系统生成,这可以确保产生不同的结果。然后尽可能多地提取输入数据的信息。

  • 模糊子系统中模糊规则的输出不会立即汇总为一个值。相反,所有模糊子系统产生的中间值被连接为向量,并直接发送到用于非线性转换的增强节点。然后,增强层的输出以及模糊子系统的去模糊输出用于生成最终模型输出。

  • 模糊BLS的参数包括连接增强层输出到最终输出层的权重以及每个模糊子系统中模糊规则后件部分的系数,这可以通过伪逆快速计算。因此,模糊BLS保留了BLS的快速计算特性。 算法流程讲解

在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

核心代码复现

  • 本人在复现时用三个文件来完成本次项目,分别是main.py文件作为顶层文件调用所有函数和方法;utils.py文件作为工具文件,封装了一些所需要用到的方法;FBLS.py文件中实现了Fuzzy规则和BLS结合的新型宽度神经网络模型——FBLS,下面我们将分别给出他们的伪代码来进一步帮大家理解。

main.py文件

<span style="background-color:#f8f8f8"><span style="color:#333333">开始
|
|---> 导入 numpy 和 scipy.io 中的 loadmat 和 savemat 函数
|---> 导入 random 和 FBLS 模块中的 bls_train 函数
|
|---> 定义主函数 main():
|        |
|        |---> 从 MATLAB 文件 <span style="color:#aa1111">'wbc.mat'</span> 中加载数据
|        |        data <span style="color:#981a1a">=</span> loadmat(<span style="color:#aa1111">'wbc.mat'</span>)
|        |        train_x <span style="color:#981a1a">=</span> data[<span style="color:#aa1111">'train_x'</span>]
|        |        train_y <span style="color:#981a1a">=</span> data[<span style="color:#aa1111">'train_y'</span>]
|        |        test_x <span style="color:#981a1a">=</span> data[<span style="color:#aa1111">'test_x'</span>]
|        |        test_y <span style="color:#981a1a">=</span> data[<span style="color:#aa1111">'test_y'</span>]
|        |
|        |---> 转换测试集
|        |        n <span style="color:#981a1a">=</span> 随机生成一个置换数组,长度为 test_x.shape[0]
|        |        使用置换数组 n 的前 <span style="color:#116644">140</span> 行来更新 test_x 和 test_y,并将它们转换为 np.float64 类型
|        |        train_y 和 test_y 转换为二元标签 (-1, <span style="color:#981a1a">+</span><span style="color:#116644">1</span>)
|        |
|        |---> 初始化常数和变量
|        |        C <span style="color:#981a1a">=</span> <span style="color:#116644">2</span> ** <span style="color:#0000cc">-30</span>
|        |        s <span style="color:#981a1a">=</span> <span style="color:#116644">0</span>.8
|        |        best <span style="color:#981a1a">=</span> <span style="color:#116644">0</span>.72
|        |        result <span style="color:#981a1a">=</span> 空列表
|        |
|        |        NumRule <span style="color:#981a1a">=</span> <span style="color:#116644">2</span>
|        |        NumFuzz <span style="color:#981a1a">=</span> <span style="color:#116644">6</span>
|        |        NumEnhan <span style="color:#981a1a">=</span> <span style="color:#116644">20</span>
|        |
|        |---> 设置随机种子为 <span style="color:#116644">1</span>,生成 Alpha 和 WeightEnhan
|        |        Alpha <span style="color:#981a1a">=</span> 空列表
|        |        对于 i 从 <span style="color:#116644">0</span> 到 NumFuzz-1:
|        |            生成大小为 (train_x.shape[1], NumRule) 的随机数组 alpha
|        |            将 alpha 添加到 Alpha
|        |
|        |        生成大小为 (NumFuzz * NumRule <span style="color:#981a1a">+</span> <span style="color:#116644">1</span>, NumEnhan) 的随机数组 WeightEnhan
|        |
|        |---> 打印模糊规则数、模糊系统数和增强器数
|        |        打印字符串 <span style="color:#aa1111">'Fuzzy rule No.= {NumRule}, Fuzzy system No. ={NumFuzz}, Enhan. No. = {NumEnhan}'</span>
|        |
|        |---> 调用 bls_train 函数进行模型训练和测试
|        |        调用 bls_train(train_x, train_y, test_x, test_y, Alpha, WeightEnhan, s, C, NumRule, NumFuzz)
|        |        返回 NetoutTest, Training_time, Testing_time, TrainingAccuracy, TestingAccuracy
|        |
|        |---> 计算总时间,并将结果保存到 result 列表中
|        |        total_time <span style="color:#981a1a">=</span> Training_time <span style="color:#981a1a">+</span> Testing_time
|        |        将 [NumRule, NumFuzz, NumEnhan, TrainingAccuracy, TestingAccuracy] 添加到 result 列表
|        |
|        |---> 如果 TestingAccuracy 比 best 大,则更新 best,并将结果保存到 <span style="color:#aa1111">'optimal.mat'</span> 文件中
|        |        如果 best < TestingAccuracy:
|        |            更新 best 为 TestingAccuracy
|        |            将 {<span style="color:#aa1111">'TrainingAccuracy'</span>: TrainingAccuracy, <span style="color:#aa1111">'TestingAccuracy'</span>: TestingAccuracy,
|        |                 <span style="color:#aa1111">'NumRule'</span>: NumRule, <span style="color:#aa1111">'NumFuzz'</span>: NumFuzz, <span style="color:#aa1111">'NumEnhan'</span>: NumEnhan, <span style="color:#aa1111">'time'</span>: total_time}
|        |            保存到 <span style="color:#aa1111">'optimal.mat'</span>
|        |
|        |---> 将 result 列表保存到 <span style="color:#aa1111">'result.mat'</span> 文件中
|        |        将 {<span style="color:#aa1111">'result'</span>: np.array(result)} 保存到 <span style="color:#aa1111">'result.mat'</span>
|        |
|        |---> 打印字符串 <span style="color:#aa1111">'Results saved!'</span>
|
|---> 如果运行在主模块下:
|        调用主函数 main()
|
结束</span></span>
  • 在main.py文件中,我们将FBLS模型封装在bls_train函数中,加载好数据集之后输入模型中进行训练,并编写代码对输出的结果进行测试,打印出评价指标。

FBLS.py文件

<span style="background-color:#f8f8f8"><span style="color:#333333">开始
|
|        返回 <span style="color:#116644">2</span> / (1 <span style="color:#981a1a">+</span> exp(-2 * x)) <span style="color:#0000cc">-</span> <span style="color:#116644">1</span>
|
|---> 函数 result_tra(output):
|        返回 argmax(output, <span style="color:#0000ff">axis</span><span style="color:#981a1a">=</span><span style="color:#116644">1</span>)
|
|---> 函数 bls_train(train_x, train_y, test_x, test_y, Alpha, WeightEnhan, s, C, NumRule, NumFuzz):
|        |
|        |---> std <span style="color:#981a1a">=</span> <span style="color:#116644">1</span>
|        |---> 记录开始时间
|        |
|        |---> 设置 H1 为 train_x
|        |---> 初始化 y 为大小 (train_x.shape[0], NumFuzz * NumRule) 的零矩阵
|        |---> 初始化 CENTER 为一个空列表
|        |---> 初始化 <span style="color:#3300aa">ps</span> 为一个空列表
|        |
|        |---> 循环 i 从 <span style="color:#116644">0</span> 到 NumFuzz-1:
|        |         |
|        |         |---> 设置 b1 为 Alpha[i]
|        |         |---> 初始化 t_y 为大小 (train_x.shape[0], NumRule) 的零矩阵
|        |         |---> 使用 NumRule 个聚类对 train_x 进行 KMeans 聚类,并将中心设置为聚类中心
|        |         |
|        |         |---> 循环 j 从 <span style="color:#116644">0</span> 到 train_x.shape[0]-1:
|        |         |         |
|        |         |         |---> 计算 MF 为 exp(-sum((train_x[j, :] <span style="color:#0000cc">-</span> center) ** <span style="color:#116644">2</span>) / std)
|        |         |         |---> 将 MF 归一化
|        |         |         |---> 设置 t_y[j, :] 为 MF * (train_x[j, :].dot(b1))
|        |         |
|        |         |---> 将 center 添加到 CENTER
|        |         |---> 初始化 scaler 为范围 (0, <span style="color:#116644">1</span>) 的 MinMaxScaler
|        |         |---> 使用 scaler 对 t_y 进行拟合和变换,并将结果设置为 T1
|        |         |---> 将 scaler 添加到 <span style="color:#3300aa">ps</span>
|        |         |---> 设置 y[:, NumRule * i:NumRule * (i <span style="color:#981a1a">+</span> <span style="color:#116644">1</span>)] 为 T1
|        |
|        |---> 将 y 与一个全为 <span style="color:#116644">0</span>.1 的列连接起来形成 H2
|        |---> 计算 T2 为 H2 dot WeightEnhan
|        |---> 设置 l2 为 s / max(T2)
|        |---> 对 T2 乘以 l2 应用 tansig
|        |---> 将 y 与 T2 连接起来形成 T3
|        |
|        |---> 计算 beta 为 inverse(T3.T dot T3 <span style="color:#981a1a">+</span> eye(T3.shape[1]) * C) dot T3.T dot train_y
|        |---> 记录训练时间
|        |---> 打印 <span style="color:#aa1111">'Training has been finished!'</span> 和训练时间
|        |---> 计算 NetoutTrain 为 T3 dot beta
|        |
|        |---> 设置 yy 为 result_tra(NetoutTrain)
|        |---> 设置 train_yy 为 result_tra(train_y)
|        |---> 计算 TrainingAccuracy 为 mean(yy <span style="color:#981a1a">==</span> train_yy)
|        |---> 打印训练准确率
|        |
|        |---> 记录开始时间
|        |
|        |---> 设置 HH1 为 test_x
|        |---> 初始化 yy1 为大小 (test_x.shape[0], NumFuzz * NumRule) 的零矩阵
|        |
|        |---> 循环 i 从 <span style="color:#116644">0</span> 到 NumFuzz-1:
|        |         |
|        |         |---> 设置 b1 为 Alpha[i]
|        |         |---> 初始化 t_y 为大小 (test_x.shape[0], NumRule) 的零矩阵
|        |         |---> 设置 center 为 CENTER[i]
|        |         |
|        |         |---> 循环 j 从 <span style="color:#116644">0</span> 到 test_x.shape[0]-1:
|        |         |         |
|        |         |         |---> 计算 MF 为 exp(-sum((test_x[j, :] <span style="color:#0000cc">-</span> center) ** <span style="color:#116644">2</span>) / std)
|        |         |         |---> 将 MF 归一化
|        |         |         |---> 设置 t_y[j, :] 为 MF * (test_x[j, :].dot(b1))
|        |         |
|        |         |---> 设置 scaler 为 <span style="color:#3300aa">ps</span>[i]
|        |         |---> 使用 scaler 变换 t_y 并将结果设置为 TT1
|        |         |---> 设置 yy1[:, NumRule * i:NumRule * (i <span style="color:#981a1a">+</span> <span style="color:#116644">1</span>)] 为 TT1
|        |
|        |---> 将 yy1 与一个全为 <span style="color:#116644">0</span>.1 的列连接起来形成 HH2
|        |---> 对 HH2 dot WeightEnhan 乘以 l2 应用 tansig
|        |---> 将 yy1 与 TT2 连接起来形成 TT3
|        |
|        |---> 计算 NetoutTest 为 TT3 dot beta
|        |---> 设置 y 为 result_tra(NetoutTest)
|        |---> 设置 test_yy 为 result_tra(test_y)
|        |---> 计算 TestingAccuracy 为 mean(y <span style="color:#981a1a">==</span> test_yy)
|        |---> 记录测试时间
|        |---> 打印 <span style="color:#aa1111">'Testing has been finished!'</span> 和测试时间
|        |---> 打印测试准确率
|        |
|        |---> 返回 NetoutTest, Training_time, Testing_time, TrainingAccuracy, TestingAccuracy
|
​</span></span>

在FBLS.py文件中,我们完整地复现了FBLS模型的代码,依照上面提到的算法流程一比一实现了FBLS从输入数据到输出测试结果的过程。

使用方法

  • 在FBLS.py文件中我们已经封装好了结果,因此我们可以直接在main.py文件中调用我们想要的数据集并进行训练。

首先,我们需要把本地的数据集放入到当前目录中然后修改数据集名称为大家本地的数据集名称,或者给出它的绝对路径:data=loadmat(‘文件名的绝对路径’) 在这里插入图片描述

  • 这里我们的数据集中有四个变量:train_x,train_y,test_x,test_y,分别存储的训练集的数据、标签和测试集的数据、标签,标签采用独热编码。

  • 然后在这里,我们可以修改模型的超参数(模糊规则数、模糊节点数和增强层数量)来使我们的模型拟合到最优结果 在这里插入图片描述

测试结果

  • 在一次训练测试结束后,我们可以看到最后的结果,训练精度和测试精度都可以达到97%。 在这里插入图片描述

我们可以修改一下超参数,让 NumRule = 10,NumFuzz = 20,NumEnhan = 100

在这里插入图片描述 可以看到现在模型训练精度虽然达到了100%,但是测试精度出现了下降,这就说明我们参数调的太大让模型出现了过拟合现象,具体的调参大家可以根据自己的数据集来调整。

环境配置

  • 本次使用的python版本最好为python3.8及以上

  • 使用的库函数包括numpy、scipy、sklearn和random

  • 本文所有资源均可在该地址处获取。

 ​​

希望对你有帮助!加油!

若您认为本文内容有益,请不吝赐予赞同并订阅,以便持续接收有价值的信息。衷心感谢您的关注和支持!

【信息科学与工程学】【产品体系】【制作工程】第十二篇 制造业生产加工05 控制算法 系列二01 逐步设计虚拟控制律 αi​,最后得到实际控制 u。:通过迭代实验直接优化控制器参数,最小化 J(ρ)=2N1​∑t=1N​[(yt​(ρ)−ytd​)2+λut​(ρ)2],梯度由特殊实验估计:∂ρ∂J​≈N1​∑t=1N​[(yt​−ytd​)∂ρ∂yt​​+λut​∂ρ∂ut​​]。(k+1) - y(k)) ),其中 ϕ(k)为伪偏导数在线估计:ϕ^​(k)=ϕ^​(k−1)+μ+Δu(k−1)2ηΔu(k−1)​(Δy(k)−ϕ^​(k−1)Δu(k−1))。 阅读详情

相关推荐

【信息科学与工程学】【产品体系】第十二篇 制造业生产加工05 控制算法

类别算法编号算法名称数学描述/核心公式关键参数/变量适用范围物理意义/算法作用关联知识连接点​5.1.1三环PID控制其中 ep​,ev​,ec​分别为位置、速度、电流误差。电流环通常由驱动器内部实现,响应最快。比例增益 Kp​, 积分增益 Ki​, 微分增益 Kd​(各环独立)电机、直线电机、力矩电机伺服驱动,运动控制基础经典反馈控制。比例消除当前误差,积分消除稳态误差,微分抑制超调/振荡。三环嵌套,内环为外环提供“理想”被控对象。表12.3.1:PID控制器整定;

weixin_49199313的博客 1824

【PID】基于人工神经网络的PID控制器,用于更好的系统响应研究附Matlab&Simulink代码

比例-积分-微分(PID)控制器因其结构简单、鲁棒性强和易于实现等优点,在工业控制领域得到了广泛应用。然而,面对日益复杂的非线性、时变系统,传统PID控制器的性能往往难以满足高精度、高效率的控制要求。近年来,人工神经网络(ANN)的快速发展为PID控制器的性能提升提供了新的思路。本文深入探讨了基于人工神经网络的PID控制器在改善系统响应方面的应用,详细阐述了其基本原理、主要实现方法、优势以及面临的挑战,并展望了未来的发展方向。

j_jinger的博客 1047

【信息科学与工程学】【产品体系】第十二篇 制造业生产加工05 控制算法 ——飞行(1)

航空航天控制的高级主题,包括先进飞行控制、航天器高级控制、无人机集群、航空发动机控制和飞行管理。

weixin_49199313的博客 1913

本地化部署 DeepSeek,构建单细胞与空间转录组 AI 分析平台

本地化部署 DeepSeek,构建单细胞与空间转录组 AI 分析平台

weixin_53637133的博客 187

【信息科学与工程学】计算机科学与自动化——第十六篇 GPU 05 工艺(3)

序号工艺工序名称工艺步骤核心参数其他参数关键部件及原材料控制指标加工设备类型加工工艺/技巧1衬底准备​1.1 硅晶圆清洗 1.2 热氧化生长薄SiO₂层(1-5nm) 1.3 衬底温度稳定温度: 600-800°C 厚度: 1-5nm 表面粗糙度: <0.2nm晶向: (100) 晶圆尺寸: 300mm 掺杂浓度: 1-10 Ω·cm p型Si晶圆、O₂气体、清洗液(SC1/SC2)氧化层厚度均匀性(±0.1nm) 界面态密度(Dit)<1e10 cm⁻²eV⁻¹清

weixin_49199313的博客 1335

如何处理动态语言(Python / JS)的“隐形”调用链?

本文揭示动态语言(Python/JS)中静态AST解析导致调用链“断链”的核心问题,提出通过运行时追踪补全图谱的解决方案。基于Code-Graph-RAG的cgr trace机制,分别利用pytest插件与V8 Profiler捕获真实调用路径,将动态边合并至静态图谱,并在权重体系中提升动态边优先级。实践表明,该方法可显著提升图谱覆盖率,实现“结构+行为”双视角理解代码,为MCP与Rerank系统提供可靠支持。

xianyinsuifeng的博客 425

【第 009 讲】全面掌握 Python 注释:注释的定义与作用 | 单行注释 | 三引号与多行注释 | 注释使用的最佳实践

本文系统讲解 Python 注释的完整知识体系:从注释的定义与作用讲起,梳理单行注释的书写位置、临时屏蔽用法与 PEP 8 排版规范,剖析注释被忽略的底层机制;进而说明三引号字符串的本质与嵌套问题;最后给出注释使用的三条实践原则,帮助读者写好可读性高的注释。

大模型全栈工程师 · Thanks_ks 1187

【故障处理】- ORA-01722

在执行升级脚本@?/rdbms/admin/catupgrd.sql时报错ora-01722。

weixin_39099660的博客 857

AI全栈实战 | 3.9-01 爬虫入门:requests 加 BeautifulSoup 三分钟跑通,但 90% 的人栽在这 4 个“礼貌“问题上

⚠️:本文内容仅用于。请遵守目标站点的服务条款与相关法律法规,不得对目标服务造成负担,不得采集、传播个人隐私数据。技术是中性的,边界在你手里。爬虫的入门技术(requests 发请求 + BeautifulSoup 解析)三分钟就能学会。真正区分"会用爬虫"和"会做爬虫的人"的,是这篇我们跑通"请求→解析→存储"的最小闭环,然后重点把"合规与礼貌"这根弦给你绷上。

源码获取 | 运行部署 | 定制二开修改,如果回复不及时请耐心等待,请见谅。 445

别再为淘宝滑块发愁了!一个Python脚本自动获取x5sec cookie的保姆级教程

本文提供了一套完整的Python自动化解决方案,帮助开发者轻松应对淘宝滑块验证码问题。通过模拟浏览器行为、精准识别滑块缺口位置和生成拟人化移动轨迹,脚本能够自动获取关键的x5sec cookie,显著提升爬虫效率。教程涵盖环境配置、验证机制分析、代码实现及反检测策略,是解决淘宝滑块验证的实用指南。

weixin_30300225的博客 577

C++cgal库配置+VS2017

Cgal几何图形库在VS2017上的下载、安装与配置。想要一口气下载完所有安装配件的,可以去文章末尾的链接。httpshttpshttpshttpshttpshttpshttpshttpshttpshttpshttpshttpshttpshttpshttps。

dsn3S的博客 1491

Python 的 yield from 到底转发了什么:拆开 send、throw 和那个 return 值

很多人把yield from记成「省一层 for 循环的语法糖」。写和写,结果看着一样,于是就当它只是少敲几个字。这个理解会在三个地方翻车:调用方.send()的值送不进去、子生成器return的值拿不到、异常和close()传不下去。yield from真正做的事是,外层生成器退成一个透明通道。本文所有输出来自本机 CPython 3.13.14 实测。yield from不是循环,是委托——nextsendthrowclose四个方向的流量全部直通子生成器,并且子生成器return。

小小张说故事的博客 164

用Python手把手教你实现一个多层感知机(MLP)——从理论到代码实战

本文详细介绍了如何使用Python和Theano库从零开始实现多层感知机(MLP),涵盖从核心原理到代码实战的全过程。通过构建隐藏层、输出层和完整MLP模型,结合权重初始化、激活函数选择和训练技巧,帮助开发者深入理解神经网络工作机制,并应用于实际机器学习任务。

web39explorer的博客 971

从一段视频到可漫游的 4D 有声场景:思路拆解与最小复现手记

只需一段手机视频,你就能生成可"走进去"的 4D 有声场景:转头时狗叫声方向随之变化,走近时声音更清晰。本文拆解 Video-to-4DAVScene 的核心思路,手把手带你用几十行 Python 搭出最小管线,把视频中的运动物体变成带空间位置的声源,并附上三个真实踩坑的排障经验,代码可直接跑。🎧

helloagent的博客 246

SpringBoot整合oceanbase,实现oracle无缝切换到oceanbase

随着去“IOE”化的潮流,近些年来,许多与国家相关的项目不约而同到地往”国产化“方向靠拢,不可避免地,一些项目可能需要进行数据库迁移。

4628

Node-RED教程(二):Node-RED的面板的操作

Node-RED系列(二):Node-RED的面板的操作 要使用Node-RED去搭建一个物联网平台,链接设备,设备通信,就必须要先熟悉Node-RED的这种面板,对于一个新的项目,在动手做之前一点想对这个的技术的文档有足够的了解做起来才能游刃有余。本期我给大家介绍一下Node-RED的各种面板,熟悉这些面板后,在后续的搭建Iot服务中,会举重若轻,同时该系列的文档,难度会逐步加深,知道了本章解释的名称后对后续文章的理解有很大帮助。 面板1:默认节点选项列表 安装Node-RED后默认的节点分为这5大类

知无涯 1万+

【每天一个 Python 小案例30】Python 基础知识综合小项目:我的工具盒

作为系列收官,本篇把前 29 篇的知识点合成一个能直接用的命令行工具"我的工具盒":计算器(用 ast 解析表达式,不碰 eval)、单位换算与温度转换(一张换算表 + 特例分支)、记账与分类统计(Decimal + JSON 持久化)、以及用"字典当命令表"把菜单和业务逻辑解耦的主循环。文中对比了 eval 的安全隐患与 ast 白名单的做法,解释了 lambda 闭包在字典里的写法与晚绑定陷阱,并在最后给出整个系列的知识地图,把变量、数据结构、控制流、函数、类、异常、文件、标准库八块内容对应到具体篇目。

xinjiyaya的博客 432

新凯来嵌入式面经及参考答案

利用编译器预定义宏判断目标架构,如。

大模型大数据攻城狮的专栏 2069

双路径优化+双容差校准

默认使用向量化路径处理常规数据,当检测到内存非连续或需要极致短路性能时,自动切换至 Numba JIT 路径。“当 CI 宽度中位数为 $W$ 时,实际判定容差为 $10^{-12} + 10^{-9} \times W$"针对表征谱算子 2 的实际输出量纲(例如 $10^{-3}$ 至 $10^3$),调整。准确标记了哪些数组被复制。非短路、静默拷贝风险、量纲耦合容差),本方案重构了核心逻辑。,并完善审计元数据以记录内存拷贝状态。, 确保在不同量纲下判定标准的一致性。,否则需排查上游数据生成逻辑。

2301_77211362的博客 208

【音视频基础】一篇搞懂视频的各种封装格式

在现代多媒体处理中,视频封装格式扮演着至关重要的角色。不同的封装格式决定了视频文件的存储方式、兼容性以及功能特性。无论是观看高清视频、编辑电影剪辑,还是在互联网上流式传输内容,理解各种视频封装格式的基础知识都是必不可少的。在这篇文章中,我们将详细介绍常见的视频封装格式,探讨为什么需要这些格式,以及它们各自的功能和区别,帮助你在选择和使用视频格式时做出更明智的决定。WEBM理解各种视频封装格式的功能和区别对于选择合适的格式至关重要。

m0_62599305的博客 2496

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

yolo 和 deft 算法的区别

你应该是打错了:是,不是 defrat;

曾大强博客 290

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

蓝桥杯·全国青少年信息素养大赛·电子学会Python/C++考级 备考:莫队算法离线区间查询详解

备赛进行时:第十八届蓝桥杯软件赛报名已于 2026-10-08 10:00 开启、12-18 14:00 截止,省赛定在 2027-04-10(C/C++·Python 程序设计 9:00–13:00);中国电子学会 2026 年 12 月软件编程(C/C++ 一级至十级、Python 一级至六级)考级报名 9/23–12/2 16:00、统考 12-12;全国青少年信息素养大赛 2026—2027 赛季算法应用主题赛也已进入复盘练兵窗口。

IT_Scratch的博客 185

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

两张表合并之后,行数悄悄多了一倍

pandas merge 行数异常膨胀源于右表键不唯一,导致数据静默复制。实测显示,未聚合的右表(756行)与左表合并后行数增至504行,合计膨胀3.5倍,但无报错。validate 参数仅在检查键唯一性时有效,one_to_one 和 many_to_one 可拦截问题,但需结合 duplicated() 前置检查。正确做法为先按键聚合右表,再合并,避免重复。建议合并前后核对行数、合计,并使用 indicator=True 排查匹配情况,确保数据一致性。

patrickstar231的博客 252
上一篇: 时序预测:多头注意力+宽度学习
下一篇: 让机器来洞察他的内心!
Srlua小谢
Srlua小谢 优质创作者: 编程框架技术领域 优质创作者: 编程框架技术领域
博客等级 码龄4年 8963粉丝 332原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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