- 博客(230)
- 收藏
- 关注
RSS订阅原创 状态空间模型及其在高分辨距离像识别中的应用 第四章至第六章合集
介绍 HRRP 在目标识别中的挑战，指出非因果性与多尺度性是限制传统方法的主要因素。阐明提出双向混合状态空间模型（Bi-Mamba）的动机：通过同时利用序列的过去与未来信息来克服非因果性，通过多尺度局部算子补强不同分辨率特征，并将局部与全局的表征进行协同融合，从而在保持物理可解释性的前提下提升识别性能与鲁棒性。总结 SSM-Mask 的主要贡献：通过掩码自监督与频域约束在无标签数据上获得稳健的动力学表示，并在小样本场景下通过合理的微调策略实现显著的识别性能提升，同时强调该方法的可解释性与工程可部署性。
2025-12-06 15:19:37
455
原创 状态空间模型及其在高分辨距离像识别中的应用 第四章 双向混合状态空间模型及其在 HRRP 识别中的应用
其中，xtx_{t}xt 表示时刻 ttt 的信号，{xt−l}t−l\{ x_{t-l} \}_{t-l}{xt−l}t−l 和 {xt+r}t+r\{ x_{t+r} \}_{t+r}{xt+r}t+r 分别表示历史窗口和未来窗口，f(⋅)f(\cdot)f(⋅) 是由深度网络训练得到的映射函数，能够在双向输入下输出时刻 ttt 的预测结果。HRRP 信号的非因果特性表现在信号中的一些重要目标特征可能出现在时间轴的后期，传统的因果性建模方法仅能够基于历史数据进行预测，而无法利用未来的信息。
2025-12-06 15:04:25
130
原创 状态空间模型及其在高分辨距离像识别中的应用 第3章 基础 Mamba 网络及其在 HRRP 识别中的应用
本章针对高分辨距离像（HRRP）的特点，系统设计并实现一种基于选择性状态空间（Mamba）构件的端到端识别网络。章节首先从工程需求出发，分析不同序列建模范式在 HRRP 任务上的优缺点，进而给出把一维距离序列嵌入到高维状态空间的映射策略与网络总体架构。随后详述 Mamba Block 的数学构成、数值实现与并行化优化，包括动态参数化的 SSM 核心、门控交互与多尺度卷积预处理。
2025-12-06 13:58:45
277
原创 状态空间模型及其在高分辨距离像识别中的应用 第二章 状态空间模型基础与 HRRP 预处理
本章系统阐述了高分辨距离像(HRRP)的状态空间模型(SSM)处理框架。首先介绍了HRRP预处理方法，包括强度归一化、距离对齐、动态范围压缩和基于Hankel-SVD/小波的稀疏去噪技术。然后从连续时间线性系统出发，推导了SSM的离散化表达及其卷积等价形式，详细阐述了HiPPO初始化原理和并行扫描/选择性扫描的高效实现算法。在数值稳定性方面，讨论了矩阵参数化技巧和复数域扩展的实现要点。最后提出了HRRP自监督掩码预训练方案和标准化的实验规范，为后续章节的模型实现和实验验证奠定了理论基础。
2025-12-06 12:48:59
5
原创 状态空间模型及其在高分辨距离像识别中的应用 绪论部分
摘要（Chapter Abstract）本章从工程与理论双重视角出发，系统阐述高分辨距离像（High-ResolutionRange的物理生成机制与统计特性，明确其在目标识别中所提出的建模挑战；回顾序列建模技术的演进脉络，重点剖析结构化状态空间模型（SSM）及其族系（HiPPO、S4 等）如何为长序列记忆与低复杂度推理提供数学基础；进一步介绍选择性时变 SSM（以 Mamba 为代表）的原理与实现要点，说明其在 HRRP 任务中的适配路径；
2025-12-06 12:18:30
1
原创 粒子群优化算法 (PSO)：数学原理、Python 实现与变种解析
为了提高计算效率，我们不使用循环遍历每个粒子，而是利用numpy进行矩阵运算。class PSO:""":param func: 目标函数 (我们要最小化的函数):param dim: 变量维度:param pop_size: 粒子数量:param max_iter: 最大迭代次数:param bounds: 搜索边界 (min, max)"""# PSO 参数 (标准建议值)self.w = 0.8 # 惯性权重self.c1 = 1.5 # 个体学习因子。
2025-12-01 20:31:21
870
原创 【多模态视觉革命：架构、生成与安全】第3章 超越DDPM：流匹配与一致性模型
这一转变不仅是采样效率的提升，更是生成模型物理视角的根本切换。本章将从随机微分方程（SDE）的统一视角出发，严格推导流形生成的动力学方程，并剖析支撑 SD3 和 Flux 等 SOTA 模型的核心架构。Stable Diffusion 3 和 Flux 的发布，标志着**条件流匹配（Conditional Flow Matching, CFM）**正式取代 DDPM 成为新一代生成模型的主流范式。传统的 Flow Matching 假设所有频率的特征都以相同的速度从噪声演变为数据。
2025-11-27 10:58:04
524
原创 【多模态视觉革命：架构、生成与安全】第1章 从Attention到状态空间模型（SSM）
CoAtNet（Convolution and Attention Network）提出了一种数学上的统一视角，将深度可分离卷积（Depthwise Convolution）与自注意力机制（Self-Attention）视为同一运算形式的不同特例，并实现了二者的加性融合。在视觉任务中，固定模式的稀疏（如局部窗口）限制了感受野。因此，U-Mamba 在数学上证明了可以用线性成本实现全局上下文建模，而前端的卷积层则保证了局部特征的精细度，完美契合了分割任务对“全局语义定位”与“局部边缘对齐”的双重需求。
2025-11-26 23:20:20
285
原创 多模态视觉革命：架构、生成与安全——序言
仅仅几年前，Transformer架构还主导着视觉表征的战场，而今，状态空间模型（SSM）如Mamba的崛起，已然重塑了序列建模的范式；生成式AI从扩散模型向流匹配的演进，不仅加速了图像与视频的创作，更开启了世界模拟的新纪元；在编写过程中，我们紧跟2025年的最新进展，如Pyramidal Flow Matching在生成效率上的突破、MA-LMM在多模态长序列处理中的创新，以及FlashAttention v3对边缘推理的优化，确保内容的前瞻性与实用性。作者 VectorShift。
2025-11-26 22:48:08
239
原创 豆瓣评论自动抓取脚本：完整安装与使用指南
如需修改默认参数，可通过浏览器控制台调用：Javascript编辑1// 仅抓取10页，延迟1500-3000毫秒6});参数说明参数默认值说明合理范围maxPages50最大抓取页数1-100（建议）minDelay800页间最小延迟(毫秒)500-5000maxDelay2200页间最大延迟(毫秒)1000-10000法律建议：为降低法律风险，建议将maxPages设为10以内，minDelay设为1500以上技术的力量在于为善。
2025-11-26 11:40:37
862
原创 腾讯视频评论抓取脚本详细使用教程
Tampermonkey（篡改猴）是一款流行的浏览器扩展，允许用户安装和运行自定义JavaScript脚本（称为"用户脚本"），可以修改网页行为、增强功能。我们将使用它来运行评论抓取脚本。
2025-11-26 11:18:18
624
原创 从豆瓣电影抓取评论：一份完整的 Python 爬虫实现
直接上源码，如果觉得可以点个关注再走。本文基于，使用requestsSQLiteSelenium（可选）完成对单个电影页面下评论的批量抓取。
2025-11-25 11:22:42
1030
原创 【图神经网络：原理与实战】第十三章13.1 推荐系统：动态图与自监督实践
本节作为书中算法原理与工程实践的正式章节，系统给出动态图异构图建模与特征流水线、基于异构图的时序模型的严密推导、训练流程与在线A/B测试设计的统计学推导，以及评估指标与冷启动策略的理论与实践要点。章节内所有推导以严密性为首要目标，逐步展开；代码实现置于章节末尾，作为可执行的工程示例（单文件完整实现，注释详尽，代码部分不含理论讲解）。
2025-11-21 08:51:35
25
原创 YOLOv12 原理详解（纯文字背诵版）
YOLOv12：Area Attention 分四区降复杂度，R-ELAN 残差聚合稳大模型，FlashAttention+去位置编码+大核7×7+MLP1.2 四刀优化，继承 v11 Anchor-Free 解耦头+TaskAlignedAssigner+VFL+DFL+CIoU，注意力终于跑出 CNN 速度，精度起飞速度不跪，2025 年真正的神。
2025-11-20 22:29:23
555
原创 YOLOv5 原理详解（纯文字背诵版·极致详细）
YOLOv5：Focus 开头 + C3 模块 + SPPF，Anchor-Based 耦合头，三尺度 3 个锚框，BCE + BCE + CIoU 三大损失，Mosaic 全程开，自动锚框聚类，PAN 颈部 + CSPDarknet 主干，易用性天花板，工业界永远的神。
2025-11-20 22:23:40
794
原创 YOLOv8 原理详解（纯文字背诵版·极致详细）
最后 10 个 epoch 自动关闭 Mosaic 数据增强 Mosaic 是把四张图拼成一张，极大提升小物体检测能力。但训练末期关闭 Mosaic，可以让模型更好地适应真实单张图片分布，避免过拟合到拼接图，提升最终精度。自动混合精度训练、自动 anchor 关闭（因为本来就无锚框）、自动学习率余弦退火等，全程无脑训练也能出极致效果。
2025-11-20 22:21:15
106
原创 【图神经网络：原理与实战】第十二章 大规模 GNN 系统设计
本章系统阐述大规模图神经网络系统的数据处理、训练优化与工程实现。在数据预处理部分，提出包含一致性校验、去重等步骤的规范化流程，并给出特征工程的设计准则与防信息泄露的切分策略。分布式训练部分推导了数据/模型并行范式，证明了图分区的最优性条件，并给出检查点间隔的解析解。实现优化方面，分析了稀疏算子性能上界，提出GPU内存布局调整方案，建立量化训练误差模型，并设计动态批处理策略。工程保障环节构建了包含CI/CD流水线、漂移检测和差分隐私合规的完整运维体系，所有推导均以数学形式呈现，可直接作为系统实现的规范标准。
2025-11-20 21:27:59
34
原创 【图神经网络：原理与实战】第十一章 图生成与编辑
图生成的应用对应不同约束集与验证指标：分子设计关注化学规则与有效性，合成数据追求统计相似性与隐私保护，隐私修复需在保留数据效用的同时去除敏感子结构。
2025-11-20 20:20:40
697
原创 【图神经网络：原理与实战】第十章 可解释性与可证实性
法规/审计层：解释需满足可证据化和可追溯性（例如展示证据链、决策日志）。工程调试层：解释用于定位错误、发现偏差、指导特征工程。对实时性和可操作性要求高。用户交互层：解释需可被最终用户理解并驱动决策（易读性、最小信息量原则）。不同层的量化指标与方法优先级不同：审计层侧重可证实性与保存性；工程层侧重精度、局部性与可视化；用户层侧重可读性与交互性。输入: 模型 f, 输入 x, 初始掩码 m0 in [0,1]^d, 正则参数 λ1, λ2, 学习率 η, 迭代次数 T输出: 掩码 mm ← m0。
2025-11-20 19:57:37
15
原创 【图神经网络：原理与实战】第十章 可解释性与可证实性
本文介绍了一个Python实现的可解释性机器学习工具箱，包含多种解释方法及评估指标。代码实现了5种核心方法：1)可微掩码优化，通过梯度下降学习稀疏特征掩码；2)梯度归因，计算输入梯度作为特征重要性；3)线性代理模型，在输入邻域拟合可解释模型；4)反事实生成，通过优化改变预测结果；5)5种评估指标（充分性、必要性、稳健性等）。该工具箱使用PyTorch实现，支持对神经网络模型的解释分析，包含中文注释和可视化功能。演示案例展示了在合成数据上训练分类模型，并应用各种解释方法的过程，最后通过指标评估解释质量。
2025-11-19 22:29:34
39
原创 【无线电控制与数据链探测系统】书籍配套源码-python 版本 第二章至第六章
【代码】【无线电控制与数据链探测系统】书籍配套源码-python 版本 第二章至第六章。
2025-11-19 19:23:22
82
原创 【图神经网络：原理与实战】第九章 异构图神经网络
定义 9.1（异构图）一个异构图（heterogeneous graph）是五元组异构图的核心在于不仅节点特征不同，而且不同类型节点之间的连边在语义上常是不对称或多样的，例如在知识图谱中“作者—写作—论文”与“论文—发表—会议”属于不同边类型。为便于后续代数表达，我们常把异构图拆分为按类型索引的子集合与子图。按类型分割的表示异构图上的任务常比同构图更复杂，因应不同层面的问题要用不同的目标函数与评价指标。下面以统一符号形式把主要任务类型形式化，并指出异构性带来的特殊性。
2025-11-19 15:05:35
914
原创 【图神经网络：原理与实战】第八章 Transformer–GNN 混合与长距离依赖
直觉：先对输入做局部低通滤波（去噪、平滑）能减少 Transformer 所需的建模复杂度（例如降低注意力需要恢复的高频量），并能减小注意力输入的噪声敏感性，从而改善数值稳定性。评估指标应既量化预测性能，也量化模型处理长程依赖的能力与资源开销。下列指标及其数学定义适用于绝大多数长距评测。可视化建议本节提供了一套从数据、指标、实验设计、统计检验、剖析诊断到可解释性验证的完整方法论，旨在对“长距离依赖”方法做出严谨、可重复与可证实的比较。分层指标（总体与远程子集）是区分模型是否真正掌握长程依赖的基础；
2025-11-19 12:47:29
1180
原创 【PINN系列】PSO-PINN：粒子群优化训练物理信息神经网络的原理与推导
本章从数学与算法角度系统推导把粒子群优化（Particle Swarm Optimization，PSO）用于训练物理信息神经网络（PINN）的理论基础与收敛性质。给出 PINN 的损失函数形式化、PSO 的离散动力学与统计动力学刻画，证明在合理假设下 PSO 动态的有界性与稳定性，并给出 PSO-PINN 联合训练的误差分解与收敛路线图。对每一步推导提供必要的定理、引理与证明要点，保证逻辑严密可供教材或论文方法章节直接采用。
2025-11-19 11:39:21
598
原创 傅里叶基础混合物理信息神经网络（FMPINN）：原理、完整推导与一致性证明
本文提出了一种基于傅里叶特征的混合物理信息神经网络（FMPINN）方法，用于求解多尺度椭圆型偏微分方程。该方法采用混合（flux）变分形式，通过双网络结构分别预测位势和通量。理论分析证明了该方法在能量范数下的连续一致性，并给出了误差分解框架（近似误差、优化误差和数值积分误差）。针对多尺度问题特点，设计了包含傅里叶特征映射和多尺度网络结构的复合网络架构。完整的PyTorch实现支持自动微分、边界条件处理和混合采样策略，实验验证了该方法对高频振荡和多尺度粗糙系数的鲁棒性。代码实现了从数据生成、网络训练到评估的全
2025-11-19 01:38:50
483
原创 物理信息神经算子（PINO）：算法原理、推导与一致性证明、代码复现
摘要：物理信息神经算子（PINO）是一种结合数据驱动学习与PDE物理约束的新型神经网络方法。本文系统阐述了PINO的算法原理，包括：1）将算子学习问题形式化为参数函数到解函数的映射；2）构建联合损失函数，其中数据项保证低频拟合，高分辨率谱残差项控制高频误差；3）通过谱域分析证明了该方法在泛化性和一致性上的优势。实现上，PINO使用Fourier神经算子结构，通过在更细网格上计算PDE残差来增强物理约束。实验表明，该方法能有效平衡数据拟合与物理规律保持，在处理Burgers方程等PDE问题时展现出优越性能。
2025-11-19 01:26:15
214
原创 全局–局部傅里叶神经算子（GL-FNO）：原理、严格推导与 PINN 混合策略
本文提出了一种全局-局部傅里叶神经算子(GL-FNO)及其与物理信息神经网络(PINN)的结合方法。主要内容包括： 架构设计：GL-FNO包含两个分支 - 全局分支处理低频结构，使用下采样输入；局部分支处理高频细节，使用全分辨率输入。两分支通过自适应门控机制融合。 理论分析：证明了GL-FNO在"低频全局+高频局部"任务上的优势，给出了误差分解和复杂度分析，并推导了与PINN结合时的渐进一致性条件。 实现方法：采用频谱微分计算物理残差，推导了完整的训练流程，包括数据损失与物理损失的联合优
2025-11-19 01:12:56
898
原创 基于傅里叶特征PINN的地震多频波场模拟算法原理
本文提出一种基于傅里叶特征嵌入的物理信息神经网络(PINN)方法，用于高效求解频率域地震波场模拟问题。该方法通过将输入坐标映射到高维傅里叶特征空间，有效解决了传统PINN在高频波场模拟中的"谱偏差"问题。理论分析表明，该方法能重构神经正切核的频谱特性，提升高频成分的学习能力。数值实验显示，在Sigsbee2A复杂模型测试中，该方法的计算效率比传统有限差分频域法提升150倍以上，同时保持高精度。文章详细推导了复数域损失函数和散射场处理公式，并提供了基于PyTorch的高效实现方案，为下一代
2025-11-19 00:38:57
758
原创 深度解析 SRS-Net：基于物理信息神经网络的非线性光纤光学求解框架
SRS-Net 的核心思想是利用深度神经网络作为上述物理方程解的通用逼近器，并通过物理残差约束网络的训练。SRS-Net 并非简单的黑盒模型，而是一个物理可解释的计算框架。它通过严格推导的耦合功率方程（CPEs）定义了假设空间，利用自动微分消除了数值离散误差，并通过多任务损失函数实现了从稀疏数据到全域物理场的高精度重构。这一算法原理为非线性光纤光学中的复杂系统建模、参数辨识及逆向设计提供了统一且严密的数学解法。7.PyTorch 实现骨架（含注释与关键细节）
2025-11-19 00:00:25
710
原创 物理信息神经网络在实验室地震预测中的应用原理
本节推导一种结合物理约束的深度学习框架——物理信息神经网络（Physics-Informed Neural Network, PINN）。该框架不仅拟合观测数据，还将控制断层滑动的物理定律（速率-状态摩擦定律，Rate-and-State Friction, RSF）以及声学监测数据与物理状态之间的本构关系作为正则化项嵌入损失函数，从而在小样本条件下实现高精度的状态预测与参数反演。
2025-11-18 22:59:02
257
原创 PINNACLE：PINN自适应配点与实验点选择算法
PINNACLE算法通过引入动态权重机制，实现了PINN训练点选择的自适应优化。该算法基于对训练过程中不同区域学习需求变化的深入理解，设计了平滑过渡的权重函数，确保了模型在不同训练阶段能够优先学习最需要的区域。理论分析和实验结果均表明，PINNACLE不仅能够保证收敛性，而且能够显著提高PINN的性能。这一算法为物理信息神经网络的应用提供了重要支持，尤其适用于复杂PDE问题的求解。
2025-11-18 20:13:40
891
原创 PirateNets: Physics-Informed Deep Learning with Residual Adaptive Networks
在你的编辑器中新建文件。把下面与之间的全部内容完整粘贴到该文件。。。BLOG.md（博客文章）、（预测图）、（损失曲线）。
2025-11-18 19:48:44
18
原创 贝叶斯物理约束极限学习机（BPIELM）：原理与推导、复现
本文推导了贝叶斯物理约束极限学习机（BPIELM）的数学原理与实现方法。首先基于极限学习机（ELM）结构，通过线性化处理将物理约束整合到模型中（PIELM）。然后在输出层引入高斯先验，推导出输出权重的解析高斯后验分布、预测分布及边缘似然函数。针对非线性PDE问题，采用Gauss-Newton迭代策略进行线性化处理，实现了参数估计与不确定性量化。通过Burgers方程的数值实验验证了方法有效性，展示了参数估计、解预测及残差分析结果。该方法在线性化框架下提供了高效的解析解，适用于带有观测噪声的PDE正反问题求解
2025-11-18 17:51:19
28
原创 AdaI-PINNs：高效求解界面问题的自适应物理信息神经网络框架
例如：圆椭圆不规则曲线任意几何形状主干网络与自适应激活模块完全可以复用。如果你需要，我可以提供：可直接运行的可直接运行的完整工程项目（含训练脚本、绘图脚本、误差评估）AdaI-PINNs 的优势极具工程应用价值：自适应激活使 PINNs 的表达能力随子域变化更快的训练速度（实验中提升 2–6 倍）更高的精度（提升 1–2 个数量级）对激活函数选择不敏感在界面附近不再振荡、不再失真完全保留 PINNs 的物理一致性与灵活性。
2025-11-18 13:32:17
697
原创 【图神经网络：原理与实战】第七章 图对比学习（Graph Contrastive Learning）
目录第七章 图对比学习（Graph Contrastive Learning）7.1 对比学习框架形式化7.1.1 形式化设定与目标7.1.2 视图构造策略的分类（概念与数学）7.1.3 正负样本的选择与采样偏差（重要性采样与无偏估计）7.1.4 Loss 函数的可微形式与梯度推导（InfoNCE / NT-Xent）7.1.5 对比学习的理论界与泛化界（信息下界与泛化误差）InfoNCE 与互信息下界（精确推导）泛化界（经验风险与真实风险的集中）7.2 视图构造方法（Graph-specific）7.2.
2025-11-12 22:14:20
343
原创 【图神经网络：原理与实战】第六章 自监督学习与特征解耦
目录第六章 自监督学习与特征解耦6.1 自监督任务的结构化分类6.1.1 对比类任务：正负样本与视图构造6.1.2 重构类任务：邻接、属性与子图重建6.1.3 预测类任务：未来链接与属性预测6.1.4 混合型任务与多目标训练框架6.2 特征解耦的理论基础6.2.1 表示解耦的目标函数刻画6.2.2 子空间正交化与因子分离技术线性因子模型与 PCA（主成分分析）ICA（独立成分分析）与可识别性（线性情形）子空间正交化与正交化惩罚的推导6.2.3 因果视角下的解耦动力学6.2.4 解耦表示的可识别性条件线性情形
2025-11-12 21:52:31
174
原创 【图神经网络：原理与实战】第五章 动态图学习（时序图）
目录5.1 问题形式化与分类5.1.1 离散时间演化图的定义与记号5.1.2 连续时间事件图（CTDG）的数学刻画与对数似然推导5.1.3 静态—动态混合问题的界定5.1.4 评价指标与时间敏感性量化5.2 时间编码与时序嵌入5.2.1 绝对时间编码与相对时间编码的数学比较5.2.2 周期性与非平稳时间信号建模5.2.3 时间编码在消息传递中的注入方式 — 数学效果分析5.2.4 时间卷积与时序注意力的数学性质5.3 流式更新与增量学习策略5.3.1 事件驱动的在线更新流程（形式化与正确性）5.3.2 缓存
2025-11-12 21:36:18
181
原创 【图神经网络：原理与实战】4 训练技巧与大图方法 第一节 采样方法与训练批次框架
目录4 训练技巧与大图方法4.1 采样方法与批训练框架4.1.1 邻居采样：随机采样、重要性采样纯随机（均匀）采样与无偏估计重要性采样与方差最小化方差对多层采样的传播（递推界）4.1.2 子图采样与层次化采样策略子图采样的概率模型与无偏估计分层（层次化）采样（two-stage / multi-stage sampling）子图采样的优势与代价4.1.3 采样偏差校正与无偏估计Horvitz–Thompson（HT）估计的精确性归一化重要性权重（self-normalized IS）与偏差控制变量（cont
2025-11-12 20:26:46
217
原创 【图神经网络：原理与实战】3 消息传递框架（MPNN）
图上的卷积/滤波可从两个视角构造：空间域（基于邻居聚合的局部操作）与谱域（基于图拉普拉斯的特征分解的频域滤波）。下面推导在一定条件下两者的等价和近似关系，并给出常用的多项式近似与实践化简（例如 GCN 的一阶近似）。在可解释性条件下（滤波器平滑、谱函数可多项式近似、图大小与谱分布合理），空间域基于邻域聚合的 MPNN 与谱域多项式滤波在表达上等价或近似等价。该等价性为将频域设计的滤波器移植为可并行、稀疏的局部消息传递结构提供了理论依据。
2025-11-12 16:54:21
1189
图神经网络示例代码-第一至6章
2025-11-19
AdaI-PINNs：高效求解界面问题的自适应物理信息神经网络框架
2025-11-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人