- 博客(52)
- 收藏
- 关注
RSS订阅原创 GANs环境应用及启发思考
三篇在环境领域的基于GAN的时序预测文献，大致的实验思路都是差不多的。他们的创新点都是由预测模型不同而有不同的特色，所以在本周汇报中着重分析了模型架构。三篇文献中的实验方法有很多值得采纳的，后续会根据这些方法来进行水质预测的实验来丰富文章内容。
2025-07-06 21:07:06
891
原创 GAN的思考及应用
CycleGAN的思考，前两周看到了关于CycleGAN的原始论文，是用于处理图像数据，有了如下思考：1、基础理论与方法《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》是CycleGAN的开创性论文，提出了“循环一致性损失”来实现无配对数据的跨域转换，2、时序生成改进方法。
2025-06-29 22:23:11
866
原创 GANs总结及分析
本周继上周GAN基本变形的总结之后，继续对GAN面临的问题、GAN的最新进展以及GAN在时序方面的应用变形进行深入了解和分析。其中，GAN评估方法也是一个争议比较大的点，目前没有固定的衡量GANs优劣的评估方法，生成数据与真实数据相似度比较很重要，本周也对PCA和t-NSE降维方法进行了详细的了解。
2025-06-22 17:59:31
944
原创 GAN总结
本周总结了GAN的变形，主要从图像处理和时间序列生成两部分入手，分别找出了其中比较经典的几种GAN变种模型，简单分析了其结构图以及损失函数的变化。阅读了相关GAN变种的原始文献以及综述，了解到了不同变种GAN模型的优缺点和相对于原始GAN的问题解决状况。原始GAN的目标表达式前面的学习中已经做过完整的推导1)生成高质量的图像;2)生成图像的多样性;3)稳定的训练。GAN分类总结本周总结概括了GAN的不同变种，了解了GAN的发展历程。
2025-05-03 22:02:26
1307
2
原创 第42周：文献阅读
这篇文献围绕高光谱和多光谱遥感图像融合展开，结构上按引言、相关工作、方法、实验、结论的顺序逐步深入，逻辑严谨。它的独特之处在于将隐式神经表示与Transformer结合，提出ITF - GAN方法。该方法优势显著，能有效利用图像信息，克服传统和现有深度学习方法的缺陷。其应用于提升高光谱遥感图像空间分辨率，这是因为实际中环境监测、土地分类等领域对兼具高空间和高光谱分辨率的数据需求迫切。
2025-04-27 20:14:24
855
1
原创 第40周：文献阅读
这篇文献围绕滑坡位移预测展开研究。文章结构上，依次介绍研究背景、区域概况、研究方法、实验结果、讨论分析和研究结论，逻辑连贯、条理清晰。其最大特点是将MT-InSAR技术与基于注意力机制的深度学习方法相结合，构建了CNN-Attention-BiGRU模型。该模型优势明显，不仅能有效整合多源数据，还提高了预测精度和模型可解释性。研究成果主要应用于滑坡位移预测，之所以采用这种方法，是因为传统监测手段成本高、范围受限，而现有深度学习方法存在“黑箱”问题。
2025-04-13 20:02:08
1033
1
原创 第39周：文献阅读
该文献首先阐述了研究背景、目的，接着介绍相关技术及水位数据集，再详细描述基于GRU和CNN - GRU的预测模型，随后展示实验结果、对比分析各模型效果，最后得出结论并展望未来。其特点在于结合深度学习技术，利用大量实际数据构建模型。优势在于CNN - GRU模型能综合时空因素，降低单一数据影响，预测精度较高。该模型应用于长江南京航道局公共服务平台，为船舶航行和航程规划提供智能水位预测服务，因其考虑多水位站空间相关性，更符合实际需求。
2025-04-06 17:17:02
978
1
原创 第38周：文献阅读
TimeGAN在结构上由嵌入网络、恢复网络、生成网络和判别网络构成，通过结合对抗学习和最大似然估计，将序列级目标分解为逐步目标进行训练。其特点在于兼顾无监督GAN的灵活性与自回归模型有监督训练的可控性，能有效捕捉时间序列的动态特性。优势体现在相比传统方法，在生成时间序列数据时，能更好地平衡多样性和保真度。它可应用于金融市场预测、医疗健康监测、工业过程监控等领域，用于生成合成数据以辅助模型训练、数据增强等任务。原因是传统方法在处理时间序列生成时，难以有效捕捉复杂时间相关性和生成高质量数据。
2025-03-28 21:22:16
1269
原创 第41周：文献阅读
该文献围绕利用 TimeGAN 提高供热变电站热负荷预测精度展开。结构上，依次阐述研究背景、材料与方法、结果与讨论和结论。特点在于首次将 TimeGAN 应用于供热领域进行数据增强。优势是能生成高质量数据，对异常现象有屏蔽作用。应用于新供热变电站及供热中期和末期数据不足的场景，原因是这些情况下传统方法难以获取足够高质量数据。效果比较显示，新站初期数据扩充 3 倍时模型误差可降 50%，中期和末期扩充至 15,000 - 30,000 时误差降低 3% - 8%。未来改进方向是确定更精准的最优添加数据量。
2025-03-21 22:28:09
1029
原创 第36周：文献阅读
该文献围绕利用条件生成对抗网络（cGAN）进行（集合）天气预报展开研究。在结构上，依次介绍了研究背景、以往天气预报方法、cGAN模型架构与训练、实验结果及结论。特点在于将天气预报视为视频到视频的映射问题，采用cGAN架构并结合蒙特卡罗随机失活（Monte-Carlo dropout）进行集合预测。优势是计算成本低，能学习大气系统物理过程和固有不确定性，为基于机器学习的天气预报提供误差估计。研究选择欧洲地区，针对500hPa位势高度、两米温度和总降水量进行预测，这是因为这些参数具有不同的预测难度和实际意义。
2025-03-16 18:23:07
786
原创 第35周：文献阅读
该文献提出随机连接长短期记忆网络（RCLSTM）模型用于时间序列预测。它重新设计传统 LSTM，通过随机稀疏连接构建神经网络。其特点是神经元随机连接，形成稀疏结构。优势在于减少计算成本，即便神经连接稀疏，在计算时间上比标准 LSTM 降低约 30%。该模型用于电信网络中的流量预测和用户移动性预测，因为这两个方面对网络资源预留和应对网络变化很重要。效果上，RCLSTM 预测准确性与 LSTM 相当，在流量预测任务中，1% 神经连接的 RCLSTM 比 ARIMA、SVR 和 FFNN 表现更好；
2025-03-09 16:42:40
1103
原创 第34周：文献阅读
目录摘要Abstract文献阅读问题引入相关研究短期交通预测利用Twitter信息进行交通预测 方法论AutoencodersDeep bi-directional LSTMs 数据融合Deep bi-directional LSTM model创新点 Twitter进行交通预测Bi-directional LSTM与SAE的结合多源数据融合针对非规律性事件的预测 实验研究数据准备模型选择模型评估基线模型核心代码实验结论 总结该文献提出了一个基于深度双向长短期记忆网络（Bi-directional LSTM
2025-03-02 16:39:51
842
原创 第33周：文献阅读
该文献提出 VGG-TSwinformer 模型用于轻度认知障碍（MCI）的短期纵向研究。模型结构上，基于 VGG-16 的 CNN 用于提取低层次空间特征并映射为高级特征表示，结合滑动窗口注意力机制融合空间特征，利用时间注意力机制捕捉疾病进展导致的特征演变。特点在于结合 CNN 和 Transformer 优势，引入固定 2 年时间间隔构建疾病进展时间线。优势是能利用患者大脑结构变化信息提升性能，对变化结构更敏感。
2025-02-23 15:21:57
829
原创 第32周：文献阅读
本周阅读的文献是，该文献围绕机器学习和深度学习在南非西海岸含水层系统地下水位预测的应用展开，再文章结构上，先在引言提出研究背景与目的，材料与方法详述研究区域、模型理论、数据处理及模型实现与评估方式，结果展示各项分析结果，讨论深入剖析并对比，结论总结成果与意义。其特点是结合多种模型、依靠实际数据驱动并强调模型可解释性。优势体现为能高精度预测复杂关系、适应复杂水文环境且可实时监测。该研究成果适用于当地水资源管理、灾害预警等场景，因为准确的地下水位预测能助力合理调配水资源、提前防范水患。
2025-02-16 17:29:48
1113
原创 第31周：文献阅读
本文献提出了一种基于深度循环神经网络（DRNN）的PM2.5浓度预测模型，该模型采用动态预训练方法（DynPT）以增强时间序列数据的处理能力，并利用弹性网（Elastic Net）进行传感器选择以降低计算成本。模型结构包含多层自编码器和循环层，特点在于其能够捕捉时间依赖性和空间相关性，优势在于提高了预测准确性并减少了过拟合风险。该模型适用于环境监测数据的分析，特别是在空气质量管理和公共健康预警系统中。与现有的VENUS系统和其他基线模型相比，DRNN模型展现出更优的预测性能和泛化能力。
2025-02-09 19:44:38
733
原创 第30周：文献阅读
本文聚焦于利用深度学习算法预测湖水水质指数（WQI）并进行敏感性 - 不确定性分析。结构上，先阐述研究背景与目的，介绍了水质评估的重要性及传统方法的局限，引出深度学习模型的应用；接着详细说明研究区域、样本采集、WQI估算、模型构建及评估等方法；随后展示各模型预测结果、变量重要性及敏感性和不确定性分析结果；最后讨论研究成果的意义并得出结论。特点在于将多种机器学习和深度学习模型结合成堆叠集成框架，且首次运用基于深度神经网络（DNN）的敏感性和不确定性分析。优势是能处理复杂非线性关系，在有限数据下仍表现良好。
2025-01-26 20:49:34
1577
原创 第29周：文献阅读
该文献提出的LEFormer模型是一个混合CNN-Transformer架构，专门用于从遥感图像中准确提取湖泊。其结构包括CNN编码器以恢复局部空间信息、Transformer编码器以捕获长距离依赖、交叉编码器融合模块以整合局部和全局特征，以及一个轻量级解码器用于掩码预测。模型的特点在于结合了CNN对细节的敏感性和Transformer对上下文的捕获能力，优势在于实现了高精度和低计算成本。它应用于湖泊提取领域，因为该领域需要精确的边界和前景建模，而现有方法存在局限性。
2025-01-18 20:49:32
1065
原创 第28周：文献阅读
本文聚焦于一种深度学习网络，其结构基于生成对抗网络（GAN）构建，包含生成器和判别器等关键组件，具有强大的特征学习和生成能力。特点表现为能自动从数据中学习复杂的模式和关系，无需人工提取特征，且可生成逼真的输出。优势在于处理非线性问题高效，能快速适应不同数据分布，在海洋工程领域的波结构相互作用研究中得以应用。选用该网络是因其可有效应对传统方法在处理复杂波况及结构相互作用时的局限性，如实验成本高、计算流体动力学模拟耗时等。
2025-01-12 18:50:24
1138
原创 第27周：文献阅读及机器学习
目录摘要Abstract一、文献阅读发现问题研究方法CNN-LSTMDTSVR 创新点案例分析数据准备模型性能预测模型的实现仿真实验及分析 二、LSTM1、基本结构 2、具体步骤3、举例说明4、原理理解 总结本周阅读文献《Short-term water quality variable prediction using a hybrid CNN-LSTM deep learning model 》，本研究以希腊小普雷斯帕湖为对象，鉴于水质监测的重要性及传统方法的局限，采用传感器采集 2012 - 2013
2025-01-05 19:29:39
1395
原创 第26周：文献阅读
本周阅读的文献是《A Hybrid Data-Driven Deep Learning Prediction Framework for Lake Water Level Based on Fusion of Meteorological and Hydrological Multi-source Data》。湖泊水位预测对多领域意义重大，但面临诸多挑战。该文献提出 CEEMDAN - BiGRU - SVR - MWOA（CBSM）框架解决该问题。
2024-12-29 19:13:58
1299
原创 第25周：文献阅读
本篇论文提出了一种基于深度学习框架的风速预测方法——SSA-BiLSTM网络，旨在提高风速预测的精确性。研究使用了中国内蒙古自治区风电场2012年冬季采集的风速数据。通过对比SSA-BiLSTM方法与其他四种风速预测方法（支持向量机回归算法、K-最近邻算法、典型LSTM方法和BiLSTM方法），实验结果表明，SSA-BiLSTM方法在MAE、RMSE、MAPE和R四个评价指标上均取得更好的效果，验证了其在风速预测上的有效性和准确性。
2024-12-22 18:59:10
977
原创 第24周：文献阅读
本周阅读文献《基于GAN的中文虚假评论数据集生成方法》，本文提出了一种基于生成对抗网络（GAN）的中文虚假评论数据生成模型，旨在解决互联网虚假评论研究领域缺乏完全公开的中文数据集的问题。模型结合了生成器、判别器、分类器、重构器及Rollout模块，并通过强化学习方法优化生成器参数，以生成具有相应类标签属性及特征的虚假评论数据。实验结果表明，所提出的模型在BLEU值和NLL指标上均优于其他基线模型，显示出良好的生成效果和数据扩充能力。1、模型有效性。
2024-12-15 23:54:46
1384
1
原创 第24周：机器学习
本周接着继续学习了吴恩达机器学习的实验3——手写数字识别，是一个多分类的问题，利用逻辑回归的模型和神经网络前馈算法来实现预测分类， 最后利用常见的评估指标来对该模型进行评价和分析，再一次巩固了前两周的逻辑回归模型。还动手学习了pytorch的基本操作——微积分和自动微分。下周继续通过吴恩达机器学习的实验来回顾基础模型，并详细了解其模型内部的具体函数。继续学习pytorch的基本操作。
2024-12-15 19:52:11
797
原创 第23周：机器学习及文献阅读
本周围绕着逻辑回归和决策树阅读了一篇论文，主要是一种用于提高多类多标签分类任务精确度的算法，它结合了决策树作为分类器，采用逻辑回归模型实现多分类的任务。回顾复习了逻辑回归的相关知识，还学习了相关的机器学习的理论知识。然后对原论文种给出的数据集进行收集，以及源代码进行逐行分析。最后经过与其他算法进行横向比较以及与不同数据集的应用进行纵向比较，得到了MMTML显著优势的结论。逻辑提升logisticboost：结合逻辑回归和提升方法，通过迭代地训练多个弱分类器并组合它们的预测来提高分类性能。
2024-12-08 18:10:52
1154
原创 第21周：机器学习
本周的学习内容主要围绕课程“机器学习”的课前汇报， 阅读了一篇关于ARIMA模型和K-means算法的论文，进行了模型基础理论的学习、代码复现及ppt汇报。周报主要对上述理论、数据处理、实验图分析做了一个总结。通过阅读文献，学习了AR模型、MA模型以及结合的ARIMA模型，以及K-means聚类算法。并且进行了代码实践以及结果分析。V_%7Bt%7D。
2024-11-24 18:32:42
1194
原创 第二十周：机器学习
本周接着上周的线性回归，进一步学习了逻辑回归的完整代码，不仅包含了逻辑回归模型的整个训练过程，还对逻辑回归中的损失函数和梯度下降函数进行代码表达。在复习了逻辑回归模型的数学原理后，对其进行代码实践，并且可视化决策边界函数，将自定义模型与库函数自带模型进行准确率、损失函数及其边界函数的比较。最后，接着pytorch动手深度学习的内容，学习了数据预处理部分。本周继续完成吴恩达机器学习的实验2部分——逻辑回归 ，并且复习了对应的理论知识，对交叉熵、梯度更新、正则化表示的数学原理进行推导并且实现在代码上；
2024-11-17 19:40:45
1192
原创 第十九周：机器学习
本周复习了线性回归模型的基本概念、步骤以及应用场景，进一步延伸到代码层面。动手实践了吴恩达机器学习实验1——线性回归，单变量线性回归和多变量线性回归分别用sklearn库的LinearRegression模型和自定义线性回归模型训练数据并且进行预测，最终得出效率和准确率的对比。该实验不仅复习了模型训练的基本步骤，还进一步手动代码实现了模型的定义、损失函数的设置以及最优化的处理。为了更加熟悉pytorch框架的基本知识，本周还简单学习了torch的数据处理方式。
2024-11-10 17:23:57
1012
原创 第十八周：机器学习
本周学习了BERT的基本使用场景、预训练模型的结构及其改进，以及微调的输入输出和微调的方式。在学习Bert的过程中，对seq2seq model进行了复习。Bert主要应用在GLUE任务中，它可以完成单句子分类任务、单句子标注任务、句子对分类任务和问答任务，这四种下游任务是基于不同的输入输出，其中不同任务的task specific layer也是不相同的。本周主要对bert的应用场景进行了分析，以及预训练模型个微调技术。下周继续学习bert，并且加入代码实践。
2024-11-03 18:29:05
709
1
原创 第十七周：机器学习
本周主要学习了MCMC算法，其中包含马尔科夫链采样和蒙特卡洛方法。通过视频资料的学习，对以上提到的两种方法进行规律总结以及简单的代码实践。还回顾了flow-based GAN理论的简单数学基础。本周对GAN的变形算法进行数学基础学习，并且拓展学习了MCMC算法的基本内容和代码。下周将继续学习flow-based GAN算法的基本理论推导，并且对MCMC算法进行总结，找到马尔科夫链和蒙特卡罗方法的关联及在该算法中各自的应用。
2024-10-27 20:27:32
1127
原创 第十六周：机器学习
本周学习非监督学习的其中一种类型——生成式模型，其中包含pixel RNN、VAE和GAN三种模型。简单的了解了三种模型的提出和生成数据的方式以及其优缺点。还进行了代码实践——李宏毅机器学习HW6：生成二次元图片。该代码实例是扩散模型，学习了该模型的一些代表性的辅助块和组件，以及添加噪声的数据处理。本周的代码实践仅仅是扩散模型的simple版本，后续还将添加数据增强以及其他参数的调整实现更好的生成效果。并且继续学习flow-based GAN的相关内容。
2024-10-20 18:11:30
1356
原创 第十五周：机器学习
本周进一步学习了GAN基本原理，主要以GAN的计算推导和fGAN为主，回顾了最大似然函数和JS-divergence。并且动手实践了李宏毅机器学习的作业3，从数据集的处理、模型及其参数的定义以及训练和测试数据集等各方面进行了详细的代码分析。本周继续深入了GAN的学习，并且以代码实践来回顾了CNN的学习。下周将学习GAN中的半监督学习，并且继续动手代码实践。
2024-10-13 19:46:27
1205
1
原创 第十四周：机器学习
接着上周对GAN的初步概念了解及其理论推导，本周回顾了GAN难以训练的问题，从而提出了GLO的解决方案——不仅易于训练，而且还能达到GAN的训练效果；为了正确合理地衡量generator的效果，提出了几种评价指标：SI和FID；考虑到GAN的实际输入不总以”成对“出现，所以提出了cycle GAN来解决该问题，并且学习了解决流程图。本周对GAN进行进一步的理论学习，下周将从其数学理论入手，详细分析损失函数、GAN的架构等。还将继续了解VAE和FLOW-base model等典型的生成式模型。D%5E*
2024-10-06 17:21:39
1245
原创 第十三周：机器学习
本周学习了对GAN进行了初步的学习，通过具体案例理解了GAN的基础概念并着重从散度出发分析了GAN的理论，最后还了解了GAN的一些训练小技巧；除了上述理论部分，本周还进行了word2vec的gensim代码实践，通过word2vec模型和fasttext模型来分别完成cbow任务和skip-gram任务，最后对比二者的相似度预测结果来得出初步结论。本周学习了GAN的基础概念以及其算法和理论推导，并且进行了gensim代码实践。下周将继续学习GAN的后半部分，并保持具体案例的分析及实践。P_G。
2024-09-28 22:10:04
1086
原创 第十二周：机器学习
本周继续学习机器学习的相关课程，首先了解了监督学习和非监督学习的概念，以前所做的”分类和回归“任务都属于监督学习，本周主要聚焦非监督学习，并且将其应用于实践——word embedding；接着更进一步了解了transformer的构造，学习了encoder和decoder的具体流程，并且举例了几种能够应用于seq2seq模型的机器学习任务；最后，总结了几种基本的的和组合式的attention类型。
2024-09-22 18:03:46
1459
原创 第十一周：机器学习
前两周主要学习了RNN的流程图、 分类以及其训练过程。接着对RNN的理论讨论，这周以两个RNN的基本案例（来自pytorch官方文档）来实现其代码实践。任务一和任务二是一个逆向的过程，任务一进行主要的代码分析，任务二侧重进行总结。最后，还从training和testing两方面入手学习了“批归一化”，并且根据现有实验结果讨论了BN和ICS的关系。本周进行了RNN的代码实践，不仅逐行分析解读了pytorch代码，还对RNN的训练流程做出总结。继续学习了optimization失败的原因——BN。
2024-09-15 16:36:37
1106
原创 第十周：机器学习
接着上周对RNN的讨论，这周学习了如何训练RNN，对于训练过程中出现的问题做出了解决——LSTM，进而又介绍了几种RNN更加复杂的应用情况，以及将RNN与结构化学习进行对比分析；接下来，简单了解了GNN，为了进一步了解谱图理论，我们又对其计算流程和傅里叶变换等技巧进行分析和数学推导。本周对RNN进行了更深层次的分析，主要是针对RNN的应用场景及RNN训练中遇到的困难；还有GNN及谱图理论的分析推导。下周将继续学习GNN。
2024-09-08 16:48:56
1138
1
原创 第九周：机器学习
本周主要围绕RNN进行探讨，从为什么需要这类”循环网络“入手，提到了”slot filling“技术，接着又对RNN的几个典型类别进行流程绘制及优缺点分析。总的来说，RNN有几种特殊情况——LSTM和GRU。本篇文章主要是对LSTM的基本结构、计算步骤进行了解和总结，最后还手写推导了一个具体的案例。LSTM和一般的network还是有一些区别，为了理解它和RNN的关系，又进行了对比分析。这周由RNN入手，进而深入学习了LSTM的基本原理和计算流程。
2024-08-31 18:48:09
830
原创 第八周：机器学习
前两周学习了CNN的基本架构，针对全局信息的考虑问题，提出了注意力机制。本周围绕注意力机制和自注意力机制的概念和计算流程进行理解和推导。当前深度学习比较常用的是自注意力机制， 可以解决”神经网络建立多个输入之间的相关性“问题，所以本周还对自注意力机制的具体计算步骤进行详细推导。最后，根据实际需要提出了多头自注意力机制，并且比较了卷积神经网络和 自注意力机制的优缺点。本周主要围绕注意力机制和自注意力机制进行学习，下周将学习 RNN，并且将其与自注意力机制进行对比分析。
2024-08-25 10:42:58
1094
原创 第七周：机器学习
上周以宝可梦分类器为例，发现了“理想”和“现实”之间的差距，从而提出了一个困境：“loss很低”、“现实接近理想”二者是否能同时满足。本周接着困境的出现，提出了解决方案——深度学习，并且也验证了深度比宽度的优势。接着上周学习了CNN的基本流程和专业术语，我们发现CNN对于缩放、旋转、平移都没有不变的特性，所以提出了“spatial transformer”来增强平移不变性。一、鱼与熊掌兼得。
2024-08-11 15:23:36
691
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人