爱与愁

        题目是和阿达很喜欢的一首古巨基的歌儿同音不同字,在写下这些文字时,忽然想到这个。刚接到莹的电话,这个认识了四年多,被称为妹妹的网友,一个小美女(自己从来不承认自己是美女,然后转述各种人夸她是美女的话。),对男朋友忠贞不贰。这种爱其实挺有意思,或许初恋,第一次爱上一个人就会这样,她说客观的分析,她男朋友不帅(其实看了照片觉得不是不帅的问题,是比我还不帅),脾气不好,大男子主义,又不关心她;而她又有那么多人追。不过她又说那个男生总是能为她解开心里的不快,为她一一化解,给她安全感,心思细腻。——我不只一次的感觉到,她的话充满了矛盾,我想这不是她欺骗,而是她就是这种矛盾的心,呵呵,每个初恋都是这样的,算算她和她男朋友也认识……应该比认识我更早,应该是很久了~知足是一种幸福,或者,本来就很不错的~~

 

    愁,本以为今天就可以将后台全部调通,却接二连三的遇到不同的问题,本身写的一些代码的小失误,造成了一部分错误;一段代码的误用,引发的问题;使用了jbpmTemplate之后,发现数据没能提交到数据库,看log发现SQL语句都打出来,猜想是事务问题,写上声明式事务处理,发现不行(这个问题还得研究),然后使用编程式的,搞定了。不过之前注意到数据库没有保存数据是因为报了个类型转换错误。保存在ContextInstance中的对象取出来之后竟然取不到类型,无法反序列化,在同一个block中调用还可以,但是在另一个类中调用就报错。今天终于没有调完。本以为老邢把代码都写完测试一通就OK,没想到想通还这么难!!!

    用老邢的话说,我们现在越来越深入到框架背后了,很多东西文档是没有涉及的,我们只能去看jBPM的源代码,真是越来越体会到开源的好处,很多问题看看源代码就搞定了。这回的问题看似我们更需要对源代码做更为深刻的理解,还有就是jBPM的架构,那个类型转换问题真的很奇怪。

 

    今晚开会,发现老板真是越来越和蔼了,而且还支持我们把新技术这条路线继续走下去,本科时天天跟阿达他们说要用J2EE,要敏捷,要新技术,现在每天就在面对这些;那时阿达说,研究生你要是用J2EE做这个项目,那研究生就不白过了,呵呵,现在不只是J2EE,工作流,分布式系统,Web Service……我们现在使用的技术在工程项目中很领先了,当然不能去和SSOA去比,我们已经没有依靠了,想找一个别说精通就是把所有的这些技术都跑下来的人都找不到,整合在一起跑下来的就更加难找,呵呵,很自豪的说~~

 

     感谢小萍同志的理解~~

 

     这两天都很兴奋,一想到去编程就睡不着觉,但愿明天能搞定(每天晚上都这么想)。

 

     今天老板说了一句,ms只有我一个人跟他去广州了,我哭~

 

     困了,晚安~~~

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念分析方法;②掌握利用Simulink进行电力系统建模仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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