随想 --关于工作

工作一年了,自己跳进了一个职场陷阱,所以耗费了更多的时间在工作上,好在现在也熬过去了,可以着手塑造做事风格,以期望能借改造习惯来改造性格。这个时期有段时间比较浮躁,主要是对工作上,因为要探索工作及生活状态的意义。有什么办法呢,这里是上海,不能脱颖而出就意味着死路一条,尤其对于我这种一无所有的外来人来讲。

 

虽然也加了点薪水,我想还是难以平复想寻求发展的心情,跳槽并不是不可能发生的事情,遥想一年前我抛弃很多东西来追寻一个简单的想法来到这里,有得有失。当时的自己并不知道自己的生命到底想要什么,一股年轻的冲动无所畏惧,在旁人的言语之间会患得患失。很多事情真是体验过了才知道,当一切褪去覆盖在上面那层外皮,你才能了解它的真实情况,作出你的判断,每个人持有的观点都不一样,这源于他们各自的经历或所处的处境。只有你才能告诉你自己真相。

 

我想多数人在工作几年之后都想着钱多事少离家近(这是才进公司时带我们的SDM评价他的朋友和同学),哪有那么多动力在自己做的事情上,只是为了那份薪水而已,除非你自己是老板或老板的一分子,呵呵。如若不然,你定是个有信念的人,请坚持,做自己想做的事情。

 

做了一年,当初有点神奇的东西变得一点都不神奇,让我怀疑IT这个行业怎么那么吸引人,细节细节还是细节,软件这个行业我更相信是一门工艺,并不是一个工程。每一个貌似神奇的改进,都是一小步步的改动,怎么那么多人没有想到呢。可见那么多人又在干着什么工作,每一天。

 

这个行业是一个吞噬时间的机器,如果你不是老板的话,那么你就是在售卖自己的时间,你拿多少薪水其实就是你的时间值多少钱。有时候我觉得不平,有些high level的人拿着数倍于自己的高薪,其实根本就不值,除非他一天能工作80个小时,我就觉得ok,可是这社会到处都缺人,你不开高薪,有的是人愿意开。

 

Cretivity provides oppurtunity, Innovation provides leadership.

 

创新需要的是思维,虽然我现在看的书跟我做的工作没啥关系,同事们也不理解,但我想两者一点都不冲突。不管我以后做什么,我想我现在做的事情只会对我有帮助。生活如果是个方程组的话,本身就是一个多解的。

 

在中国没有什么有良好工程师氛围的企业,突然想到建筑行业,说不定强点,呵呵。企业要生存,总得有人来付钞票,那么能拉来钞票的人才是最至关重要的人,技术是被市场驱动的,但做市场也不容易,做出来的人都相当相当爽,但很多人做不下去,死在半途。

 

无聊经济指引了一个比较好赚钱的范畴,很多时候人都很无聊的,但一直无聊就为我所不齿。

 

工作中你会碰到各种风格的人,各种风格管理的人,我们项目乃至公司管理总体来看,刚性大大有余,柔性不足,这也是行业性质决定的,难。

 

选择一个平台很重要,那么等你长大了就能忽悠了。。。当然我不是一个喜欢忽悠的人,很多时刻你听到的是言之无物的东西,也不一定是对的。

 

就我目前来看,也就开发IDE我还觉得比较神秘,Eclipse是开源的,但哪有时间看,我也不想往那方面发展。

 

P2P,云计算,是趋势哈,SOA做到很好很难,能上SOA肯定是付得起Money的公司,呵呵。

 

以后页面都是flash类的,哈哈,一大批程序员又要去写那些脚本了。

 

还是A方好。

 

眼睛疼,眼药水没找到,今天才从家返回上海,东西有点乱,暂且敲这么多。

 

这一年多至今,我仍然靠点信念撑着。

【负荷预测】基于VMD-CNN-LSTM的负荷预测研究(Python代码实现)内容概要:本文介绍了基于变分模态分解(VMD)、卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的VMD-CNN-LSTM模型在负荷预测中的研究与应用,采用Python代码实现。该方法首先利用VMD对原始负荷数据进行分解,降低序列复杂性并提取不同频率的模态分量;随后通过CNN提取各模态的局部特征;最后由LSTM捕捉时间序列的长期依赖关系,实现高精度的负荷预测。该模型有效提升了预测精度,尤其适用于非平稳、非线性的电力负荷数据,具有较强的鲁棒性和泛化能力。; 适合人群:具备一定Python编程基础和深度学习背景,从事电力系统、能源管理或时间序列预测相关研究的科研人员及工程技术人员,尤其适合研究生、高校教师及电力行业从业者。; 使用场景及目标:①应用于日前、日内及实时负荷预测场景,支持智慧电网调度与能源优化管理;②为研究复合型深度学习模型在非线性时间序列预测中的设计与实现提供参考;③可用于学术复现、课题研究或实际项目开发中提升预测性能。; 阅读建议:建议读者结合提供的Python代码,深入理解VMD信号分解机制、CNN特征提取原理及LSTM时序建模过程,通过实验调试参数(如VMD的分解层数K、惩罚因子α等)优化模型性能,并可进一步拓展至风电、光伏等其他能源预测领域。
【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)内容概要:本文研究了一种基于融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)优化变分模态分解(VMD)参数,并结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的轴承故障诊断模型。该方法利用西储大学轴承数据集进行验证,通过OCSSA算法优化VMD的分解层数K和惩罚因子α,有效提升信号去噪与特征提取能力;随后利用CNN提取故障特征的空间信息,BiLSTM捕捉时间序列的长期依赖关系,最终实现高精度的轴承故障识别。整个流程充分结合了智能优化、信号处理与深度学习技术,显著提升了复杂工况下故障诊断的准确性与鲁棒性。; 适合人群:具备一定信号处理、机器学习及MATLAB编程基础的研究生、科研人员及从事工业设备故障诊断的工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选择的问题,实现自适应优化;②构建高效准确的轴承故障诊断模型,适用于旋转机械设备的智能运维与状态监测;③为类似机电系统故障诊断提供可借鉴的技术路线与代码实现参考。; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点关注OCSSA算法的设计机制、VMD参数优化过程以及CNN-BiLSTM网络结构的搭建与训练细节,同时可尝试在其他故障数据集上迁移应用以加深理解。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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