haskell笔记(3)

f :: Int -> Int
f x = 2*x + 1 <==> lambda x . (2x + 1) <==> \x -> (2*x + 1) (x是输入,.后面是输出)

f = \x -> (2*x + 1)(箭头后面的是f x,是输出)

filter isEven [1..n] <==> filter (\x -> (mod x 2 == 0)[1..n] <==> [ x | x <- [1..n], mod x 2 == 0]
isEven x = mod x 2 == 0 <==> isEven = \x -> (mod x 2 == 0)

f, x, f x (f(x))

[2*x + 1 | x <- [1..n]) <==> map (\x -> (2*x+1)) [1..n]

兰姆达(lambda)表达式:

二元函数的例子:

add x = \y -> (y+x)
add = \x -> (\y -> (y+x)) <==> \x \y -> (x+y) <==> \x y -> (x+y)

(.) :: (b -> c) -> (a -> b) -> a -> c
f :: Int -> Int
isEven :: Int -> Bool

f . isEven x
isEven . f :: Int -> Bool
isEven . f x = isEven (f x)

g . f x = g (f x)

函数复合时,f . g x 有类型错误
使用时应(f . g) x 或者 f . g $ x

foldr :: (Int -> Int -> Int) -> Int -> [Int] -> Int
–folder :: (a -> b -> b) -> b -> [a] -> b
foldr f z [] = z
foldr f z (x:xs) = f x (folder f z xs)

sum [] = foldr (+) 0 []
sum (x:xs) = foldr (+) 0 (x:xs)
sum xs = foldr (+) 0 xs
–调用时,输入foldr (+) 0 [1..10]

product xs = foldr (*) 1 xs

foldr f z (a : b : c : []) = a f (b f (c f z)) (f:中缀函数)

and xs = foldr (&&) True xs

and = foldr (&&) True –point-free

my_maximum :: Ord a => [a] -> a

my_maximum [x] = x
my_maximum (x:xs) = (my_maximum xs)

将列表里的列表连接起来
concat :: [[a]] -> [a]
concat = foldr (++) []

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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