- 博客(31)
- 收藏
- 关注
RSS订阅原创 MySQL基础语法大全
本文系统介绍了MySQL的基础语法，包括数据库创建/删除、表结构操作、数据增删改查等核心功能。重点讲解了索引优化、约束条件（主键、外键等）、多表连接查询以及事务处理机制。同时涵盖常用聚合函数、字符串函数和日期函数的使用方法。这些基础语法是进行MySQL数据库开发的关键，掌握后可高效管理数据并构建稳定的数据库应用。文章为MySQL初学者提供了全面而简洁的操作指南，为进一步学习高级功能奠定基础。
2025-09-24 23:01:08
836
原创 3- 十大排序算法（基数排序、归并排序、快速排序、堆排序）
本文介绍了四种经典排序算法：基数排序、归并排序、快速排序和堆排序。基数排序通过逐位处理实现排序，时间复杂度O(nk)；归并排序采用分治策略，将数组递归分解后合并，时间复杂度O(nlogn)；快速排序通过选取基准值进行分区排序，同样具有O(nlogn)复杂度；堆排序利用二叉堆结构实现排序，时间复杂度O(nlogn)。每种算法都配有Python实现代码和详细说明，适用于不同场景的数据排序需求。
2025-09-24 22:41:25
547
原创 2- 十大排序算法（希尔排序、计数排序、桶排序）
本文介绍了三种高效的排序算法。希尔排序通过分组插入排序逐步缩小间隔，时间复杂度约为O(n^1.5)，适合中等规模数据。计数排序基于哈希思想，使用计数数组统计元素出现次数，适合小范围数值分布。桶排序采用分治策略，将数据均匀分配到有序桶中进行排序，最后合并结果。三种算法各有特点：希尔排序是改进的插入排序，计数排序要求数值范围小，桶排序适合均匀分布的大数据集。文末提供了这三种排序算法的Python实现代码。
2025-09-24 22:17:22
471
原创 1- 十大排序算法（选择排序、冒泡排序、插入排序）
本文介绍了三种基础排序算法：选择排序、冒泡排序和插入排序。选择排序通过n-1轮操作，每轮选出未排序部分的最小值放到正确位置；冒泡排序通过相邻元素比较交换，将最大元素逐步移动到末尾；插入排序则模拟打牌过程，逐个将元素插入已排序序列中的合适位置。三种算法的时间复杂度均为O(n²)，文中给出了每种算法的Python实现代码及图示说明其工作原理。这些排序算法是理解更复杂排序技术的基础。
2025-09-24 21:29:49
468
原创 14.Origin2021如何绘制混淆矩阵热力图？
在Origin2021中绘制混淆矩阵热力图，首先选择数据后点击“绘图→等高线图→带标签的热力图”。设置X值跨列选择列标签，Y值为首列数据。通过双击图表可调整坐标轴刻度、字体大小和颜色映射（支持自定义调色板）。最后可微调标签角度、字体样式和边框粗细，使图表更清晰美观。整个过程通过交互式操作完成，适合科研数据可视化需求。
2025-08-01 12:21:32
1398
原创 1.深度学习环境配置：Anaconda+CUDA+cudnn+Pytorch+Pycharm+Win11全详解，带你从0配置环境。
本文详细介绍了深度学习开发环境的完整配置流程，包括Anaconda、CUDA、cuDNN、PyTorch和PyCharm的安装步骤。首先指导下载安装Anaconda并创建Python虚拟环境，接着讲解NVIDIA显卡驱动检查、CUDA工具包和cuDNN加速库的安装配置方法。然后详细介绍在虚拟环境中使用pip命令安装GPU版PyTorch框架的注意事项，包括版本匹配和CUDA兼容性检查。最后说明如何在PyCharm专业版中配置已创建的conda虚拟环境。文章提供了完整的命令行操作和可视化界面截图，帮助读者从零
2025-08-01 01:59:06
20158
2
原创 13.Origin2021如何绘制算法迭代图？
摘要： 在Origin2021中绘制算法迭代图，首先选中数据，右键选择“绘图→点线图”生成基础图表。随后双击图表进入美化界面，在“符号”选项卡中调整数据点的形状和大小，在“线条”标签下将宽度设为3以突出曲线。该教程延续了Origin基础操作逻辑，通过简单设置即可完成专业迭代图的可视化呈现。
2025-07-31 16:32:34
1281
原创 12.Origin2021如何绘制误差带图?
本文介绍了在Origin2021中绘制误差带图的具体步骤：首先选中数据列，通过统计功能计算均值和标准差；然后选择误差带图类型并设置数据范围；接着调整图表样式，包括符号颜色和连接线类型；最后对图表进行美化。整个过程通过7个关键步骤完成，包含详细的参数设置和可视化操作，最终生成专业规范的误差带图。文中配有操作截图，直观展示每个设置界面。
2025-07-31 15:35:16
1584
原创 11.Origin2021如何拟合95%置信带和预测带？
摘要： 本文介绍了在Origin2021中拟合95%置信带和预测带的方法。首先通过右键属性忽略绘图设定，创建散点图并自定义符号样式。随后启用标签指引线并调整位置，通过分析菜单选择线性拟合。在拟合曲线图中勾选置信带和预测带选项，最后对图表进行美化处理。该方法提供了完整的数据可视化流程，适用于科研数据的统计分析展示。（150字）
2025-07-31 14:13:54
1979
原创 10.Origin2021如何绘制坐标河流图？
本文介绍了使用Origin2021绘制坐标河流图的步骤：首先选中数据并创建填充面积图；然后通过双击图表设置颜色和增量选项；接着调整线条连接方式为Modified Bezier曲线；最后进行图片美化。通过简单的4步操作即可完成专业的数据可视化效果。文中的配图清晰展示了每个步骤的操作界面，便于用户快速掌握绘制技巧。
2025-07-31 12:59:35
1208
原创 9.Origin2021如何绘制3D条状图？
在Origin2021中绘制3D条状图的步骤：1）全选数据后右键选择3D XYY→XYY 3D条状图；2）双击柱子设置图案（无边框、圆锥形状）和轮廓（保持形状）；3）在显示标签中勾选链接线并设置线条（宽度3、自动颜色）；4）最后进行图片美化。通过简单设置即可得到专业美观的3D条状图表。
2025-07-31 12:11:27
400
原创 8.Origin2021如何复现图片？
摘要：在Origin2021中复现图片的操作步骤为：1）截图后使用"图像数字化工具"；2）从剪贴板导入图片并设置坐标轴位置；3）通过手动取点依次标注曲线上的数据点；4）重复操作绘制第二条曲线；5）最后对图形进行美化处理。该方法通过数字化工具实现了对原始图片数据的提取和重现，适用于需要复现实验图表的情况。（98字）
2025-07-31 00:11:10
247
原创 7.Origin2021如何绘制拟合数据图？
摘要： Origin2021中绘制拟合数据图的方法如下：首先全选数据并绘制散点图，然后通过"分析→拟合→非线性曲线拟合"选择合适函数（如单指数衰减函数），预览曲线后点击"拟合至收敛"。完成后可查看迭代次数和拟合结果，包括曲线和公式参数。最后通过美化工具调整图表样式。该过程将离散数据转化为连续函数，便于分析数据趋势和规律。
2025-07-30 23:27:25
1424
原创 6.Origin2021如何绘制Y轴截断图？
本文介绍了使用Origin软件绘制Y轴截断柱状图的具体步骤：首先选中数据列并创建柱状图，然后通过断点设置功能（断点位置10-15）实现Y轴截断效果。接着详细说明了对坐标轴（粗细、刻度样式）、刻度标签（字体、范围）的美化操作，以及对柱子颜色（红蓝渐变填充）的调整方法。最终生成的截断柱状图能清晰展示数据差异，同时保持专业美观的图表样式。整个流程包含11个关键操作步骤，并配有图示说明。
2025-07-30 22:30:36
1543
原创 5.Origin2021如何绘制柱状+折线双Y轴图？
本文详细介绍了在Origin中绘制柱状+折线双Y轴图的步骤：首先选中三列数据，选择双Y轴柱状+点线图；然后分别设置左右Y轴的刻度范围、增量值和样式（蓝色右轴0-3600，红色左轴0-16000）；调整X轴显示效果；最后自定义折线（绿色球体符号）和柱状图（橙色渐变填充）的样式，并优化图例位置。通过间距调整使柱体变细，最终生成专业美观的双Y轴组合图表。
2025-07-30 21:52:21
2389
原创 4.Origin2021如何绘制多组误差棒图？
摘要： 本文详细介绍了使用Origin软件绘制多组误差棒图的完整流程。首先对ABC三组实验数据（每组3次平行实验）分别计算均值和标准差；然后通过选择X轴数据和均值列创建点线图；接着进行图形美化操作，包括调整坐标轴格式（字体、刻度线）、设置线条样式（颜色、粗细）和符号形状；最后为各组数据添加误差棒并统一设置线宽。通过这一系列步骤，最终可获得包含三组数据及其误差棒的专业科研图表，适用于展示不同条件下的实验数据对比分析。
2025-07-30 20:49:56
3181
原创 3.Origin2021如何绘制双Y轴柱状图？
本文介绍了使用Origin软件快速绘制双Y轴柱状图的完整步骤：首先准备X轴和两组Y轴数据，全选后选择双Y轴柱状图功能；然后通过调整柱子的边框、填充颜色和渐变效果美化图形；接着分别设置左右Y轴的刻度范围、字体样式和线条粗细；最后调整上下轴属性和图例位置。整个过程详细演示了从原始数据到最终成图的每个操作环节，帮助用户快速掌握双Y轴柱状图的绘制方法。
2025-07-30 18:52:59
2255
原创 2.Origin绘图配色网站分享
《Origin科研绘图配色网站推荐》摘要：本文推荐3个实用配色网站助力科研绘图：1.LOL Colors提供现成配色方案，直接显示色号；2.ColorSpace根据主色调生成相关配色组合；3.uiGradients专注渐变色选择，展示完整色号。通过复制这些网站的色号应用到Origin中，可快速提升图表美观度，使科研图表呈现专业期刊级的视觉效果。三个网站分别对应现成配色、基础配色和渐变色需求，是科研绘图的实用工具。
2025-07-30 17:39:15
4786
原创 对进化算法的思考，简单总结。
进化算法领域存在诸多问题，如"动物园算法"泛滥、隐喻术语滥用、实验对比不严谨等。多位学者呼吁加强算法评估标准，要求与SOTA公平比较并阐明算法原理，而非仅靠隐喻包装。当前多数算法仅针对benchmark测试，缺乏实际应用价值，且过度复杂的算法往往脆弱。建议研究应转向实际问题导向，结合LLM或RL等新技术，或关注特定问题特性开发算法。进化算法的未来发展需平衡基础研究与应用落地，避免过度拟合benchmark而丧失普适性。
2025-07-30 16:52:12
822
1
原创 知识五：强化学习-无模型控制
(img-oIzPm2DF-1728619418577)]大概率的回去利用，但是有一些小概率能探索，这就保证了系统有了。有限的时间里进行无限可能的探索（GILE）-Greedy优于Greedy策略。满足GILE条件才能一定收敛。的能力，不光全是利用。从理论的角度也证明了，
2024-10-11 12:07:31
1482
原创 知识三：强化学习-动态规划(7天入门强化学习)
预测问题 = 评估问题，利用贝尔曼期望方程，迭代策略评估。（当前策略的价值）控制问题 = 优化问题，利用贝尔曼期望方程 + 贪婪策略改进，策略迭代。（优化策略，输出最优策略）控制问题 = 优化问题，利用贝尔曼最优方程，价值迭代。（优化策略，输出最优策略）
2024-10-08 17:07:00
1180
原创 基于分解的MOEA三种常用的聚合方法。
的多目标优化算法。在给定权重偏好或者参考点信息的情况下，分解方法通过线性或者非线性方式将原多目标问题各个目标进行聚合，得到单目标优化问题，并利用单目标优化方法求得单个Pareto最优解。下面介绍分解策略中三类常用的聚合函数。
2024-06-01 23:08:10
2977
1
原创 基于代理模型的筛选准则和基于代理模型的局部搜索方法
因为预筛准则决定哪些个体可以被精确评估，这会影响算法的探索和开发，进而影响算法的收敛速度。2)在种群中每个父代个体的邻域建立一个局部代理模型，如果模型极值的预测适应度值优于父代个体，则该极值将成为新的父代来完成交叉和变异操作。1)在种群中的每个个体的邻域，用已评估的邻域样本点建立两种不同的局部代理模型，并用信赖域方法在该模型上进行搜索。如果模型的极值优于该个体，则用该极值替代该个体，以促进对该局部区域的开发。全局代理模型或局部代理模型的极值往往用来替代种群的全局最优，来引导算法向更优的区域进行搜索。
2024-06-01 21:45:10
1967
原创 代理模型（集成）
由于不同类型的代理模型适合不同特性的问题，集成模型可用于提高代理模 型对不同类型问题的预测精度，或用于获取预测的不确定性。Bagging (Boostrap Aggregating) 是由 Breiman 于 1996 年提出，并行训练多个弱学习器 ，对于分类问题，采用投票的方法，得票最多子模型的分类类别为最终的类别；在新的数据集中，初级学习器的输出被用作次级学习器的输入特征，初始样本的标记仍被用作次级学习器学习样本的标记。对于分类问题，采用投票的方法，得票最多子模型的分类类别为最终的类别；
2024-05-28 11:16:24
1828
原创 径向基函数(RBF)代理模型
径向基函数技术则是20世纪80年代后期，Powell在解决“多变量有限点严格(精确)插值问题”时引入的，目前径向基函数已成为数值分析研究中的一个重要领域。假设F（X）的形式，然后求出w就知道这个函数是什么样子的了，即得到这个插值得曲面了。可以看成是一个定点，X是一个泛源，所以他主要和X和Xp距离有关系(就是欧几里得距离即范数)，所以他应该是个旋转对称函数。阶矩阵，W和d分别表示系数向量和期望输出向量，可以写成下面的形式。可逆，大量的基函数都满足这个定理，所以上式成立，最后得到了模型。
2024-05-27 14:40:11
4304
原创 克里金代理模型Kriging
由于 Kriging 模型不仅能对未知点的适应值进行预测，还能对其预测的不确定性进行估计。因此，其被广泛应用于代理模型辅助进化算法中，以解决昂贵单目标或多目标优化问题。使用下面的公式来估计未知点。的预测适应值和预测方差(也就是与测试和相关程度)。的适应值：(均值+正态分布求解适应度值))的重要程度(也就是每个维度的权重)。个包含输入和输出的训练数据集(带入似然函数中可以消除未知参数。2似然函数只有两个未知参数。最大化似然函数可以得到。)是均值为零和方差为。’)之间的相关函数。×1 维的输出矩阵；
2024-05-27 14:25:58
5989
原创 多项式响应面 （PRS） 代理模型
PRS通常用于工业过程优化、产品开发和质量改进等领域，其目的是在尽可能少的实验次数内，通过建立响应变量和一个或多个影响因子（自变量）之间的关系，来优化这些影响因子(找最优解，和下面的代理模型不一定完全一样看你要用代理模型干什么)。然后用最小二乘法(矩阵形式的)去估计出未知参数(利用误差平方和最小，对矩阵求导)，去拟合模型，最后得到一个代理模型。由(2)和(3)可以导出等价于(1)等式的矩阵形式。从原始函数(就是已知的样本或者真实的数据)中提取的样本数（N）应等于或大于系数 n(为什么不知道，有论文证明)。
2024-05-27 13:28:52
5880
原创 SVM代理模型
支持向量机(SVM): 是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)与逻辑回归和神经网络相比，支持向量机在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。(所有的样本点，有其他的方法不用带入所有的样本点，例如SMO)，最终求得平面方程。)，使得离平面最近的点，能够最远(离决策面最远)。
2024-05-26 23:37:04
1892
机器学习1：绪论（频率派和贝叶斯派推到过程即原理）
2024-06-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人