<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_18554229</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_18554229]]></copyright><item><title><![CDATA[Django 4.x 智能分页get_elided_page_range]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/138532775</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/138532775</guid><author>qq_18554229</author><pubDate>Tue, 07 May 2024 15:36:25 +0800</pubDate><description><![CDATA[Django 4.x 智能分页，可跳转指定页码]]></description><category></category></item><item><title><![CDATA[Linux下场景模拟--cpu、内存打满测试]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/137480967</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/137480967</guid><author>qq_18554229</author><pubDate>Sun, 07 Apr 2024 22:41:11 +0800</pubDate><description><![CDATA[linux-打满内存、cpu测试]]></description><category></category></item><item><title><![CDATA[ubuntu18.04-arm7v架构下构建Telegraf自定义系统服务]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/137472102</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/137472102</guid><author>qq_18554229</author><pubDate>Sun, 07 Apr 2024 22:27:01 +0800</pubDate><description><![CDATA[通过交叉编译后的Telegraf可执行文件使用nohup启动后，在系统重启时，有时候会忘记再把它启动起来。这个时候我们就可以将其定义成系统服务，让系统来帮忙管理。]]></description><category></category></item><item><title><![CDATA[Telegraf--采集指定信息]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/136741152</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/136741152</guid><author>qq_18554229</author><pubDate>Fri, 15 Mar 2024 15:55:34 +0800</pubDate><description><![CDATA[根据需求选取需要采集的字段，直接配置在fieldpass中，这样的好处是节约流量，更加简洁明了。下面加粗的部分是telegraf.conf中配置的指标，其他指标根据需求添加即可。]]></description><category></category></item><item><title><![CDATA[物联网终端telegraf采集设备信息]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/136699728</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/136699728</guid><author>qq_18554229</author><pubDate>Thu, 14 Mar 2024 11:18:30 +0800</pubDate><description><![CDATA[Telegraf + Mqtt + influxdb +Python分析监控采集实时数据遇到的问题请看这里]]></description><category></category></item><item><title><![CDATA[Plotly.js 热力图与折线结合]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/135454174</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/135454174</guid><author>qq_18554229</author><pubDate>Mon, 08 Jan 2024 12:55:17 +0800</pubDate><description><![CDATA[Plotly.js库自定义图标、折线图与热力图结合]]></description><category></category></item><item><title><![CDATA[Echarts 热力图与折线图的结合]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/135026786</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/135026786</guid><author>qq_18554229</author><pubDate>Fri, 15 Dec 2023 23:52:38 +0800</pubDate><description><![CDATA[这种需求并不多见，遇到后第一时间翻看了Echars官方文档，并没有发现类似的例子。于是自己动手合并了双轴，后发现折线图会被遮盖。经过排查发现了一个关键参数：visualMap的配置。这个配置在热力图中是必须的，但在折线图上并不是。

起初我的想法很简单，将两个图合并左侧y轴热力图，右侧y轴折线，共用x轴即可。当我去请热力图时，结果是这样的。y轴出现了，但是折线不见了。我想可能是图层的原因，设置了层级后还是不见折线，那这个折线哪里去了呢？


折线被遮盖了，我排查了代码后发现了：
继续翻看文档，找到了热力图的]]></description><category></category></item><item><title><![CDATA[时间序列之统计分析]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/134704232</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/134704232</guid><author>qq_18554229</author><pubDate>Thu, 07 Dec 2023 15:21:24 +0800</pubDate><description><![CDATA[假设两个随机变量X和Y满足未知的概率分布， X和Y的协方差为：其中,E为求解数学期望的运算符。μx​和μy​分别为X和Y的均值。协方差告诉我们两个随机变量是如何一起移动的。。因此，人们希望使用某个和协方差有关，但是又是无量纲的测量来描述两个随机变量的相关性。最简单的做法就是用变量自身的波动对协方差进行标准化。令ρ表示X和Y的相关系数，它的定义为：其中σx​和σy​分别为X和Y的标准差。]]></description><category></category></item><item><title><![CDATA[Python-Matplotlib(可视化)备忘--持续更新]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/134799119</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/134799119</guid><author>qq_18554229</author><pubDate>Tue, 05 Dec 2023 09:44:51 +0800</pubDate><description><![CDATA[matplotlib 调整子图任意边距。持续更新，欢迎关注。]]></description><category></category></item><item><title><![CDATA[小波变换之连续小波变换]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/134778494</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/134778494</guid><author>qq_18554229</author><pubDate>Mon, 04 Dec 2023 12:00:35 +0800</pubDate><description><![CDATA[傅里叶变换的局限性：傅里叶变换提取信号的频谱需要利用信号的全部时域信息，只能看到信号整体的频谱构成，不能给出这些频率成分出现的时刻，也不能够反映信号频率成分随时间的变化过程；傅里叶变换的积分作用平滑了非平稳信号的突变成分。相比较，小波变换的优越性：小波变换不仅能给出信号的频率信息，而且能够说明这些频率成分发生的时刻。]]></description><category></category></item><item><title><![CDATA[特征工程概述]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/134724214</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/134724214</guid><author>qq_18554229</author><pubDate>Fri, 01 Dec 2023 08:45:00 +0800</pubDate><description><![CDATA[特征的好坏能够决定最终模型的好坏。优秀的模型往往取决于优秀的特征提取，而特征提取就涉及到特征工程了。特征工程的目的是最大限度地从原始数据中提取特征以供算法和模型使用。时间序列的特征工程大体上分为：基础特征、转换特征、分类特征等。涉及统计分析、机器学习、深度学习等多个领域。一般来说，真实世界的时间序列常常取值范围多样，长短不一、形态各异、存在缺少值等。如果要做统一的分析，需要我们进行初步的处理，将时间序列整合到统一的范畴下，进行分析。这里基本的方法有：标准化、归一化、二值化。]]></description><category></category></item><item><title><![CDATA[回归模型之非线性模型]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/134704972</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/134704972</guid><author>qq_18554229</author><pubDate>Thu, 30 Nov 2023 11:29:56 +0800</pubDate><description><![CDATA[常用的时序统计模型（AR、ARMA、ARIMA），在建模思路上针对当前观测点的最近P个点和最近Q个点的误差值进行建模结构如下：

然而现实中，很多数据并不是按照线性关系发展的。很多时候我们是将非线性的数据通过一些方法(幂函数变换、倒数变换、指数变换、对数变换等)将其进行变换成为线性关系的问题，然后再去求解。常见的非线性回归预测的算法模型有：逻辑回归、树回归、神经网络模型等等。逻辑回归用来计算事件的概率。当因变量是状态可见时比如（真假、开关、上下等等），可使用逻辑回归。这里，Y 的取值范围为 [0,1]，它可]]></description><category></category></item><item><title><![CDATA[预测中的损失函数]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/134701304</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/134701304</guid><author>qq_18554229</author><pubDate>Wed, 29 Nov 2023 23:15:00 +0800</pubDate><description><![CDATA[MAE,也称为L1损失，是预测值与实际值之间的绝对误差：所有样本值的绝对值误差的均值就称为MAE：MAE是回归模型中经常使用的一种简单有效的损失函数。但是由于异常值，回归问题中的变量可能不是严格的高斯变量，这会带来一些问题。]]></description><category></category></item><item><title><![CDATA[回归模型之线性模型]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/134700321</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/134700321</guid><author>qq_18554229</author><pubDate>Wed, 29 Nov 2023 22:55:16 +0800</pubDate><description><![CDATA[最简单的线性回归模型假设被预测变量y和单个预测变量 x之间存在如下线性关系：其中系数β0和β1分别表示回归线的截距和斜率。β0表示当x=0时，y的预测值；斜率β1表示当x增加一个单位时，y的平均变化。从上图可以看出，观测值并不全部落在回归线上，而是分布在回归线的周围。即：每个观测值yt都包含可解释部分β0+β1xt和随机误差项εt。随机误差项并不意味着错误，而是指观测值与线性模型的偏差。它捕捉到了除xt外其他影响yt的信息。]]></description><category></category></item><item><title><![CDATA[java 读取数据库图片地址，将图片展示在jsp页面（图片必须在服务器硬盘上，此方法才可成功）]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/48802713</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/48802713</guid><author>qq_18554229</author><pubDate>Tue, 29 Sep 2015 09:26:16 +0800</pubDate><description><![CDATA[衔接上篇博文，废话不多说。
流程说明：
页面点击‘加载图片’---》传入参数获取图片路径地址---》处理图片地址---》传到jsp页面中
注：
在此之前需要将tomcat配置虚拟路径（图片必须在服务器硬盘上），tomcat和图片在同一台机器。（即tomcat访问本地图片）
正文：
List imageList;
public List getImageList() {
return]]></description><category></category></item><item><title><![CDATA[java 读取数据库图片二进制流并输出到jsp页面]]></title><link>https://blog.youkuaiyun.com/qq_18554229/article/details/48802369</link><guid>https://blog.youkuaiyun.com/qq_18554229/article/details/48802369</guid><author>qq_18554229</author><pubDate>Tue, 29 Sep 2015 08:35:17 +0800</pubDate><description><![CDATA[最近刚好遇到这个问题，刚开始在网上各种搜索，看到大量有关该问题的博文。
大量文章有些不敢苟同，希望博主们要写就认真写，请不要浪费其他需要帮助的人的时间去验证你的博文是否正确。
正文如下：
流程说明：
页面点击某条信息---》获取id号---》传人后台进行条件查询----》获取图片二进制流----》转换成图片-----》输出到jsp页面
注：
1.入参：checkNo；//查询条件，根据]]></description><category></category></item></channel></rss>