Limiiiing的博客

在场景应用中，要求我们的函数计算结果尽可能的逼近实际测量结果，可转化计算结果与测量结果的残差，通过最小化残差，便可求出最优的结果。但使用最小二乘等方法来计算时，常常会使迭代的结果显然局部最优点而导致结算错误。

无论是方差还是标准差，均对异常值比较敏感，会使得某一均方差的值非常大，影响最终的结果，所以需要先对异常值进行处理。若是判断多组数据均分布在直线的两侧，也可以根据点到直线的距离，计算标准差，判断哪一组数据更接近直线。

【代码】Python中的多进程与多线程详解。

卡尔曼滤波是一种在随机环境中对动态系统进行最优估计的经典方法，利用系统的预测值和观测值，通过递归的方式，对系统状态进行准确估计。为了能够更加直观的观察与使用卡尔曼滤波，本文记录了在python中直接调用卡尔曼滤波的接口，并以代码的形式详解各个变量的含义与调节经验。关于卡尔曼滤波的原理、数学推导等内容我这里就不介绍了，网上有很多的资源。好了，现在就开始吧~

参数用于指定损失函数（loss function），该函数决定了如何衡量模型预测值与实际值之间的差异。不同的损失函数适用于不同的场景，下面对。在场景应用中，要求我们的函数计算结果尽可能的逼近实际测量结果，可转化计算结果与测量结果的残差，通过最小化残差，便可求出最优的结果。库中用于解决非线性最小二乘问题的函数，调用此函数后便可计算出最优点。损失函数的类型，用于对残差进行加权或处理异常值。（线性损失函数，默认）、

数据平滑是一种数据处理技术，主要目的是消除数据中的噪声或不规则波动，使数据更加平滑和易于分析。由于获取的原始数据或者计算后的数据，由于环境、设备等影响，数据会产生随机波动、噪声或异常值等情况，所以需要通过数据平滑对数据进行处理，使其变得更加平缓、连续或更容易被处理。

在 Python 开发中，我们常常希望将自己编写的程序封装成可独立运行的 EXE 文件，以便在没有安装 Python 环境的设备上运行。本文将详细介绍如何使用 PyInstaller 封装 Python 文件为 EXE 文件，并说明其中的各种参数的使用方法。

最近的学习内容中涉及到服务端和客户端的数据传输。主要的背景是我要从服务端获取数据，进行进一步的处理。前期看了一些关于Socket中TCP连接的方法，同样也可以进行通信。但这里的服务端使用的是HTTP，所以在获取服务端的数据时，这里还是使用的是requests中的http连接。

替换为实际的目标地址。并且根据返回数据的格式（如 JSON、XML 等），可以使用。替换为你要发送的实际数据。运行此代码后目标地址就会持续接收到你发送的数据。是 Python 中一个非常实用的用于发送 HTTP 请求的第三方库。替换为实际的 POST 请求地址，等方法来进一步解析数据。

VsCode.md---代表分割线。