- 博客(64)
- 收藏
- 关注
RSS订阅原创 时间序列预测（十九）——卷积神经网络（CNN）在时间序列中的应用
1、优点CNN 可以有效提取局部时序特征，适合模式识别和短期依赖特征的建模。权重共享和池化操作可以减少模型参数，缓解过拟合问题。可以与其他深度学习模型（如 LSTM）结合，用于复杂时序数据的处理。2、缺点CNN 难以捕捉长时间依赖关系，适合短期或局部特征的提取。参数调优较复杂，卷积核大小、步长、池化窗口等参数需要多次尝试。对非平稳时间序列的数据敏感，通常需要在预处理阶段去除趋势和季节性。CNN 在时间序列分析中展现了强大的特征提取能力，适用于分类、预测和异常检测等任务。
2025-03-13 19:52:12
1117
原创 MathType常用快捷键
先选取要移动的公式，再用“Ctrl+箭头键”配合操作即可实现上、下、左、右的平移；先按“Ctrl+T”，再按N（n次根式）、S（求和符号）、P（乘积符号）。大写希腊字母（先按Ctrl+G，再按Shift+希腊字母英文名的首字母）小写希腊字母（先按Ctrl+G，再按相应的希腊字母英文名的首字母）这里选中文本后再使用Ctrl+B没用，得先Ctrl+B再输入文本。选中公式用鼠标左键拖到工具栏中适当位置就行，删除则右击工具图标，Ctrl+shift+空格。
2025-02-25 12:30:17
352
原创 Visio 2021 常用快捷键总结
这是一组快捷键的功能总结：用于调整文本格式的快捷键包括：将选定文本设置为下标、上标、斜体、加粗以及添加下划线。编辑操作快捷键允许用户快速删除光标前后的内容，以及通过鼠标拖拽进行复制。图形编辑快捷键提供了放大缩小视图的便捷方式，同时支持水平和垂直移动选中的对象。此外，还能调整视图以适应窗口大小。对于选中的形状，可以使用快捷键进行左右旋转、水平翻转和垂直翻转。在编辑工具之间快速切换的快捷键包括指针工具、文本添加工具、连接线添加工具和矩形添加工具。特别地，在添加矩形时，同时按下Shift键可以绘制正方
2025-01-13 19:50:03
451
原创 时间序列预测（二十）—— 各种滤波方法对比
在数据采集过程中，由于各种因素（如电路干扰、电源噪声、电磁干扰、采样技术的限制等）的影响，原始数据中往往会掺杂一些噪声或误差。这些噪声数据可能会严重影响最终数据的准确性，从而对后续的数据分析、模型构建或决策制定产生误导。因此，为了获得更准确、更可靠的数据，需要对原始数据进行滤波处理。
2025-01-08 17:36:12
1514
原创 Python（四）——SVG 图坐标轴数字和其他文本设置总结
全局设置字体为 Times New Roman# 创建图表fig, ax = plt.subplots(figsize=(6, 4)) # 设置图表大小# 绘制简单的曲线ax.plot(x, y, label='曲线示例', color='blue', linewidth=2, marker='o') # 增加颜色、线宽、标记样式# 设置坐标轴标签和标题ax.set_xlabel('X 轴', fontname='SimSun', fontsize=12) # 使用宋体。
2025-01-03 16:35:15
1040
原创 Python——几行代码展示Python的强大和神奇
了解一些C++的应该知道，要想实现相同的功能可能需要手动遍历数据数组，再检查每个值是否满足条件，然后存储满足条件的索引和数据点，最后使用图形库绘制这些点，非常麻烦。下面是我整理的一部分代码，短短几行，却轻易地就将不合格的数据可视化，比起C++不知简化了多少倍，突然感觉到了Python的功强大，就想分享一下。太神奇了，这也许就是为什么Python在科学计算、数据分析、机器学习等领域如此受欢迎的原因之一。
2025-01-03 12:16:29
184
原创 在visio2021 中插入MathType公式
1、打开visio2021，之后点击“插入”-“对象”3、确定后就会弹出MathType编辑器。2、打开后，选择MathType，确定。首先要确保有着两个软件，且能用。
2024-12-07 18:30:09
2436
原创 MATLAB 中有关figure图表绘制函数设计（论文中常用）
将函数保存为一个独立的.m文件，例如% customize_plot - 自定义图表样式以满足论文要求% 输入参数：% figHandle - 图形句柄 (figure handle)，指定要自定义的图形% xLabel - X轴标签 (string)，如 '时间 (s)'% yLabel - Y轴标签 (string)，如 '幅值 (m)'% titleText - 图表标题 (string)，如 '实验结果对比'
2024-11-26 20:57:50
1495
原创 zotero安卓测试版下载和使用
到这一步，其实你是打不开文献的，因为你只进行了登录，还没配置好同步功能，所以pdf是下载不下来的（会出现小叹号报错，我这里是配置好了），接下来进行同步功能配置，但也要确保你电脑端已经配置好了webDAV同步功能,若未配置好，可参考这篇博文先将电脑端的同步功能配置好。注意：这里的密码不是网盘登录密码，而是应用密码，是下图这个，可能还要重新生成，重新生成后电脑端的也需要更改，如果报错，可以稍等一会儿，因为刚更新密码还需要一点时间。注意：我也试着安装了第二个，但到这一步就不知道怎么用了，所以后面就没再试了。
2024-11-25 10:30:47
6748
4
原创 怎么在google play上保存APK安装包
在APK下载器网站上，粘贴刚才复制的Google Play商店应用URL，然后搜索，选择相应的软件生成下载链接。在搜索栏中输入想要下载的应用名称（如zotero），找到该应用。点击生成的下载链接，将APK文件保存到电脑或设备上。这里以下载zotero为例。
2024-11-25 10:30:33
3600
原创 Python（三）——对于反斜杆（\）使用了原始字符串 r““仍会报错
在 Python 中，建议使用作为路径分隔符，尤其是跨平台开发时。但如果非要使用原始字符串 r""去搭配使用反斜杆（\）也可以。但有可能出错，其中一种情况是：路径以 \结尾且直接使用原始字符串 (r开头的字符串)，这里可能会有人将错误归咎于引号，但其实无论是还是都会报错。错误的根本原因是：Python 解释器会认为最后的\" 或 \'是对双引号的转义，但实际字符串已经结束，这会导致语法错误。
2024-11-25 09:47:58
690
原创 Python（二）——设置文件路径：反斜杠 \ 、双反斜杠 \\和正斜杠 /的区别
注意：在文件路径中直接写反斜杠，可能引发误解或错误（如。仅在需要表示换行、制表符、引号等特殊字符时使用，或者。不适合直接用于路径，需额外处理，代码可读性较差。跨平台路径分隔符，Windows 同样支持。简洁易读，兼容性强，是路径操作的最佳选择。Windows 路径（传统写法）。跨平台路径或任何文件路径操作场景。必须手动写两次反斜杠，容易出错。表示真正的反斜杠，避免被转义。或双反斜杠，否则会引发问题。转义符，用于表示特殊字符。路径中的反斜杠必须结合。会被解释为换行符）。
2024-11-25 09:45:56
3436
原创 Python（一）——双引号 (“) 和 单引号 (‘) 的区别
在 Python 中，双引号 (") 和 单引号 (') 在功能上是等效的，用来定义字符串时没有区别。可以根据个人习惯、代码风格或实际需求选择任意一种，但在某些特定场景下，它们的选择可能会影响代码的可读性或减少转义字符的使用。
2024-11-25 09:41:48
1531
原创 针对曲率中的局部抖动进行平滑
在计算曲率的过程中，采用平滑函数确实能够有效降低数据的抖动现象。然而，若对整个数据集实施平滑处理，则可能会引发数据失真的问题。为了最大程度地减少抖动并尽可能确保曲率计算的准确性，我们应当仅针对曲率中的局部抖动进行平滑处理，而非对整个数据集进行平滑。为此，可以考虑采用“自适应平滑”或“局部平滑”的方法，以精准地应对高频噪声点，从而实现更为精确和平滑的曲率计算。
2024-11-08 15:11:34
358
1
原创 Prescan——Lane Marker Sensor
车道标记传感器提供有关道路上车道线的信息。该信息作为车道线与相对于传感器的扫描线之间的交点提供。
2024-11-06 15:37:05
984
原创 MATLAB 将fig格式另存为可编辑的eps格式，但乱码问题解决
fig格式图像正常，但通过手动导出后的eps格式图像导入到AI中会乱码，如下图所示。
2024-11-06 10:36:48
617
原创 时间序列预测（十八）——实现配置管理和扩展命令行参数解析器
通过上述步骤，可以灵活地使用命令行参数来控制程序的行为，无需修改代码。只需在运行时指定需要的参数，程序就会根据这些参数执行相应的功能。这样可以方便地调整配置和选择操作，适应不同的需求。
2024-11-04 20:14:57
925
原创 时间序列预测（十七）——滑动窗口的使用
滑动窗口是一种常用的技术，它通过使用固定大小的窗口来创建训练样本，以便捕捉时间序列中的模式。适用于多种时间序列模型，包括 LSTM、GRU 和其他类型的递归神经网络（RNN），因为这些模型能够处理输入的时间依赖性。注意：在使用滑动窗口生成训练样本之前，通常需要对数据进行标准化或归一化，以提高模型的收敛速度和预测准确性。输出预测结果时也要反归一化。
2024-11-04 20:14:21
7189
原创 时间序列预测（十四）——计算图追踪
计算图追踪是深度学习模型训练中的核心部分，通过自动微分和动态计算图的特性，极大地提高了模型构建和训练的灵活性和效率。
2024-10-31 15:20:30
628
原创 时间序列预测（十六）——Python项目框架总结
│├── project/ # 主要的项目代码目录（包含源代码）│ ├── __init__.py # 表示这是一个包的标识│ ├── data_processing.py # 数据处理模块（预处理、特征提取等）│ ├── model.py # LSTM模型定义和构建│ ├── train.py # 训练脚本│ ├── evaluate.py # 模型评估脚本│ └── predict.py # 预测脚本│├── data/ # 数据文件目录。
2024-10-30 13:07:45
891
2
原创 时间序列预测（十五）——有关Python项目框架的实例（LSTM预测股票价格）分析
定义一个名为Net的类，包含了LSTM（长短期记忆）层和全连接层。这个模型通过LSTM层处理时间序列数据，捕获数据中的长期依赖关系，然后通过全连接层将LSTM的输出（形状是 [batch_size, sequence_length, hidden_size]）映射到期望的输出大小（形状是[batch_size, hidden_size]）。# 定义模型类'''定义包含LSTM和全连接层的PyTorch模型，用于时间序列预测。'''
2024-10-28 17:26:23
2022
原创 时间序列预测（十二）——训练模式、评估模式和预测模式的区别
训练模式：在训练模式下，模型通过不断学习训练数据集中的样本和标签来更新其权重和参数。这一阶段的目的是使模型能够准确地拟合训练数据，并尽可能提高其在未见过的数据上的泛化能力。评估模式：在评估模式下，模型使用已经训练好的权重和参数来进行预测，并评估其性能。这一阶段的目的是测试模型在未见过的数据上的表现，以验证其泛化能力和准确性。预测模式（推断模式）：在预测模式下，模型使用已经训练好的权重和参数，对新的、未见过的数据进行预测或分类。这一阶段的目的是利用模型的实际应用价值，对新的输入数据产生有意义的输出。
2024-10-28 17:22:59
666
原创 时间序列预测（十三）——增量训练（Incremental Learning）
首先，需要定义一个适合时间序列预测的模型，如 LSTM，和训练函数。# 定义简单的LSTM时间序列模型# 通用的训练函数# 保存模型该函数第一次训练模型，保存权重，并且初始只能调用一次。# 初次训练函数# 数据准备# 定义损失和优化器# 初次训练该函数加载预训练的模型权重（如果可用），并从最后保存的状态继续训练，非常适合使用新数据更新模型或继续训练。# 增量训练函数# 尝试加载已有模型try:# 数据准备# 定义损失和优化器# 增量训练。
2024-10-28 17:05:42
1286
原创 时间序列预测（九）——门控循环单元网络（GRU）
GRU是LSTM的简化版本，减少了门的数量，使得训练和推理速度更快。它在许多序列建模任务中表现良好，适用于时间序列预测、自然语言处理等领域。
2024-10-22 15:57:34
3199
2
原创 时间序列预测（十）——长短期记忆网络（LSTM）
长短期记忆网络（LSTM, Long Short-Term Memory）是一种专门设计用来解决时间序列数据的循环神经网络（RNN）。LSTM的主要优势是能够，适用于处理长期记忆（长期依赖）的问题，同时在训练过程中避免了传统RNN常见的问题。在时间序列预测中，LSTM网络非常适合处理具有长期相关性的输入数据，例如气温变化、股票价格、驾驶员行为数据等。LSTM可以通过记忆单元和门控机制来决定哪些信息需要“记住”，哪些需要“遗忘”。
2024-10-22 15:31:53
3807
原创 Visio 2021——连接线使用（两条线交叉点有凸起）
当两条连接线在Visio中交叉时，为了避免线条混淆，Visio会自动在交叉点处创建凸起的拱形效果，使得每条连接线都能清晰地显示出来。在“设计——连接线——显示跨线”处打勾，按道理这样就可以实现上诉功能。1、点击“插入——连接线”，鼠标箭头就会有一个“小十字瞄准”，放到目标对象上会有绿框，说明可以连接。3、在“设计——连接线——显示跨线”处打勾，并在这里选择“直线”或“直角”（好像默认是“曲线”）2、进行连接，点击对象1，不松开鼠标，会托出一根线，再点击另一个对象2，这时就链接成功，假设要连接下面几个图形。
2024-10-21 18:50:48
4509
原创 时间序列预测（六）——循环神经网络（RNN）
前面有提到前馈神经网络，下图是两者的区别对比循环神经网络（Recurrent Neural Network，RNN）是一种专门用于处理序列数据的神经网络结构，它能够处理时间序列数据，并预测未来的数据变化趋势。RNN能够处理序列中的时间依赖性，因而非常适合时间序列预测。
2024-10-18 14:54:28
4746
9
原创 Visio 2021箭头自动连接设置
在Visio中画连接线时，Visio总是自动连接箭头与图形的固定节点，很多时候确实很方便，但当想做微量调整的时候，却调不了，这时候需要关闭自动连接功能。2、点开【视图】-【视觉帮助】的右下角小箭头，可弹出与上图一样的设置对话框，去掉相应勾选即可。1、快捷键方式：alt+F9，可直接打开设置对话框，去掉相应勾选即可。以下是Visio 2021的设置。
2024-10-18 10:41:41
1378
原创 Matlab中计算道路曲率的几种方法
方法优点缺点适用情况三点公式法计算简单、快速，适用于局部曲率计算对曲线变化大时，结果可能不准确样本间隔均匀的路径数据时间参数化法适用于不规则路径，灵活性强，适合处理带有时间序列的数据需考虑时间参数化的适用性，计算较复杂实际行驶轨迹或时间序列数据多项式拟合法适合光滑且噪声较低的数据，提供全局特征高阶多项式易导致过拟合，计算复杂平滑且连续的数据弧长参数化法适合任意路径，考虑了曲线的整体形状， 能较好地处理复杂曲线计算相对复杂，需保证数据的平滑性。
2024-10-17 13:56:11
1269
原创 Matlab报错——错误使用 vertcat
在 MATLAB 中，有时，强制转换为列向量，从而保证。函数的输出可能是行向量，而。应该是一个列向量才能与。
2024-10-17 12:35:09
820
原创 时间序列预测（八）——正则化+过拟合、欠拟合、
虽然严格来说不属于正则化项，但标准化或归一化数据可以减少模型过拟合的可能性，帮助模型更稳定地收敛。例如，在图像分类中可以通过旋转、翻转、缩放等操作生成新的图像样本，从而减少模型的过拟合风险。为了展示过拟合和正则化的效果，用 15 阶多项式拟合数据并对比无正则化与正则化模型的结果。L1 正则化（也叫 Lasso 正则化）会在损失函数中增加一个与权重绝对值成正比的惩罚项，使得模型倾向于让某些权重变为零，从而实现特征选择的效果。，使得模型更简单且泛化能力更强，避免在训练集上表现很好而在测试集上表现不佳的情况。
2024-10-16 16:58:00
1596
原创 时间序列预测（七）——梯度消失（Vanishing Gradient）与梯度爆炸（Exploding Gradient）
1、梯度消失（Vanishing Gradient）：指的是在反向传播时，随着层数增加，梯度逐渐衰减到接近零的现象。梯度消失的主要问题在于模型的前几层权重几乎无法得到有效更新，使得训练过程收敛非常缓慢，尤其在处理长序列或深层网络时表现得尤为明显。2、梯度爆炸：指在反向传播时，随着层数增加，梯度成指数级增长的现象。这种现象会导致权重值迅速变得非常大，从而影响模型稳定性，甚至出现数值溢出，使得网络无法收敛。
2024-10-16 15:37:32
808
原创 时间序列预测（五）——优化器（Optimizer）、学习率
在讲解之前，有一个概念：学习率！lr）是深度学习模型训练中至关重要的超参数，在使用优化器（如 SGD、Adam 等）时，学习率决定了模型在每次迭代中参数的调整幅度。较大的学习率可以加速收敛，但可能会导致模型错过全局最优点甚至发散；较小的学习率则收敛较慢，但能更精细地逼近全局最优点。合适的学习率能够让模型在合理的时间内达到最优性能。
2024-10-15 11:17:18
1325
原创 时间序列预测（四）——损失函数（Lossfunction）
在 BCE 的基础上直接对模型输出进行 Sigmoid 操作，适合未经 Sigmoid 的原始输出（logits）。适用场景：二分类任务，适合直接使用模型的输出值（未经过 Sigmoid 激活的 logits）。优点：将 Sigmoid 和 BCE 结合在一个函数中，计算更稳定，避免了数值精度问题。缺点：仅适用于二分类任务。
2024-10-15 11:15:54
1737
原创 时间序列预测（二）——前馈神经网络（Feedforward Neural Network, FNN）
前馈神经网络（Feedforward Neural Networks）是最基础的神经网络类型，信号单向流动，从输入层到隐藏层再到输出层，没有反馈循环，它适用于非时间序列的预测问题。在时间序列预测中，前馈神经网络（FNN） 虽然没有时间依赖性，但可以通过适当的数据预处理来实现时间序列预测的功能。
2024-10-14 17:26:39
1749
2
原创 时间序列预测（三）——激活函数（Activation Function）
我也正处于学习的过程，可能会有错，如果有问题，欢迎在评论区留言讨论，一起学习！
2024-10-14 17:25:58
649
原创 时间序列预测（一）——线性回归（linear regression）
在介绍之前，有几个概念：假如要根据一个包含道路曲率（Curvature）、车速（Velocity）、侧向加速度（Ay）和方向盘转角（Steering_Angle）真实的数据集去预测未来的方向盘转角。（1）数据集（data set）： 一般来说，一个完整的数据集应该包括训练集、测试集和验证集。通常，数据集会被划分为训练集和测试集，比如将数据集的70%用作训练集，30%用作测试集。在进行训练时，可以使用交叉验证的方法将训练集再次划分为训练子集和验证子集，用于模型的训练和验证。
2024-10-12 19:17:44
2452
3
时间序列预测（一）-线性回归（linear regression）数据集
2024-10-30
C++设计学生成绩管理系统
2024-09-08
人工智能技术选修课 课程报告及作业
2024-09-08
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人