2016.11.28回顾

最新推荐文章于 2022-02-24 22:09:48 发布
原创 最新推荐文章于 2022-02-24 22:09:48 发布 · 187 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

昨天是加入了同盾和算话retro_score，做一些数据处理工作，然后分析与逾期的关系，本来从真理的角度来说，数据量太小，肯定有偏差，应该换个定义来做，过拟合的方式划定的阈值，boss那关也过不到，然后就把所有图做给老板，自己看，自己决策！

另外总结一下生活的问题，昨天去了健身房，这个是有必要的，但是还要注意方法，不要做无用功

第二点就是控制WOW的时间

最重要的一点，感觉很久都没按时睡觉了，一定要按时睡觉，今天12点之前必须上床！


2016年以来AI电网前沿论文最新进展 2018.11.03 方建勇1
08-03
自2016年以来，众多研究学者在AI电网前沿领域展开了一系列深入的研究，并取得了显著进展。本文将对这些研究进展进行回顾，重点分析四篇代表性论文的核心观点和创新之处。 首先，关于无线功率传输技术的研究为智能...
S3C2440移植 u-boot-2016.11
lzhf1122的博客
03-21 637
移植完成后使用以下命令制作补丁文件：make distclean mv u-boot-2016.11 u-boot-2016.11_new tar xjf u-boot-2016.11.tar.bz2 diff -urN u-boot-2016.11 u-boot-2016.11_new > u-boot-2016.11_new.patch patch -p1 < ../u-boot-...
2016.11.21回顾 卡方检验
strwolf的专栏
11-22 1450
昨天更新到了fraud v2（使用mysql），然后用剩下的时间做了一个分析，关于上浮下调对于逾期的影响，逾期按照了领导的定义，上浮下调分成了3组，对于其中应该温习的知识点归纳一下 1、spss对于rc表做卡方检验，可以把excel的数据直接导入到spss中，用表头做列明，然后直接用交叉表中的分析，这种方法应该是最简便的，还有种方法就是自己去统计每一种可能的数量，对于后者要麻烦一点儿，有个个案加
WayToGo@2016.11.17
越努力越幸运
11-17 563
近期要看的： 一.机器学习算法相关 数学之美番外篇：平凡而又神奇的贝叶斯方法 机器学习知识点其中包含了很多算法，慢慢的当做对统计学习方法的回顾总结来看吧。 生成模型与判别模型 从最大似然到EM算法浅解 当时看统计学习方法，觉得理解了许多，但是不应用转眼间又忘了，这篇当做温习，顺便可能可以从另一个角度加深理解。 使用sklearn进行集成学习——理论 ensemble这么常用
2016.10.01
dongguan5448的博客
10-01 121
前一段时间里，系统的学习的多线程，趁着这个假期，一一回顾下 10月和11月，开始学习io。要加快速度了 转载于:https://www.cnblogs.com/Iqiaoxun/p/5926330.html...
centos装pandas 2016.05.06回顾
strwolf的专栏
05-09 2304
这个本来应该周五写的，拖了一个周末，现在对周五的工作总计如下： 1、周五开始看梯度下降法，有一些前置高数的知识，看了一点，本周要继续功克，目标是最后自己实现一遍logistic算法 2、周五还做了一个很重要的事情就是在开发服务器上把trigger服务调通了，记录一下过程，同事已经封装成了相应的类，我只负责调用，需要在centos下安装几个模块， numpy pandas python-L
2016.7.11---- 2017.7.11总结
sowhat
08-02 842
回顾一年工作学习，目前第四阶段欠缺点，工作一年从什么都不会的门外汉到 大概了解个一个项目的整体流程。未来的学习之路还很长。也不知道下一份工作是什么样的性质。 8.18日没去jd 去了一个搞开源机器学习的公司 也不知道自己选择对不对 努力把还是！ ...
Node.js 13岁了，回顾Node历史
小帅的编程笔记
02-24 1167
至今2022年，Node.js已经13岁了。 相比之下，JavaScript已有26年历史，Web拥有33年历史。 13年在技术领域来说并不算很长时间，一个新事物的诞生总是有着原因。 历史 几乎每本技术书籍中都会多多少少的介绍JavaScript的历史。 JavaScript是一个编程语言，由Netscape公司创建，作为脚本工具用于在Netscape Navigator浏览器中操作网页。 Netscape公司的一部分商业模式是销售Web服务器，其中包括一个叫Netscape LiveWire的环境，这个环
javascript 大前端 完全升级之 npm+gulp+systemjs+typescript by 2016.01
cz_jjq的专栏
01-02 8748
个人最近比较侧重基于javascript的大前端，感叹技术发展的日新月异。当前我自己的架构库中已将上文提到的npm+bower+grunt的方式都标记为deprecated。尤其是bower，在使用最新的javascript库时，你就会发现其非常的out了，当前我的构建方案已经全部升级为npm+gulp的方式，bower+grunt只保留极少构建部分过渡使用。
echarts sys.stdout.flush() 2016.05.19回顾
strwolf的专栏
05-20 987
上午主要看了下echarts，决定用php来作服务端语言，也想重新回顾一下php，回顾了一下jquery，AJAX请求，获取数据，返回到前台，用echarts生成图表 然后就是后台缓冲区的问题，python -u这个参数听说是不启动缓冲区，但是我没成功，我觉得是因为python manage.py会多生成一个进程，而子进程没有-u参数，所以失败，后来我综合考虑采用了sys.stdout.flush(
移植u-boot-2016.11到JZ2440（三：修改源码之实现NOR启动与NAND启动）
墨、白的博客
01-28 2834
目录 3. 修改源码之实现从NOR启动与NAND启动    3.1 前言    3.2 实现从NOR启动        3.2.1 修改设置时钟            3.2.1.1 CLKDIVN寄存器            3.2.1.2 总线模式            3.2.1.3 MPLL寄存器            3.2.1.4 修改源码        3.2.2 修改初始化存储...
青岛版四年级（下册）科学（全册）教（学）案2016.doc
10-10
- 第11课《认识光》：介绍光的基本概念和传播方式。 - 第12课《玩镜子》：通过实验观察光的反射现象。 - 第13课《筷子“折”了》：探讨光的折射和视觉错觉。 - 第14课《彩虹的秘密》：解释彩虹形成的原因。 - 第15课...
2016年中考英语小题狂做专题6副词含2015真题回顾.doc
09-12
11. 幸运地："I fell off the bike on my way to school. _______, I wasn’t hurt."，答案是"A. Luckily"，幸运的是没有受伤。 12. 如此...以至于："The Silk Road was _______ long that it passed through many ...
2016年中考英语小题狂做专题2名词含2015真题回顾.doc
09-12
【真题回顾】 1. 【2015 云南】32题考察的是名词的正确选择。选项中的"mistakes"意为"错误"，在写作中犯错误是常见的用法，而其他选项如"trouble"（麻烦）、"matter"（问题）和"problems"（问题）并不符合语境。 2...
飞飞1.9百度影音迅雷资源采集插件的源代码
12-27
代码下载地址： https://pan.quark.cn/s/08303629d63e 这是什么？ 一款由 GO 编写的影视采集器，可以采集支持 MacCMS 的影视站 特色： 简单轻量,部署即开即用 高效,采用 gin 框架 易用,api 接口语义化 现代化,前后端分离 前端 前台源码：Go 后台源码：Go 功能 已实现 全局资源采集 采集间隔自定义 采集分类可控 搜索功能 分类功能 图片资源反向代理，客户端无感知 自定义采集源 前台后台管理页面分离 支持 mysql、sqlite 热点数据缓存(LRU 算法) 日志系统 数据管理(导出导入) 全新的后台管理系统，功能更完善（前后端适配） 待实现(完成) 流量统计 采集逻辑抽象化，方便支持更多类型的采集接口 对外api提供 技术栈 gjson、gorm、gin、vue、naive-ui 后端 api 文档：请查看和两个文件，其中定义了所有api 使用 手动构建 所需环境： Golang >= 1.18 nodejs pnpm make(构建工具) 步骤： 或者 安装 zig nightly Docker-compose 部署（推荐） 下载本仓库的 master 分支的文件，运行以下命令 -- 后台地址:www.example.com/admin/ 默认管理员账户:admin 默认密码:admin888 贡献代码 欢迎 fork 本仓库，该项目是我业余之时制作，欢迎贡献代码!
winlator10.0安装包
最新发布
12-27
winlator的10.0安装包（搬运），见winlator.org或https://github.com/brunodev85/winlator/releases
PAINTER.wav
12-27
PAINTER.wav
胚胎实例分割数据集_20251118_022628.zip
12-27
胚胎实例分割数据集 一、基础信息 • 数据集名称：胚胎实例分割数据集 • 图片数量： 训练集：219张图片 验证集：49张图片 测试集：58张图片 总计：326张图片 • 训练集：219张图片 • 验证集：49张图片 • 测试集：58张图片 • 总计：326张图片 • 分类类别： 胚胎（embryo）：表示生物胚胎结构，适用于发育生物学研究。 • 胚胎（embryo）：表示生物胚胎结构，适用于发育生物学研究。 • 标注格式：YOLO格式，包含实例分割的多边形标注，适用于实例分割任务。 • 数据格式：图片来源于相关研究领域，格式为常见图像格式，细节清晰。 二、适用场景 • 胚胎发育AI分析系统：构建能够自动分割胚胎实例的AI模型，用于生物学研究中的形态变化追踪和量化分析。 • 医学与生物研究：在生殖医学、遗传学等领域，辅助研究人员进行胚胎结构识别、分割和发育阶段评估。 • 学术与创新研究：支持计算机视觉与生物医学的交叉学科研究，推动AI在胚胎学中的应用，助力高水平论文发表。 • 教育与实践培训：用于高校或研究机构的实验教学，帮助学生和从业者掌握实例分割技术及胚胎学知识。 三、数据集优势 • 精准与专业性：实例分割标注由领域专家完成，确保胚胎轮廓的精确性，提升模型训练的可靠性。 • 任务专用性：专注于胚胎实例分割，填补相关领域数据空白，适用于细粒度视觉分析。 • 格式兼容性：采用YOLO标注格式，易于集成到主流深度学习框架中，简化模型开发与部署流程。 • 科学价值突出：为胚胎发育研究、生命科学创新提供关键数据资源，促进AI在生物学中的实际应用。
STM32F103C8T6与MPU6050步数计数程序
12-27
本资源文件包含了一个基于STM32F103C8T6微控制器和MPU6050传感器实现的步数计数程序。该程序通过MPU6050传感器获取行走的步数，并在OLED显示屏上实时显示步数信息。经过实际测试，该程序功能正常，可直接使用。 功能特点 主控芯片：STM32F103C8T6 传感器：MPU6050 显示设备：OLED显示屏 功能：实时获取并显示行走步数 使用说明 硬件连接： 将STM32F103C8T6与MPU6050传感器按照电路图连接。 将OLED显示屏与STM32F103C8T6连接。 软件配置： 下载并解压本资源文件。 使用Keil或其他支持STM32的开发工具打开工程文件。 编译并下载程序到STM32F103C8T6开发板。 运行程序： 程序启动后，MPU6050将开始检测行走步数。 步数信息将实时显示在OLED显示屏上。
rml2016.10a数据集np
04-01
<think>好的，我需要帮助用户找到如何使用NumPy处理rml2016.10a数据集的示例或方法。首先，我得先理解这个数据集的结构。根据用户提供的引用[3]，这个数据集的每个样本是形状为(2, 128)的数组，包含I/Q两路数据，总共有220,000条样本，信噪比从-20dB到18dB，间隔2dB，共有11种调制方式。 用户的问题集中在NumPy的使用上，所以需要展示如何用NumPy进行数据加载、预处理、分割和特征提取。我需要先回顾NumPy处理这类数据的一般步骤，然后结合数据集的特性来具体说明。 首先，数据加载。数据集的原始格式可能是.mat文件，因为引用[3]提到读取数据集，而通常RML数据集是MATLAB格式的。使用NumPy的话，可能需要使用scipy.io.loadmat来加载，但用户可能希望主要用NumPy处理，所以虽然scipy不是NumPy，但加载数据是必要的一步，之后的数据处理可以集中在NumPy操作上。 接下来是数据预处理。可能需要归一化处理，比如对I/Q两路分别进行标准化。这里可以用NumPy的均值和标准差计算，然后进行缩放。例如，使用np.mean和np.std，然后进行减法除法操作。 然后是数据集分割，用户可能需要将数据分为训练集、验证集和测试集。可以用NumPy的索引或者随机排列来实现。比如，使用np.random.permutation来打乱数据，再按比例分割。 特征提取方面，可能需要计算幅度和相位，或者进行傅里叶变换得到频域特征。这可以通过NumPy的数组操作实现，比如np.abs计算幅度，np.arctan2计算相位，或者使用np.fft.fft进行快速傅里叶变换。 在示例代码部分，需要展示这些步骤的具体实现。例如，加载数据后，提取I/Q数据，进行归一化，分割数据集，然后计算幅度和相位。同时，要注意保持代码的简洁和可读性，使用NumPy的函数来提高效率。 另外，引用[2]中提到了使用ResNet处理类似的数据集，可能涉及到将数据转换为适合神经网络的输入形状，比如调整维度，这也可以作为预处理的一部分，用NumPy的reshape或transpose来实现。 需要确保所有步骤都使用NumPy库的功能，避免使用其他库如Pandas，除非必要。同时，引用的部分要正确标注，比如数据集的描述来自引用[3]，而可能的可视化部分可以参考引用[1]中的时间域图绘制，但用户的问题集中在NumPy处理，所以可视化可能不是重点，但可以作为扩展提到。 最后，生成相关问题时要围绕数据处理的其他方面，比如可视化、深度学习结合、数据增强等，帮助用户进一步探索。</think>### 使用NumPy处理rml2016.10a数据集的示例 #### 1. 数据加载与结构解析 根据引用[3]，该数据集包含220,000个形状为$(2,128)$的复数样本，每个样本对应I/Q两路信号。使用NumPy加载数据的核心步骤如下： ```python import numpy as np from scipy.io import loadmat # 用于读取MATLAB格式文件 # 加载数据集 data = loadmat('rml2016.10a.mat') complex_data = data['data'] # 获取复数信号数据 labels = data['labels'] # 获取调制类型标签 snr = data['snr'] # 获取信噪比信息 # 查看数据结构 print("样本形状:", complex_data.shape) # 输出 (220000, 2, 128) print("标签类型:", np.unique(labels)) # 输出11种调制方式[^3] ``` #### 2. 数据预处理 **归一化处理**：对I/Q两路分别进行标准化 ```python # 提取I/Q数据并转换为float32类型 i_data = complex_data[:,0,:].astype(np.float32) q_data = complex_data[:,1,:].astype(np.float32) # 计算均值和标准差 i_mean, i_std = np.mean(i_data), np.std(i_data) q_mean, q_std = np.mean(q_data), np.std(q_data) # 标准化处理 i_normalized = (i_data - i_mean) / i_std q_normalized = (q_data - q_mean) / q_std ``` #### 3. 数据集划分 ```python # 生成随机索引 indices = np.random.permutation(len(complex_data)) # 按7:2:1划分数据集 train_idx = indices[:154000] # 70% val_idx = indices[154000:198000] # 20% test_idx = indices[198000:] # 10% # 创建数据子集 train_data = np.stack([i_normalized[train_idx], q_normalized[train_idx]], axis=1) ``` #### 4. 特征工程 **计算幅度和相位**： ```python # 幅度计算：sqrt(I^2 + Q^2) amplitude = np.sqrt(i_normalized**2 + q_normalized**2) # 相位计算：arctan(Q/I) phase = np.arctan2(q_normalized, i_normalized) ``` **频域转换**（参考引用[1]的时间域图原理）： ```python # 快速傅里叶变换 fft_i = np.fft.fft(i_normalized, axis=1) fft_q = np.fft.fft(q_normalized, axis=1) # 取对数幅度谱 log_spectrum = np.log(np.abs(fft_i) + 1e-8) ``` #### 5. 数据增强示例 **添加高斯噪声**： ```python def add_noise(signal, snr_db): signal_power = np.mean(signal**2) noise_power = signal_power / (10 ** (snr_db / 10)) noise = np.random.normal(0, np.sqrt(noise_power), signal.shape) return signal + noise # 为0dB信噪比添加噪声 noisy_i = add_noise(i_normalized, snr=0) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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