刷酸记录(迪维维A酸乳膏)20190905

本篇记录了作者使用迪维维A酸乳膏进行刷酸的详细过程及肌肤变化,包括皮肤平滑度提升、干燥及脱皮现象。特别提到9月5日晚上使用后的效果和次日早晨的护肤感受。

前提

刷酸记录(迪维维A酸乳膏) 20190601-2019-09-03
刷酸记录(迪维维A酸乳膏)20190903
刷酸记录(迪维维A酸乳膏)20190904

0905 晚上

  1. 0905 新买服务器,将elk的节点分离开,迁移到别的机器上;手动reroute 没有分配的shards;11点下班
  2. 0906 1:50 维A酸乳膏涂抹全脸关灯睡觉,使用手机大概6分钟(设置闹钟和声音,偷能量)
  3. 窗帘全部拉上;空气加湿器没有开

0906 早上 (中雨)

  1. 8:10 起床
  2. 洁面:旁氏米粹洗一遍;洗脸感觉 脸部皮肤变得平滑;还变软了
  3. 护肤:olay Prox 两滴管 + olay 修复霜一坨;olay修复霜用着感觉好疼;
  4. 明显脸变干,最后又叠加了一点荷荷巴油保湿
  5. 防晒: 没有用防晒霜(总觉得不透气);黑色雨伞
  6. 感觉脸上皮肤好干,10:00 下半部分脸大量脱皮,下巴和鼻子最严重(蜕皮很薄很软)
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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