- 博客(152)
- 资源 (1)
- 问答 (1)
- 收藏
- 关注
原创 RapidMiner Studio中执行python代码并绘制频谱图
本文介绍了如何在RapidMiner Studio 10.3中使用Python代码绘制时序信号的频谱图。主要内容包括:首先检查并安装Execute Python扩展算子,配置Python环境;然后构建流程图,通过Read CSV算子导入数据;接着在Execute Python算子中输入代码执行FFT频谱分析,计算频率和振幅;最后查看运行结果。文中详细说明了各步骤的参数设置和代码实现,并提供了示例数据和运行结果展示。该方法利用RapidMiner与Python的结合实现了时序信号频谱分析功能。
2025-06-06 17:43:18
280
原创 图神经网络原理及应用简介
摘要: 图神经网络(GNN)是处理图结构数据的深度学习模型,通过消息传递机制聚合节点及其邻居信息。核心流程包括节点特征初始化、消息生成与聚合(如求和或注意力)、多轮迭代更新及下游任务输出。主流变体包括GCN、GAT、GraphSAGE和GIN,分别基于卷积、注意力、采样或同构理论优化。GNN广泛应用于社交网络、生物信息学、推荐系统等领域,优势在于灵活性和表达能力,但面临计算复杂、过平滑等挑战。未来需提升效率与泛化能力以应对实际需求。
2025-06-03 17:39:31
822
原创 使用LSTM进行时间序列分析
LSTM(长短期记忆网络)是一种专为时间序列数据设计的循环神经网络,通过门控机制(输入门、遗忘门、输出门)和细胞状态有效捕捉长期依赖关系。相比传统方法,LSTM能更好处理时间序列的非线性、噪声和长期模式。典型应用流程包括数据生成(如带噪声的正弦波)、滑动窗口预处理、PyTorch模型构建(含LSTM层和全连接层)、训练及预测可视化。实验显示LSTM能准确预测时间序列趋势。其优势在于长期依赖性建模、鲁棒性强,并可扩展为双向LSTM、堆叠LSTM等变体。LSTM已成为时间序列分析的核心工具之一。
2025-05-28 17:45:47
766
原创 多模态简介
摘要: 多模态方法通过融合时间序列、图像、文本等不同数据源提升任务性能。其优势在于克服单一模态的局限性,增强鲁棒性和预测精度,但需解决特征对齐、跨模态建模等挑战。实现上,需完成数据预处理(时间/空间对齐、清洗)、特征提取(统计、深度学习)、融合策略(早期/中期/晚期融合、注意力机制),并选择合适模型(传统机器学习、深度学习、GNN等)。实验验证多模态性能需对比单模态方法,评估指标包括准确率、F1分数等。核心在于数据对齐、特征融合与模型优化,适用于工业监控、医疗健康等领域。
2025-05-28 17:13:26
1043
原创 PINN是否需要对空间进行网格化
传统数值方法求解PDE需要网格化的原因 传统数值方法(如有限差分、有限元)求解偏微分方程必须进行空间网格化,主要原因包括: 连续问题离散化 - 将无限维连续问题转化为有限维离散问题,便于计算机处理; 局部性假设 - 导数计算依赖邻近网格点关系(如二阶差分公式); 计算可行性 - 网格化后转化为稀疏线性方程组,可通过高效数值方法求解。 PINN方法无需网格化的优势 物理信息神经网络(PINN)通过以下机制避免网格化: 函数逼近 - 神经网络直接参数化解函数,输入空间坐标即可输出解值; 自动微分 - 利用反向传
2025-05-28 15:44:23
1110
原创 np.r_的用法
np.r_ 是 NumPy 中的一个便捷工具,主要用于快速拼接数组或生成序列。它通过索引语法简化了数组操作,特别适用于按行拼接多个数组或生成等差序列。np.r_ 支持多种输入形式,包括数组、切片表达式和标量值,能够灵活地生成一维数组或拼接二维数组。与 np.c_ 不同,np.r_ 按行拼接数组,而 np.c_ 按列拼接。np.r_ 的简洁性和灵活性使其成为处理数组时的得力工具,适用于快速拼接、生成序列以及混合使用多种数据类型。
2025-05-19 17:31:56
432
原创 孤立森林和随机森林主要区别
孤立森林(Isolation Forest)是一种高效的异常检测算法,特别适用于高维数据。其核心思想是通过随机分割数据来快速隔离异常点,利用路径长度判断异常。与随机森林不同,孤立森林是无监督学习,目标为异常检测,分裂方式为随机选择特征和分割点,树的深度较浅,适用于网络安全、金融风控等领域的异常检测任务。孤立森林具有高效性、无需标签和对高维数据友好的优点,但也存在参数敏感性和对局部密度差异敏感的局限性。通过Python的sklearn库可以轻松实现孤立森林模型,并进行异常检测。
2025-05-19 17:29:00
1164
原创 整合 CountVectorizer 和 TfidfVectorizer 绘制词云图
本文分别整合 CountVectorizer 和 TfidfVectorizer 绘制词云图
2025-04-25 17:36:17
1041
原创 langchain之agent系列:zero-shot-react-description agent
langchain之agent系列:zero-shot-react-description agent
2025-04-10 14:55:19
292
原创 langchain、langsmith、langgraph分别是干什么的
langchain、langsmith、langgraph分别是干什么的
2025-04-01 17:26:31
502
原创 Spring中BeanFactoryPostProcessor和BeanPostProcessor的区别
Spring中BeanFactoryPostProcessor和BeanPostProcessor的区别
2025-03-18 09:40:30
716
原创 深度学习图像算法中的网络架构:Backbone、Neck 和 Head 详解
深度学习图像算法中的网络架构:Backbone、Neck 和 Head 详解
2025-01-16 22:48:01
2476
1
经典力学教材:Goldstein, Poole, Safko 第三版的详细解析与应用
2024-12-26
带高度和重量限制的最低水平线搜索算法代码
2022-10-08
手写数字的数据集MNIST
2022-09-28
一维背包问题和二维背包问题根本区别
2022-10-14
sklearn中SpectralClustering怎么获取聚类中心
2022-08-04
TA创建的收藏夹 TA关注的收藏夹
TA关注的人