- 博客(1012)
- 资源 (401)
- 收藏
- 关注
RSS订阅原创 算法领域中，没有免费的午餐是指的什么？
没有免费的午餐”定理的核心结论是：脱离具体问题讨论算法的“好坏”是没有意义的。算法的优越性总是与它所应用的问题领域紧密相关。这指导我们在研究和实践中，要更加关注问题本身的性质，并采用实证的方法来寻找针对该特定问题的最有效解决方案。所以，下次当你听到有人说“XX算法是世界上最好的算法”时，你就可以用“没有免费的午餐”定理来优雅地回应他了。
2025-11-18 15:51:41
516
原创 自动控制原理的指标都有什么？
摘要：自动控制系统的性能指标分为时域、频域和综合三类。时域指标包括动态性能（上升时间、超调量等）和稳态性能（稳态误差）；频域指标涵盖开环（截止频率、相位裕度）和闭环（谐振峰值、带宽）特性；综合指标如ITAE用于优化设计。这些指标相互关联，共同反映系统的快速性、稳定性和精度，是系统分析和设计的重要依据。二阶系统中各指标存在明确的数学关系，高阶系统则主要依靠经验关联。
2025-11-18 09:14:41
709
原创 【电路】为什么会有无功功率？
无功功率的存在，根本上是由于交流电路中存在着需要周期性储存和释放能量的电场元件（电容器）和磁场元件（电感器）。它是“建立场”的代价：要让电动机转起来、变压器变电压，就必须先付出能量来建立磁场，这个能量就是无功功率。它是“能量的振荡”：它不代表能量的消耗，而是代表能量在电源和负载之间高速、可逆的交换。它是“必要的负担”：虽然没有它就不能做功，但它占用了电网的输送容量，并导致能量在输电线路上产生额外的损耗。
2025-11-06 16:42:50
1071
原创 【笔记】穿透数据的迷雾：时间序列分解方法终极指南
《时间序列分解方法终极指南》摘要 时间序列分解是分析数据趋势、季节性和残差的关键技术。本文系统介绍了五大类方法：1）基于滤波与平滑的方法（如移动平均、STL分解）；2）基于模型的方法（如X-13-ARIMA-SEATS）；3）信号处理方法（傅里叶分解、小波分析）；4）自适应方法（EMD、VMD）；5）集成预测模型（Prophet）。指南指出STL是通用首选方法，X-13适合高精度经济数据，EMD/VMD处理非线性信号，Prophet适用于自动化预测。选择方法需考虑数据特征，通过分解可提升预测精度、发现潜在规
2025-10-31 17:32:37
780
原创 【笔记】拆解复杂信号的“神器”：本征模态函数（IMF）完全解读
本文介绍了本征模态函数(IMF)的基本概念及其应用。IMF是通过经验模态分解(EMD)方法从复杂信号中提取出的内在振荡模式，能够将非平稳信号分解为一系列单一频率分量。每个IMF需满足极值点与过零点数量相近、局部对称性两个条件。文章详细说明了EMD的"筛分"流程，并阐述了IMF在Hilbert-Huang变换中的核心作用，可用于分析信号的瞬时频率和振幅。IMF广泛应用于机械故障诊断、生物医学信号处理、地震分析、金融数据等多个领域，为处理非平稳信号提供了有效工具。
2025-10-31 17:15:00
919
原创 【总结】机器学习回归预测问题误差评价指标完全指南
全面总结回归预测中的各种评价指标，涵盖传统指标、稳健指标、比例指标、分位数指标等，为模型评估提供完整参考框架。便于不同量级数据比较，但当真实值为零或接近零时不稳定。解决了MAPE在真实值接近零时的问题，但仍有偏差。相对于朴素预测的改进程度，小于1表示优于基准模型。对异常值敏感，L2范数损失，具有良好的数学性质。结合了MSE的数学优点和MAE的量纲可解释性。适用于指数增长数据，对低估的惩罚大于高估。对异常值不敏感，稳健性强，L1范数损失。惩罚特征数量增加，防止过拟合。负数：比均值预测还差。
2025-10-31 14:58:42
703
原创 【笔记】【RNN 中的 LSTM 单元简介】
来自当前输入 X（t） 和隐藏状态 h（t-1） 的信息通过 sigmoid 函数传递。当使用反向传播算法训练模型时，会出现梯度消失（信息淡化）的问题，模型很难在其内存中存储较长的时间步长。此隐藏状态用于预测。为了调节网络，tanh 运算符将创建一个向量 （C~（t） ），其所有可能值都在 -1 和 1 之间。我建议更改超参数的值或使用不同的优化器集（如 Adam、SDG 等）编译模型，以查看图表中的变化。首先，将当前状态 X（t） 和先前隐藏的状态 h（t-1） 传递到第二个 sigmoid 函数中。
2025-10-31 13:50:04
604
原创 【笔记】【Python】Windows系统更改Conda镜像源完整教程：加速Python科学计算环境
通过本教程，你已经掌握了在Windows系统上配置Conda镜像源的多种方法：✅方法一（命令行）：最快捷，适合大多数用户✅方法二（手动编辑）：最灵活，可以精细控制✅方法三（特定通道）：针对特定需求强烈推荐使用方法一配置清华源，这是最简单有效的方案。现在就去配置你的Conda镜像源，享受飞一般的环境搭建速度！🚀温馨提示：配置完成后，记得与你的团队成员分享这个提速秘籍，让大家都能高效工作！
2025-10-31 10:14:30
950
原创 【笔记】【Python】Windows系统更改pip镜像源完整教程：告别龟速下载，体验飞一般安装速度
本文详细介绍了在Windows系统中更改pip镜像源的三种方法，可显著提升Python包下载速度。教程包含临时使用镜像源、永久配置（命令行快速配置和手动创建配置文件）以及在PyCharm中设置的具体步骤，并提供清华、阿里云等国内主流镜像源地址。文章还针对常见问题如配置文件不生效、SSL证书错误等提供解决方案，并对比配置前后的下载速度差异（如TensorFlow安装从2-3小时缩短至2-3分钟），帮助开发者彻底解决pip安装缓慢问题。
2025-10-31 10:03:14
1485
原创 【Pytbon】【报错信息】【Pycharm】No matching distribution found for tensorflow-docs
pip 找不到与你当前 Python 版本兼容的。你当前使用的 Python 版本可能低于 3.9。都需要 Python 3.9 或更高版本。选择最适合你环境的解决方案来解决问题。这个错误信息表明在安装。
2025-10-31 09:29:36
858
原创 【笔记】【Pycharm中如何安装jupyter？】
本文介绍了在PyCharm中使用Jupyter Notebook的三种主要方法：1)通过PyCharm内置功能安装Jupyter包；2)使用终端命令安装；3)直接创建Jupyter Notebook文件。详细说明了配置本地/远程Jupyter服务器、常用设置调整以及常见问题的解决方案。同时还提供了安装验证方法和使用技巧，包括快捷键操作、Markdown支持和变量查看功能，帮助用户高效地在PyCharm环境中使用Jupyter Notebook进行开发工作。
2025-10-30 17:17:19
857
原创 【性能指标】：平均百分比误差（Mean Percentage Error, MPE）的解释
平均百分比误差（MPE）是一个有价值的诊断工具，主要用于检测预测模型中存在的系统性偏差。在实践中，它通常与MAPERMSE等衡量准确度的指标一起使用，以全面评估一个预测模型的性能。
2025-10-30 15:48:57
842
原创 【性能指标】：平均绝对百分比误差 (Mean Absolute Percentage Error，MAPE) 的解释
MAPE是预测准确性的评估指标，衡量预测值与实际观测值之间的平均绝对偏差百分比。该指标以相对误差形式表达预测精度，使不同量级数据的预测性能具有可比性。
2025-10-30 15:22:25
945
原创 【时间序列分解】集合经验模态分解与自适应噪声 (CEEMDAN)
本文介绍了基于Python的CEEMDAN（自适应噪声完备集合经验模态分解）方法实现。该方法通过添加自适应白噪声解决传统EMD的模态混叠问题，能有效分离频率相近的模态分量。文章详细阐述了CEEMDAN的核心概念、工作流程和优势，并提供了完整的Python实现代码，包括信号生成、分解、重构及误差分析等功能。代码实现了五种可视化分析：IMF分解图、频谱分析图、重构分析图、Hilbert时频谱图和能量分布图。通过对比EMD和CEEMDAN的分解效果，展示了CEEMDAN在机械故障诊断、生物医学信号处理等领域的优势
2025-10-30 15:10:45
823
原创 【时间序列分解】经验小波变换 (Empirical Wavelet Transform, EWT)
摘要：经验小波变换(EWT)是一种自适应信号分解方法，通过分析信号频谱特性自动构造小波滤波器组。本文介绍了EWT的核心概念、Python实现及应用，主要包括：1）自适应频谱分割和滤波器构造；2）完整Python实现代码，支持信号分解与重构；3）可视化分析功能，包括时域波形、频谱和瞬时频率图；4）新增信号重构对比及误差分析模块，计算最大误差、RMSE和MAE等指标。该方法适用于机械故障诊断、生物医学信号处理等领域，相比传统方法具有更好的自适应性和分解精度。所有分析结果均自动保存为图片文件，便于后续研究使用。
2025-10-30 14:41:35
718
原创 【笔记】【校稿操作】
因此，请将文中引用的章节编号调整为符合该风格的格式。请务必确保您已明确列出所有并非源自您文章本身的材料（例如，文本摘录、插图、照片、图表、地图、图形、表格、其他视觉材料等）。请将您文章中这些材料的复制所需的所有许可副本转发给我们，以便我们留存以供您的文章使用。若要让您的合著者添加其已验证的 ORCID 标识，请点击“邀请合著者”，并通过自动发送的验证链接邀请他们通过验证链接来验证其 ORCID 标识。请注意，此校样是您在文章发表前进行最后审阅的唯一机会，所以请现在就将您所有的修改意见都提交上来。
2025-10-30 13:07:07
574
原创 【性能指标】：R²的解释
R²（R-squared，决定系数）是评估回归模型拟合优度的核心指标，表示模型能够解释的目标变量方差的比例。SS_resy_pred)² （残差平方和）SS_toty_mean)² （总平方和）y_mean：目标变量的平均值R²是一个重要但需要谨慎使用的指标。它提供了模型解释力的标准化度量，但必须结合其他指标和业务背景来全面评估模型性能。理解R²的局限性，特别是它对变量数量的敏感性和在模型比较中的限制，对于正确使用这一指标至关重要。
2025-10-29 15:07:02
710
原创 【性能指标】：【均方根误差】RMSE的解释
RMSE（Root Mean Square Error，均方根误差）是评估预测模型准确性的重要指标，它衡量的是预测值与真实值之间的偏差程度。y_true：真实值y_pred：预测值n：样本数量Σ：求和符号√：平方根符号RMSE是一个功能强大且广泛应用的性能指标，特别适合需要数学优化和对大误差敏感的场景。虽然它对异常值敏感且依赖于正态分布假设，但其优良的数学性质和明确的统计意义使其成为回归分析中的重要工具。在实际应用中，建议将RMSE与其他指标结合使用，并充分考虑具体业务背景来做出全面评估。
2025-10-29 15:00:35
900
原创 【性能指标】：【平均绝对误差】MAE的解释
摘要：MAE（平均绝对误差）是评估预测模型性能的核心指标，计算公式为预测值与真实值绝对差异的平均值。其优势在于直观性强、对异常值稳健且具有线性特性，但存在不可微分和忽略误差方向的局限。MAE特别适用于含异常值或需直观解释的场景，不适合梯度优化需求。评估时需结合数据标准差或基准模型，其数值直接反映预测偏差程度。虽然MAE对严重错误惩罚不足且受量纲影响，但其物理意义明确，在金融、销售等领域的预测评估中具有重要实用价值。选择指标时应根据具体业务需求权衡其适用性。
2025-10-29 14:54:12
891
原创 【时间序列分解】【EMD分解】
注意：这里使用的库是EMD-signal，其导入是from PyEMD import EMD, EEMD等。由于EMD分解可能产生多个IMF，我们将分别绘制每个IMF，并绘制重构信号与原始信号的对比。注意：EMD-signal库的导入方式是from PyEMD import EMD。同时，我们也会生成测试信号，并绘制相关的图，保存数据和图片。我们将创建一个目录来保存所有结果，目录名带有时间戳。注意：确保使用中文的图表标签，因此需要设置中文字体。原始信号和各IMF分量的时域图。保存分解后的数据到CSV文件。
2025-10-29 14:44:19
871
原创 【时间序列分解】【VMD分解】
注意：由于VMD分解对参数敏感，我们还需要设置其他参数，如alpha（带宽约束）、tau（噪声容忍度）等，这里使用默认值或常见值。然后，我们将生成一个示例信号（例如，由多个频率成分组成的信号），进行VMD分解，并绘制原始信号、各模态分量以及频谱图。我们使用VMD（Variational Mode Decomposition）分解信号，并绘制相关的图。我们假设信号是实信号，因此使用VMD的默认配置（DC模式为0，即不含直流分量）。注意：VMD分解需要指定模态数K，我们需要根据信号特点选择合适的K。
2025-10-29 14:08:06
295
原创 【笔记】【PID控制】
目录代码运行过程运行图：总结：主要特性：使用示例：运行要求：我们将编写一个简单的PID控制器，并模拟其控制过程。我们将控制一个简单的系统，例如一个一阶惯性系统。假设系统传递函数为：G(s) = 1/(s+1)，我们使用离散化的方法进行模拟。我们将使用位置式PID控制器，公式为：u(k) = Kp * e(k) + Ki * ∑e(j) + Kd * (e(k)-e(k-1))其中，e(k)为当前误差，∑e(j)为累计误差。步骤：设定目标值（设定点）初始化系统状态（当前值）定义PID参数（Kp, Ki,
2025-10-29 13:48:41
694
原创 【笔记】【TCN和CNN的区别】
特征维度CNN (卷积神经网络)TCN (时序卷积网络)主要应用图像识别、计算机视觉时间序列预测、语音处理、自然语言处理数据假设空间局部性（无方向）时间顺序性（严格的因果性）卷积特性非因果卷积，可看到“四周”信息因果卷积，只能看到“过去”信息关键技术池化、常规卷积膨胀因果卷积、残差连接感受野通过堆叠层数线性/多项式增长通过膨胀系数指数级增长，易于捕获长程依赖输入输出空间尺寸常会变化（如缩小）严格保持输入与输出序列长度一致一个简单的比喻CNN像一个摄影师。
2025-10-29 11:48:43
822
原创 【机器学习】Epoch在机器学习中的意思？详细解释
Epoch（时期/周期）是机器学习中的重要概念，指模型完整遍历一次训练集的过程。它与Batch（批次）和Iteration（迭代）密切相关：1个Epoch包含(总样本数/BatchSize)次Iterations。采用多个Epoch的原因包括：梯度下降是渐进过程、小批量训练存在噪声、需要平衡欠拟合与过拟合。典型训练流程中，Epoch是外层循环，内层循环遍历所有Batches进行参数更新。实际应用中需监控损失曲线，适时停止训练以避免过拟合。
2025-10-29 10:01:23
668
原创 【笔记】如何保存一个python项目中各包的版本号？
本文介绍了Python项目依赖管理的5种方法：1. requirements.txt（最常用）通过pip freeze生成精确版本；2. environment.yml（Conda推荐）导出完整环境配置；3. pyproject.toml（现代方式）适合库开发；4. setup.py（传统方式）；5. pip-tools工具链管理依赖。文章还提供了项目结构示例、最佳实践（如分离开发/生产依赖）和完整设置流程，建议根据项目类型选择合适方法：简单项目用requirements.txt，数据科学用environm
2025-10-28 11:04:48
680
原创 【笔记】【conda安装和pip安装的区别？】
pip install d2l # d2l通常用pip安装pip install d2l # d2l通常用pip安装。
2025-10-28 10:38:56
1283
原创 【笔记】如何修改一个conda环境的python版本？
import d2l;- python=3.9 # 修改这里的版本。：确保所有必需的包都与新 Python 版本兼容。# 2. 创建新环境并指定 Python 版本。# 2. 更新 conda 和包（推荐先更新）# 4. 安装需要的包（可以复制旧环境的包）# 4. 安装 pip 包（如 d2l）# 3. 安装指定版本的 Python。# 或者从旧环境克隆包列表（可选）# 步骤 7：重命名新环境（可选）# 查看可用的 Python 版本。# 1. 备份当前环境（重要！# 3. 安装 conda 包。
2025-10-28 10:23:28
1200
原创 【conda安装】【pip安装】
print(f"Torchvision 版本: {torchvision.__version__}")print(f"PyTorch 版本: {torch.__version__}")print(f"训练集大小: {len(train_dataset)}")print(f"d2l 版本: {d2l.__version__}")print("\n测试 Fashion-MNIST 数据加载...")print(f"Python 版本: {sys.version}")# 测试 d2l 数据加载器。
2025-10-28 10:05:54
423
原创 【数据集】【图像分类数据集】【Fashion-MNIST 】
是一个包含 10 类时尚物品的灰度图像数据集。它由 Zalando 的研究部门创建并开源，旨在为机器学习提供一个更现代化、更具挑战性的数据集，以取代过于简单且被过度使用的原始 MNIST 手写数字数据集。核心目标： 直接替代 MNIST，成为新的“Hello World”数据集，用于验证计算机视觉和机器学习算法。数据格式： 它与原始 MNIST完全兼容。这意味着任何能够运行 MNIST 的代码，无需任何修改就可以直接在 Fashion-MNIST 上运行。图像大小： 28x28 像素颜色通道。
2025-10-28 09:41:24
853
原创 【MNIST database 】【 MNIST 数据库】
TheModifieddatabasevarioussystems.MNIST 数据库Modified数据库）是一个大型手写数字，常用于各种系统。该数据库还广泛用于领域的训练和测试。它是通过“重新混合”NIST 原始数据集中的样本而创建的。创建者认为，由于 NIST 的训练数据集取自美国员工，而测试数据集取自生，因此不太适合机器学习实验。此外，来自 NIST 的黑白图像被以适合 28x28 像素边界框并处理，从而引入了灰度级别。
2025-10-28 09:30:52
442
原创 【总结】【时间序列预测都在哪些领域进行研究】
尽管应用领域千差万别，但时间序列预测研究都围绕着一些共同的核心挑战趋势、季节性与周期性: 如何准确捕捉和分解这些成分。序列相关性: 如何处理长期和短期的依赖关系。外部变量: 如何有效地将促销、天气、节假日等外部因素纳入模型。不确定性量化: 不仅要给出点预测，更要给出预测区间（概率预测）。数据质量: 如何处理缺失值、异常值和噪声。可扩展性与实时性: 如何应对海量、高维的流式数据。目前，研究的主流已经从传统的统计模型（如ARIMA、ETS）转向了更复杂的机器学习模型，尤其是深度学习模型。
2025-10-27 15:07:49
628
原创 【文献检索】【校外访问IEEE期刊库】
https://ieeexplore.ieee.org/abstract/document/10675394
2025-10-27 14:35:05
162
原创 【文献检索】【校外访问ScienceDirect】
https://www.sciencedirect.com/science/article/abs/pii/S0048969725005364
2025-10-27 14:15:31
183
原创 【指标】误差评价指标
与真实值之间绝对误差的百分比的平均值，通过相对比例的方式反映出预测值与实测值的偏离情况。MAPE 值越小，说明模型对输入数据的拟合程度越高、预测。（1）均方根误差(Root Mean Square Error, RMSE)，计算预测值与实测值之间。（2）平均绝对误差(Mean Absolute Error, MAE)，计算预测值与真实值之间绝。插值平方和的平方根，直接反映了预测值与实测值之间的偏差程度。对误差的平均值，反映了预测结果与实测结果之间的平均偏差大小，进一步体现。说明预测值与实测值更贴近。
2025-10-27 10:26:36
169
安全深度强化学习SRL课件（300页）Security reinforcement learning materials
2024-11-06
约束马尔可夫决策过程：随机建模（250页）
2024-11-06
强化学习算法RL代码大全（目前主流的强化学习算法的代码）
2024-11-06
【用于流量预测的时间图卷积网络】用于流量预测的时间图卷积网络
2024-08-23
深度强化学习DRL-pytorch框架-代码大全
2024-08-23
三种多目标优化算法pythonNSGA2 MOPSO MODE
2024-03-26
pythonMOPSO多目标粒子群优化算法 多目标优化算法
2024-03-26
matlab【多目标优化算法】MOMPA附代码
2024-03-23
matlab【2024年最新多目标优化算法】【多目标指数分布优化器】MOEDO【附代码和论文】
2024-03-23
matlab【改进的多种群遗传算法】IMOMPGA【车间调度问题】
2024-03-23
matlab【动态多目标优化】【分时差异化票价动态多目标优化】
2024-03-23
matlab【多目标优化算法】【多目标灰狼优化算法】MOGWO
2024-03-23
matlab【2024年最新多目标优化算法】【多目标RIME算法】MORIME
2024-03-23
matlab【最新多目标优化算法】【多目标马群优化算法】MOHOA
2024-03-23
Visio 2013图形设计从新手到高手 (郭新房 孙岩 等) (Zrteze65dfy32)
2025-07-08
Visio 2013图形设计 标准教程 (清华电脑学堂) (彩色)(杨继萍 夏丽华 等) (Zrteze65dfy32)
2025-07-08
VISIO 2016图形设计 从新手到高手 (吕咏，葛春雷编著) (Zrteze65dfy32)
2025-07-08
高等数学习题全解指南(下册第7版) (同济大学数学系) (Zadsba78axby32)
2025-07-08
高等数学习题全解指南同济第7版.上册 (同济大学数学系) (Zadsba78axby32)
2025-07-08
电子技术基础 数字部分 第六版 (康华光, 华中科技大学. 电子技术课程组) (Zrteze65dfy32)
2025-07-08
电子技术基础模拟部分第六版学习辅导与习题解答 (陈大钦, 华中科技大学. 电子技术课程组) (Zavxgy56ahbxg32)
2025-07-08
电子技术基础 模拟部分 第5版 (Pdg2Pic, 康华光主编；陈大钦，张林副主编；华中科技大学电子技术课程组编) (Zaxvyax65abxuxbu32)
2025-07-08
电子技术基础 数字部分 数字部分（第五版） (康华光、华中科技大学电子技术课程组) (Zagxvgxy653stvx32)
2025-07-08
MATLAB工程与科学绘图 (周博，薛世峰编著, 周博, 薛世峰编著, 周博, 薛世峰) (Zgasvg68atv32)
2025-07-08
MATLAB Simulink系统仿真 (李献、骆志伟、于晋臣) (Zuagxy78xha32)
2025-07-08
电路课后题答案解析(邱关源第5版) (林老师电路课堂) (Zasvybuxv28sa32)
2025-07-08
线性代数附册学习辅导与习题全解（同济第六版） (同济大学数学系) (Z6ftycty8cr932)
2025-07-08
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人