xml121-优快云博客

原创成龙历险记夜光符咒和可自转支架的设计与制作(solidworks)

想要建模文件的朋友，请点赞、关注我并在评论区留言，我看到之后会第一时间私发给你╰(●’◡’●)╮ ╰(●’◡’●)╮ ╰(●’◡’●)╮

2024-09-07 00:59:55 523

原创 solidworks学习笔记4 第4章：曲面模块

拉伸曲面与拉伸凸台的不同：拉伸凸台必须要是闭合的图形，而拉伸曲面可以拉伸一条线。通过在平面上添加曲线和添加点，来创造出自己想要的形状。与填充曲面类似，但是要求曲线是闭合的且在同一平面。使不在同一平面的封闭曲线之间形成面。将多条连续的曲线组合为一条曲线。先选分割工具，后选要分割的面。将实体的一个面延伸到曲面。先选要替换的面，后选曲面。输入点的坐标，生成曲线。先选曲面，再选参考线。先选轮廓，后选路径。将多个曲面变为实体。

2024-08-27 20:41:34 2340

原创 Datawhale AI 夏令营 siRNA药物药效预测 task03

【代码】Datawhale AI 夏令营 siRNA药物药效预测 task03。

2024-08-03 20:33:08 226

原创 solidworks学习笔记3 第三章：特征模块

剪切螺纹线一般用在圆柱上，拉伸螺纹线一般用在孔上。可根据已有基准面、边、点、草图，建立新的基准面。圆柱，圆台等自带基准轴，点击观阅临时轴即可显示。依次选择原点和三个坐标轴方向。得到多个实体之间相交的部分。注意要复制的是实体还是特征。要扫描的轮廓必须是闭环的。平面上打孔不要用3D草图。包括扫描和放样的功能。近端面和远端面的配合。

2024-07-31 10:48:20 1135

原创 solidworks学习笔记2 第二章：草图编辑+草图复制

（2）：几何约束：按住CTRL，依次点击两条线，添加关系。绘制草图要从原点开始。黑线为已约束，蓝色为未约束。一般使用强劲剪裁，包括下面四个功能。交叉曲线命令可以找出曲面的交线。非常实用，可以选择面或边。

2024-07-30 14:09:01 580

原创 Datawhale AI 夏令营 siRNA药物药效预测 task02

使用 GridSearchCV 进行网格搜索，以找到最优的超参数组合。参数网格包括 max_depth, learning_rate, num_leaves, n_estimators。使用5折交叉验证，并输出每次的得分。对指定的列进行 One-Hot 编码，并为每个新生成的列添加特定前缀。这样做是为了将分类特征转化为模型可以处理的数值形式。

2024-07-29 15:55:52 297

原创 Datawhale AI 夏令营 siRNA药物药效预测 task01

RNA干扰（RNAi）是生物细胞内天然存在的一种基因表达调控机制，可抵御外来核酸的入侵和控制基因表达。相比于传统小分子药物，siRNA具有可成药靶点多、药效强、安全性好、成本低的优势，其研发是全球范围内极具发展潜力的前沿医药领域之一。siRNA的化学修饰对siRNA在体内的稳定性、毒性、药代动力学特性至关重要，是siRNA研发中的重要影响因素，本赛题聚焦经过化学修饰的siRNA序列数据预测其对相应的信使RNA（mRNA）沉默效率指标，对指导siRNA药物设计具有重要指向性作用。

2024-07-25 17:32:36 500

原创 solidworks学习笔记1 第一章：草图绘制

周边圆：如图所示，已有三个圆（或直线），想画一个与这三个圆（直线）均相切的圆时，可用周边圆，依次点击这三个圆（直线），画出圆。视图定向：点击图中所示图标，或使用快捷键：空格。点击草图绘制，选择基准面，即可进入草图模式。移动：按住ctrl和鼠标滚轮。中点线：以所选点为中点的直线。中心线：又称构造线，点划线。放大缩小：滚动鼠标滚轮。

2024-07-23 10:24:32 1260

原创 Datawhale AI 夏令营电力需求预测赛 task03

早停和学习率调度：使用了 EarlyStopping 和 ReduceLROnPlateau 回调函数来调整训练过程，防止过拟合和动态调整学习率。这张图片提供了一系列关于时间序列预测中构建关键特征的要点，包括强相关性特征、趋势性特征、周期性特征和异常点特征。与基础代码相比，我的代码做了一些改进，包括数据预处理、模型架构、训练过程以及预测结果的处理等。我的模型架构更复杂，使用了更多的 LSTM 层和 Dropout 层，以减少过拟合。训练轮数和验证集：设置了 100 个 epoch 和 20% 的验证集。

2024-07-19 16:57:39 766

原创 Datawhale AI 夏令营电力需求预测赛 task02

时间序列预测是一个不断发展的领域，随着技术的进步，我们可以期待更多的优化方法和模型的出现。深度学习模型，特别是LSTM和其变体，已经在许多时间序列预测任务中显示出了优越的性能。更复杂的模型结构：如引入注意力机制的LSTM模型，以更好地捕捉时间序列中的长期依赖关系。多模态数据融合：结合时间序列数据和其他类型的数据，如文本或图像，以提供更全面的分析。模型解释性：提高模型的可解释性，以便更好地理解预测结果。自动化特征工程：开发自动化的特征工程工具，以减少手动特征提取的工作量。

2024-07-16 21:32:47 678

原创 Datawhale AI 夏令营电力需求预测赛 task01

电力需求的准确预测对于电网的稳定运行、能源的有效管理以及可再生能源的整合至关重要。然而，电力需求受到多种因素的影响，为了提高电力需求预测的准确性和可靠性，推动智能电网和可持续能源系统的发展，本场以“电力需求预测”为赛题的数据算法挑战赛。赛题数据由训练集和测试集组成，为了保证比赛的公平性，将每日日期进行脱敏，用1-N进行标识，即1为数据集最近一天，其中1-10为测试集数据。给定多个房屋对应电力消耗历史N天的相关序列数据等信息，预测房屋对应电力的消耗。下载生成的submit.csv文件并在官网提交，查看分数。

2024-07-13 20:10:02 373