2020-03-10

原创 于 2020-03-10 18:26:45 发布 · 99 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。

文科生45岁学编程，只为兴趣，给自己加油!!!
93年上中专前沒碰过电脑，第一次学basic语言始终听不懂，为什么：x=x+1?..现在重新拾起！！！！

eclipse-java-2020-03-R-win32-x86-64
03-01
标题 "eclipse-java-2020-03-R-win32-x86-64" 暗示我们正在讨论的是一个适用于Windows操作系统（64位）的Eclipse IDE版本，具体为2020-03发布版。Eclipse是一款开源的集成开发环境（Integrated Development ...
Eclipse JavaEE 2020-03最新版 eclipse-jee-2020-03-R-incubation-win32-x86_64.zip
04-15
这个版本，"eclipse-jee-2020-03-R-incubation-win32-x86_64.zip"，是针对Windows 32位和64位系统的，包含了Eclipse IDE的最新功能和改进。 1. **Eclipse IDE**: Eclipse是一个开放源代码的软件开发平台，它不仅...
精选资源
vlmcsd-1113-2020-03-28-Hotbird64(最新版本KMS)
11-26
vlmcsd-1113-2020-03-28-Hotbird64(最新版本KMS) Linux X64 CPU 程序路径 binaries/Linux/intel/static/vlmcsd-x64-musl-static 配置为服务启动 vim /etc/systemd/system/vlmcsd.service [Unit] Description=KMS ...
vlmcsd-1113-2020-03-28-Hotbird64.7z
04-30
2020-03-28 (1113) .kmd file format changed to version 2.0 (version 1.x files cannot be used any more) host builds are now configurable in the .kmd file Bugfix: vlmcs did not use the configured CSVLKs ...
eclipse_java_2020-03安装包.7z
03-30
"eclipse_java_2020-03安装包.7z" 和 "eclipse-java-2020-03-R-win32-x86_64-Windows安装包.zip" 都是Eclipse针对Java开发者的2020年3月版本的安装文件，适用于Windows 64位操作系统。这两个文件可能包含了不同的...
基于Java+SpringBoot+Vue的家具网上商城系统设计与实现源码及文档
最新发布
12-21
本项目旨在构建一个基于Web的家具在线销售平台，该系统致力于实现家具商品的高效数字化管理与用户交互。平台核心功能涵盖：主页展示、个人中心、用户账户管理、家具分类维护、商品信息管理、订单处理及系统配置等模块。管理员通过预设凭证登录后，可全面管理平台的各项业务与数据。 技术实现采用Spring Boot与Node.js作为后端支撑，结合Vue.js前端框架及Element UI组件库，数据库选用MySQL，项目管理依赖Maven。开发环境推荐使用IntelliJ IDEA，同时兼容Eclipse。系统遵循浏览器/服务器（B/S）架构模式，确保跨平台访问的便捷性。 部署时需配置数据库连接参数，相关设置在项目资源文件中指定。初始化数据库可执行提供的SQL脚本。应用启动后，管理员可通过特定路径访问后台管理界面，普通用户则通过前端入口浏览与购买商品。具体技术细节与操作流程可参考附带的文档资料。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
推荐系统基于Java+Vue的联邦学习隐私保护模型设计：分布式协同推荐架构与安全通信实现 项目介绍 基于java+vue的联邦学习的隐私保护推荐系统设计与实现（含模型描述及部分示例代码）
12-21
内容概要：本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构，使用户数据在本地完成模型训练，仅上传加密后的模型参数或梯度，通过中心服务器进行联邦平均聚合，从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计，包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块，并结合差分隐私与同态加密等技术强化安全性。同时，系统通过Vue前端实现用户行为采集与个性化推荐展示，Java后端支撑高并发服务与日志处理，形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例，如特征提取、模型聚合、加密上传等，增强了项目的可实施性与工程参考价值。 适合人群：具备一定Java和Vue开发基础，熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术，从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标：①学习联邦学习在推荐系统中的工程落地方法；②掌握隐私保护机制（如加密传输、差分隐私）与模型聚合技术的集成；③构建高安全、可扩展的分布式推荐系统原型；④实现前后端协同的个性化推荐闭环系统。 阅读建议：建议结合代码示例深入理解联邦学习流程，重点关注本地训练与全局聚合的协同逻辑，同时可基于项目架构进行算法替换与功能扩展，适用于科研验证与工业级系统原型开发。
基于spring boot的水果商城网站的设计与实现开题报告.docx
12-21
基于spring boot的水果商城网站的设计与实现开题报告
遗传算法的原理及其在实践中的应用（PDF格式）
12-21
源码来自：https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向（最优解）进化，进化过程中，会自动选择优良基因，淘汰劣等基因。 遗传算法（英语：genetic algorithm (GA) ）是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为： 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解，放弃其他候选解 对保留的候选解进行某些操作，生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值，选出 前 parent_number 个 个体作为 待选 parent 种群（适应度函数的值越小越好） 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体，进行交叉，产生 2 个子代。 （交叉概率） 对子代（parent + 生成的 child）的染色体进行变异。 （变异概率） 重复3,4,5步骤，直到新种群（parentnumber + childnumber）的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率：两个个体进行交配的概率。 例如，交配概率为0.8，则80%的“夫妻”会生育后代。 变异概率：所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值，其中每个变量的取值区间都是 [-1, ...
第4讲：RGB-LED 传感器实验.mp4
12-21
Arduino智能硬件开发实战项目
基于MATLAB的频谱图与Bode图绘制方法及实现
12-21
在实验数据处理过程中，频谱图的生成通常涉及多种分析方法。其中，自相关函数法通过计算信号时间序列的自相关特性来估计功率谱密度。另一种常用方法是自回归模型法，该方法基于信号的前期观测值构建线性预测模型，进而推导出频谱分布。这两种技术均被广泛应用于从实验数据中提取频域特征，以实现对信号能量在不同频率上分布状况的可视化呈现。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
RBF神经网络训练：MATLAB实现与源码解析
12-21
【达摩老生系列作品，品质经过严格验证与实测调校】 资源标题：基于径向基函数神经网络的训练实现（MATLAB完整源代码包） 资源类别：MATLAB完整项目工程文件 内容说明： 本资源包含一套经过完整测试与调试的MATLAB源代码，能够确保在标准环境中顺利运行。若在使用过程中遇到执行问题，可提供运行指导或适配调整方案。 适用对象：适用于机器学习及神经网络领域的初学者，以及具备一定编程经验的开发人员。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
windbg安装包及使用教程
12-21
源码来自：https://pan.quark.cn/s/324a3a64328b awesome-windbg-extensions extensions wdbgark - WinDBG Anti-RootKit Extension https://sww-it.ru MEX - Mex External - MEX Debugging Extension for WinDbg can help you simplify common debugger tasks, and provides powerful text filtering capabilities to the debugger. http://www.cnblogs.com/tianqing/p/9369693.html SwishDbgExt - Incident Response & Digital Forensics Debugging Extension https://www.comae.com DBGkit - DbgKit is the first GUI extension for Debugging Tools for Windows (WinDbg, KD, CDB, NTSD). download Patterns Debugger Extension DLL - Patterns Debugger Extension DLL. download poolinfo - kernel pool windbg extension findpg - Windbg extension to find PatchGuard pages windbg-extensions - ...
基于KNN的手写识别系统设计开题报告.doc
12-21
基于KNN的手写识别系统设计开题报告
Winform TextBox实现了垂直居中功能
12-21
已经博主授权,源码转载自 https://pan.quark.cn/s/a4b39357ea24 ================================== <<<<<<<<<<< IMPORTANT >>>>>>>>>>>> ================================== LiveCharts is now multipatform (at least the design). So this package contains nothing but the core of the library, you might also need to install the desired platform. For example if using wpf you must also install the wpf package. ----------------------------------- Install-Package LiveCharts.Wpf ----------------------------------- For future updates, you will only need to update LiveCharts.Wpf (or any other platform) forget about the core, all the platforms packages will have a dependency to core. ----------------------------------- Update-Package LiveCharts.Wpf -----------------------...
目标检测：基于VOC与YOLO格式的公路落石数据集（282张图像，632个标注框）
12-21
该数据集采用Pascal VOC与YOLO两种标注格式并存的结构。其中包含282张JPEG格式图像，每张图像均配有对应的VOC格式XML标注文件及YOLO格式TXT标注文件，三类文件数量一致均为282份。数据集中仅定义单一标注类别"stone"，该类别共标记632个边界框，全部标注框数合计为632个。标注工作通过labelImg工具完成。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
基于Java Web 的血液募捐网站的设计与实现开题报告.doc
12-21
基于Java Web 的血液募捐网站的设计与实现开题报告
【嵌入式系统】基于ARM开发板的Linux驱动与应用开发实战：系统移植与调试优化综合训练
12-21
内容概要：本文介绍了嵌入式Linux系列实战项目系统化学习的完整路径，涵盖从硬件平台认知、系统移植、驱动开发到应用层开发与调试优化的全流程。通过基于ARM架构开发板的真实项目实践，学习者可掌握嵌入式Linux系统的构建与部署，深入理解硬件与操作系统之间的交互机制，实现从理论学习到工程落地的能力跃迁。重点内容包括交叉编译环境搭建、内核裁剪与烧写、设备树配置、外设驱动编写及资源受限环境下的应用开发。; 适合人群：具备一定Linux基础和C语言能力，希望进入嵌入式开发领域的初学者或工作1-3年的工程师。; 使用场景及目标：①掌握嵌入式Linux系统从零搭建的完整流程；②理解驱动与内核的交互机制并能独立开发常用外设驱动；③具备在真实硬件平台上进行系统调试与性能优化的能力；④为从事物联网、智能设备等嵌入式产品开发奠定实战基础。; 阅读建议：建议结合具体开发板（如ARM Cortex-A系列）边学边练，重视动手实践与问题排查，注重各模块间的关联性，逐步构建完整的嵌入式系统知识体系。
WPD：基于MATLAB的小波包分解（WPD）算法的完整实现
12-21
小波包分解（Wavelet Packet Decomposition）是对小波分析的推广和深化，它通过同时分解信号的低频和高频部分，提供了比传统小波分解更精细的频带划分能力。这种方法能根据信号特征自适应地选择最佳基函数，克服了小波分析在高频段频率分辨率较差的局限，在机械故障诊断、生物医学信号分析、图像处理等需要精细时频局部化分析的领域具有广泛应用价值。
dekad_start window_start window_end ... mean std SPI 0 2020-01-21 2019-12-23 2020-01-31 ... NaN NaN NaN 1 2020-02-01 2020-01-03 2020-02-10 ... NaN NaN NaN 2 2020-02-11 2020-01-13 2020-02-20 ... NaN NaN NaN 3 2020-02-21 2020-01-23 2020-02-29 ... NaN NaN NaN 4 2020-03-01 2020-02-01 2020-03-10 ... NaN NaN NaN .. ... ... ... ... ... ... ... 136 2023-11-01 2023-10-03 2023-11-10 ... 103.801567 109.699404 -0.210590 137 2023-11-11 2023-10-13 2023-11-20 ... 104.145778 109.390817 -0.243583 138 2023-11-21 2023-10-23 2023-11-30 ... 104.025441 108.997062 -0.402079 139 2023-12-01 2023-11-02 2023-12-10 ... 103.858540 108.616178 -0.519799 140 2023-12-11 2023-11-12 2023-12-20 ... 103.526449 108.298913 -0.850668 为什么代码输出的时间尺度还是不对
08-19
你遇到的问题是： > **SPI 输出的时间尺度不对，比如 `window_start` 和 `window_end` 的时间跨度看起来不是30天。** 我们来看你的输出示例： ``` dekad_start window_start window_end 2020-01-21 2019-12-23 2020-01-31 ``` 这里 `window_start = 2019-12-23`, `window_end = 2020-01-31`，这显然不是一个30天的窗口，而是一个月的跨度，说明你的 **SPI窗口定义逻辑出现了问题**。 --- ## ❗问题定位：窗口定义错误 你在代码中这样定义窗口： ```python window_end = dekad_start window_start = dekad_start - pd.Timedelta(days=29) ``` 但你在筛选窗口数据时却用了： ```python window_data = df[(df['date'] > window_start) & (df['date'] <= dekad_end)] ``` ### ✅ 正确逻辑应是： ```python window_data = df[(df['date'] >= window_start) & (df['date'] <= window_end)] ``` 因为你定义了： ```python window_end = dekad_start window_start = dekad_start - pd.Timedelta(days=29) ``` 所以窗口应该是： ``` [dekad_start - 29天, dekad_start] ``` 但是你用了 `dekad_end` 作为窗口结束时间，而 `dekad_end` 是 **每旬的结束时间（10日、20日、月底）**，这会导致窗口被错误地扩展到整旬结束日，而不是当前旬的开始日。 --- ## ✅ 正确代码应为： ```python window_end = dekad_start window_start = dekad_start - pd.Timedelta(days=29) window_data = df[(df['date'] >= window_start) & (df['date'] <= window_end)] ``` 而不是： ```python window_data = df[(df['date'] > window_start) & (df['date'] <= dekad_end)] ``` --- ## 🧪 示例说明 以 `dekad_start = 2020-01-21` 为例： ```python window_start = 2020-01-21 - 29天 = 2019-12-23 window_end = 2020-01-21 ``` 正确的窗口是： ``` [2019-12-23, 2020-01-21] # 共30天 ``` 如果你用了 `dekad_end = 2020-01-31`，那么窗口变成了： ``` [2019-12-23, 2020-01-31] # 39天，错误 ``` --- ## ✅ 修改建议（修复窗口筛选逻辑） 将： ```python window_data = df[(df['date'] > window_start) & (df['date'] <= dekad_end)] ``` 改为： ```python window_data = df[(df['date'] >= window_start) & (df['date'] <= window_end)] ``` 同时确保 `window_end = dekad_start` 是正确的。 --- ## ✅ 建议添加调试打印语句 你可以在循环中加入调试信息，帮助你检查窗口是否正确： ```python print(f"dekad_start: {dekad_start}, window_start: {window_start}, window_end: {window_end}") ``` 输出示例： ``` dekad_start: 2020-01-21 00:00:00, window_start: 2019-12-23 00:00:00, window_end: 2020-01-21 00:00:00 ``` 确保 `window_start` 到 `window_end` 确实是30天。 --- ## ✅ 总结 | 问题 | 原因 | 修复方法 | |------|------|-----------| | 时间窗口跨度错误 | 使用了 `dekad_end` 而非 `window_end` | 改为使用 `window_start` 到 `window_end` | | 数据边界错误 | 使用了 `>` 而非 `>=` | 改为 `>= window_start` | | 窗口天数不对 | 没有检查窗口是否正好30天 | 添加调试输出 | --- ##
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