武汉龙星计划之论文选题篇

暑假回家之前听导师推荐去武汉听了和文件系统相关的龙形计划,其间老师主要讲了文件系统概念、分布式文件系统以及K-value存储等的内容以及读研期间怎么发表论文等内容。虽然,我不打算读研,也无心于学术,但毕竟是各位老师丰富的经验况且读研期间需要发表一篇小论文才能毕业,为了发表小论文时不至于抓瞎,现将内容总结如下:

写论文角度要好,有想法;之后工作量要大;最后附上大量的测试。这样,工作就比较被认可了。

其中,最主要好的是提出问题。问题不能凭空捏造,并且要有一定难度,主要有两个来源。其一,从实际问题中来;其二,读相关文章,找出想吐问题和机会。

最后再附加一些开题方面的总结:

像做数模比赛一样,开题赶早不赶晚,否则,到最后不能在一方面有深入的研究时,可能会变得很被动。

开题之前最好要在该领域发表过文章或者已经成了小领域的number 1,而不是找热门。可能成为领域的王者是对博士而言的,对于小研来说有点困难,但研究生起码对相应领域有过深入了解才能选定题目,不是一拍脑袋就干。其次,选题要深入一个点做精做细,越小越好,越精越好,这样容易做出开创性发现,而不是浅尝辄止。一旦根据这个小目标做出成果之后,便可以花费精力往大蓝图上吹。这方面要学习我实验室大师兄张昭宁,也是科大第一个进入acm世界总决赛的前辈,他做事就有极强的目标,并且在过程会牢牢把握目标不偏离,在他的指导下做事做项目不会漫无边际。现如今,不会也没有机会没有精力跟着他做事了,但一定要将他那种对目标的专注时刻融入到平时的研究中。

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
评论 1
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