CLISP 实现记录:6. 循环

本文探讨了Common Lisp中LOOP宏的使用细节,包括混合终止测试条件的问题、循环变量在FINALLY子句中的行为以及向后兼容性的注意事项。同时,还介绍了DOLIST和DOTIMES宏如何简化循环变量的管理和赋值。

Chapter 6. 循环 [chap-6]

6.1. LOOP 机制 [sec_6-1]

原文见:https://clisp.sourceforge.io/impnotes/loop.html

6.1.1. 混合的终止测试条件 [sec_6-1-4]

这里不允许不同的默认返回值导致的混合终止测试条件,因为这个表达式

(loop repeat 1 thereis nil never nil)

没有指定应该返回 T (来自 NEVER 的默认返回值) 还是NIL (来自 THEREIS 的默认返回值).

6.1.2. 结束时的循环变量

这个标准中已经明确指出循环的变量会一直存在于 FINALLY 分句, 但是没有指出这些变量会有什么值. 所以依赖于这些变量的代码, 比如说,

(loop for x on y finally (return x))

固然不可移植于多个 Common Lisp 实现, 应该避免.

6.1.3. 向后兼容

[CLtL2] 和 [ANSI CL standard] 之间, 在 LOOP 的语法上有一些靠近, 比如说, 以下结构在以前是合法的但是在以后是不合法的:

(loop initially for i from 1 to 5 do (print i) finally return i)

CUSTOM:*LOOP-ANSI*NIL, 这样的结构是一直被 CLISP 所接受的但是在宏展开时会引出一个警告. 当 CUSTOM:*LOOP-ANSI* 不是 NIL, 会发出一个 ERROR .

 

6.2. Miscellaneous

原文见:https://clisp.sourceforge.io/impnotes/iter-misc.html

DOLISTDOTIMES 为循环变量建立一个单个的绑定并且在每次循环时对其赋值.

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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
 条评论被折叠 查看
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