- 博客(1307)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 Java滤波去除异常峰值方法（二）
MAD方法：对非正态分布数据更鲁棒，适合数据分布未知的情况连续计数方法：适合已知异常值最大连续长度的情况EWMA方法：适合时间序列数据，对缓慢变化的异常更敏感变化率方法：适合检测数据中突然的连续跳跃
2025-08-01 18:31:33
213
原创 Java实现滤波算法（均值、中值、高、低）
移动平均滤波：简单易实现，适用于平滑随机噪声中值滤波：对脉冲噪声(突发性大幅值干扰)有很好的效果低通滤波：适合去除高频噪声，保留信号趋势高通滤波：适合去除低频干扰，保留信号细节卡尔曼滤波：适合处理带有高斯噪声的动态系统，计算量相对较大
2025-07-31 16:20:12
340
原创 启动gunicorn提示Failed to find attribute ‘application‘ in
哎呀一个命令写错，找了一段时间，小问题往往让人头疼啊
2025-07-09 12:21:02
541
原创 numpy数组的复数和时间的操作
本文展示了如何使用NumPy处理复数和日期类型数组。首先，通过创建一个包含复数的3x3数组，展示了如何获取数组的维度、元素类型、维数、元素数量、字节数等信息，并提取复数的实部和虚部。接着，演示了数组的转置和扁平化操作，以及将数组转换为列表的方法。在日期处理部分，通过将字符串数组转换为日期类型，计算了数组中两个日期之间的天数差。这些操作展示了NumPy在处理复杂数据类型和日期计算中的强大功能。
2025-05-20 12:35:04
224
原创 numpy数组的拆分和组合
本文介绍了使用NumPy库进行数组的拆分和组合操作。首先，通过vstack和hstack函数分别实现了数组的垂直和水平方向组合，并使用vsplit和hsplit进行相应的拆分。接着，展示了如何处理长度不等的数组，通过pad函数填充数组使其长度一致，再进行组合。此外，还介绍了使用concatenate函数和split函数在多维数组中进行组合和拆分，并指定axis参数来控制操作方向。最后，通过row_stack和column_stack函数实现了数组的行和列组合。这些操作在数据处理和科学计算中非常实用。
2025-05-18 18:49:21
221
原创 numpy的创建、维度、类型
本文介绍了NumPy库中的维度操作和数组创建方法。首先，通过reshape和ravel函数展示了如何改变数组的维度，并指出reshape操作会共享数据，而flatten则不会。接着，介绍了shape和resize函数用于就地改变数组维度。文章还演示了数组切片操作，如翻转数组。在数组创建部分，展示了如何通过np.array、np.arange、np.zeros和np.ones创建数组，并讨论了数组的维度、类型和大小。最后，通过复合型数组的创建和操作，展示了如何定义和提取结构化数据。
2025-05-18 18:16:48
149
原创 word2Vec与GloVe的区别
GloVe需预计算整个语料的共现矩阵Word2Vec直接流式处理原始文本GloVe在低频词和全局关系上表现更好Word2Vec更擅长捕捉局部上下文模式GloVe官方提供多种规格（6B/42B/840B tokens）Word2Vec常用Google News预训练模型。
2025-04-28 17:48:55
820
原创 matlibplot之subplots
sublopts的不规则构图demo。高级用法，共享坐标轴demo。示例2：创建2x2子图网格。示例1：创建单个子图。教学演示中的对比分析。
2025-04-11 15:09:21
312
原创 matlibplot的交互式demo
subplot(m,n,p)将当前图窗划分为 mxn。p：当前子图的位置（按行优先顺序编号）分割figure，创建子坐标系。阻塞式绘图的demo。
2025-04-10 18:46:29
225
原创 python的内置方法getitem和len
说明：如果要遍历列一个类里面列表元素，这类需要实现getitem方法，通过下标返回去列表元素。如果要通过下标的长度遍历这个列表，需要实现len（）这个内置方法。pytorch里面自定义的DataSet类：需要实现getitem和len()方法。
2025-03-28 16:49:48
213
原创 transformer稀疏注意力机制的发展
存在一个问题训练的时候每个字都要训练，每增加一个token，算力需求是平方的往上翻的，输入10000个token，苏姚计算10000*10000=1亿次的注意力分数。2017年谷歌发表史诗级的论文Attention is All you need提出Transformer，一种全新的神经网络。2022年斯坦福大学的团队推出了Flash Attention，与其研究看的范围，不如研究看的方式。做了特别的硬件优化，充分利用GPU的张量和内存访问，NSA在处理长序列时实现了显著的加速效果。2、固定模式全局关注。
2025-03-05 15:57:54
477
原创 pytorch的安装
清华大学：https://pypi.tuna.tsinghua.edu.cn/simple/中科大：https://pypi.mirrors.ustc.edu.cn/simple/阿里云：https://mirrors.aliyun.com/pypi/simple/然后安装对应的pytorch、tochvision、torchaudo版本，然后安装对应的pytorch、tochvision、torchaudo版本，豆瓣：https://pypi.douban.com/simple/关于torch的安装。
2025-03-05 13:56:39
477
原创 二重积分基本使用总结
对于本题，写y的取值范围，需要分段，因为从左往后的箭头会在不同的y范围内，得到不同的取值范围，所以y需要分段写，在不同的y取值范围内，有不同的x表示形式。即1/2≤y≤1,1/y≤x≤2;在表示横坐标x的取值范围1≤x≤2之后，平面区域内y的取值为1/x≤y≤x。极坐标系：θ表示逆时针旋转的角度，r表示点B到原点之间的距离。直角坐标系：∫∫F(x,y)dσ或者∫∫F(x,y)dxdy。极坐标系：∫dθ∫F(rcosθ,rsinθ)另外，表示平面区域D，也可以用Y型，所谓Y型即。
2024-08-16 12:18:08
2316
原创 示波法电子血压原理
其中，As为收缩压对应的脉搏波幅度，Am为平均压所对应的脉搏波的幅度，Ad为舒张压对应的脉搏波幅度，As／Am为收缩压Pd的归一化值，Ad／Am为舒张压Ps的归一化值，Pc为袖带压力，横坐标代表放气过程中袖带内压力的不断减小。波形特征法基本原理是利用脉搏波包络线的拐点测量血压，上升时拐点对应的静压力为收缩压，下降时拐点对应的静压力为舒张压。收缩压判据的确定：在充气过程中脉搏波幅度包络线的上升段，当某一个脉搏波的幅度Ui与最大幅度Um之比Ui／Um=Ks时，就认为此时对应的气袖压力为收缩压。
2024-08-15 18:55:47
3203
原创 linux打包流程
因为linux有俩个python版本，我们需要切换到python3这个版本，默认是python 2.7。显示出python的版本了，然后查看pip的配置，我们打包里面需要的第三方需要放到pip里面。都安装好之后，我们将需要打包的文件放到一个文件夹下。说明已经ok了，这样拷贝出来，直接可以引用了。加入没有numpy，那么需要安装numpy的库。成功之后，我们就可以去查看我们的exe文件了。查看是否安装了pyinstaller。再次执行：python -V。切换到python3。
2024-05-10 19:18:45
594
1
原创 Java编程EMD
一个带求包络的信号x(t)，进行Hilbert变换的好 HHT(x(t)), 合成一个信号 x(t) + j*HHT( x(t) ), 然后对这个合成的信号取幅值部分 y(t)= Amp( [x(t) + j*HHT( x(t) )] ), 此时y(t)就是得到的上包络，下包络y'(t) = -y(t).1、包络线的获取：确定原始信号的极大值和极小值序列，采用三次样条曲线对极值点进行拟合，形成上下包络线；2、残余信号获取：原始信号x（t），平均信号e（t）做差，得到残余信号；
2024-04-25 19:14:21
410
原创 三种常见的滤波（均值、中值、高斯（权值））
均值滤波、中值滤波、高斯滤波是三种常见的平滑滤波方法，其中均值滤波和高斯滤波是线性技术，中值滤波是非线性技术。它们实现的基本原理是基本一致的，指定一个滑动窗口，计算其中的均值、中值、卷积值输出到当前位置。
2024-04-12 12:08:48
280
原创 EMD关于信号的重建，心率提取
因为最后一个是趋势项，我们将IMF[5]、IMF[6]、IMF[7]进行叠加，这几本接近我们的目标信号。from pyEMD import EMD （报错）执行pip uninstall pyEMD。这是IMFS的分解图9个，从低频一直到高频。
2024-03-30 17:23:04
846
原创 什么是皮尔逊、斯佩尔曼和肯德尔相关性系数
x的第一个值x1对应y的第一个值y1，x的第二个值x2对应的y第二个值y2，以此类推。这个公式表明，如果较大的 x 值倾向于对应较大的 y 值，反之亦然，则 r为正。另一方面，如果较大的 x值大多与较小的 y值相关，反之亦然，则r 为负。假设有两个n元组， x 和y ，其中 (x1,y1),(x2,y2),......， 是作为对应值的观察值对。它是 x 和 y 的协方差与它们的标准差的乘积的比率。换句话说，较大的 x 值对应较大的y 值，反之亦然。r
2024-03-23 17:28:21
539
电影推荐数据集（包含三个部分测试数据以及向量生成）
2024-03-26
android和java实现mqtt消息推送
2018-04-13
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人