小狗照亮每一天-CSDN博客

原创【菜狗每日记录】启发式算法、傅里叶变换、AC-DTC、Xmeans—20250909

本文介绍了四种算法：1）启发式算法（如遗传算法、蚁群算法），通过经验规则解决NP难问题；2）FFT快速傅里叶变换，将信号分解为频率成分进行分析；3）AC-DTC层次聚类算法，自动确定最佳聚类数量；4）X-means自适应K-means算法，通过BIC准则动态调整聚类数。这些算法分别应用于优化求解、信号处理、无监督学习等领域，具有自适应、高效等特点。

2025-09-09 10:36:42 932

原创【菜狗每日记录】深度轨迹聚类算法、GRU门控神经网络—20250909

本文提出一种基于序列到序列自动编码器模型的深度轨迹聚类方法DTC。该方法首先将轨迹数据转换为网格序列，利用GRU网络构建Seq2Seq自编码器进行轨迹特征提取；然后联合优化轨迹向量表示和聚类中心，通过双向学习提高聚类质量。相比传统点匹配方法，DTC考虑了轨迹的时空连续性，在真实城市交通数据中展现出更好的聚类效果。关键技术包括：轨迹网格化表示、带空间约束的自编码器预训练、以及表示学习与聚类中心的联合优化机制。

2025-09-09 10:31:26 972

原创【菜狗学聚类】基于 Lyft level-5 的大型汽车跟踪数据集——20250902

研究人类驾驶员在跟随自动驾驶汽车（AV）与人类驾驶车辆（HV）时的不同反应对于混合交通流至关重要。该数据集包含从开放的 Lyft 5 级数据集中提取和增强的两类汽车跟随数据，即 HV-follow-AV （H-A）和 HV-follow-HV （H-H）。6 个 .zarr 轨迹文件夹和 6 个 .csv 制度索引文件的压缩文件（regimes.zip）、2 个 .npz 驱动程序 ID 文件、1 个用于每个时间戳的完整制度的 zip 文件以及一个额外的 readme.md 文件。

2025-09-02 15:12:08 562

原创【菜狗每日记录】提取Lyft-5预测数据的跟驰车辆轨迹数据、终端输出——20250902

如果是 HV (人工驾驶车)，直接从数据集中读取。稳定高/低 → 根据数据分布的分位数（80% 以上算高，20% 以下算低，避免固定数值）在同一时间片对 v/a/T/Δv 的趋势组合成一个多变量动作阶段 Sn′。（跟驰状态），每一列是该状态在这个 case_id 中的持续时间（秒）。（对应到 zarr 数据中的一对 HV-AV/HV-HV）。切换到其他 TTY 终端，可能还能看到之前的会话。，你可以对照来取出该 case 的轨迹序列。，这样既能看到实时输出，又能自动保存到文件。

2025-09-02 15:09:44 730

原创【菜狗学聚类】聚类的一些评估指标——20250901

摘要：本文介绍了四种常用的聚类评估指标：1）调节后的兰德系数（ARI），取值范围[-1,1]，衡量聚类与真实标签的重叠程度；2）标准互信息（NMI），取值范围[0,1]，反映聚类结果与真实标签的信息共享量；3）同质性、完整性和V-measure，分别评估聚类结果的纯度和完整性，V-measure是其调和平均；4）Fowlkes-Mallows分数（FMI），范围[0,1]，是精度和召回的几何平均。所有指标值越大表示聚类效果越好，适用于不同场景的聚类质量评估。

2025-09-01 16:07:14 763

原创【菜狗每日记录】VSCode远程连接多个账号、创建环境

在连接的时候尝试，按住F1，输入connect to host，能够选择已经配置的主机或者新添加。起初认为是免密登录导致新的账号也用了原来的密码，所以在.ssh/config文件里面把账号修改为了另一个账号强制修改密码。但是还是连不上。这说明 VSCode 在尝试通过连接远程xxxxx时被拒绝了，甚至在安装远程 server 的过程中管道也中断了。这里跟账号免密/输密码没关系，本质是。之后在本地cmd试了几次，发现 -p 修改端口号能够连接上。

2025-08-29 10:44:18 426

原创【菜狗学三维重建】TSDF三维重建隐式表达详细解释——20250413

三维重建技术通过二维图像序列构建三维模型，应用于原型设计、虚拟现实、自动驾驶等领域。传统方法依赖激光雷达或多视角图像处理，而NeuralRecon提出端到端神经网络方案，直接输入视频序列输出三维模型。其核心流程包括关键帧选择、片段重建和全局合成，采用TSDF（带符号距离函数）增量式更新三维结构。该方法通过特征投影、片段合并和由粗到细的分层优化策略，避免传统方法中的误差累积问题。代码实现涉及数据处理、模型构建和TSDF计算等模块，使用配置文件管理参数。该技术降低了设备成本，提高了重建效率，为三维建模提供了新思

2025-08-27 21:47:42 933

原创【菜狗每日记录】A*算法、LightGBM、随机森林、XGBoost——20250827

LightGBM = 一个快、轻、省内存的“聪明决策树团队”，特别擅长在大数据下快速找到规律。常用于：风险预测、推荐系统、点击率预估、交通行为建模（比如预测驾驶风格、碰撞风险）等等。

2025-08-27 21:44:10 1180

原创【菜狗学聚类】时序数据聚类算法和相关论文

时间序列数据具有高维性、顺序性和动态性等特点，可分为单变量/多变量、规则/不规则采样等多种类型。传统分析方法包括相似性度量（如DTW、欧氏距离）和聚类算法（K-means、层次聚类等）。论文研究提出改进方法：1）Reservoir Computing将时间序列转换为向量表示；2）结合注意力机制和LSTM的动作模式识别框架。研究表明，针对不同数据类型需采用适配的建模策略，频域特征和深度学习表示能有效提升分析效果。未来可探索自适应阈值、多变量依赖关系等方向优化时序数据分析。

2025-08-18 15:40:44 855

原创【菜狗处理脏数据】对很多个不同时间序列数据的文件聚类—20250722

本文提出了一种基于驾驶行为数据的用户聚类方法。首先将原始数据文件（每个文件代表一个用户）摊平为一行，汇总成CSV文件；然后对列表形式的数据进行展开处理，转换为数值型特征；最后使用KMeans算法进行聚类分析。通过PCA和t-SNE两种降维方法可视化聚类结果，并用轮廓系数评估聚类质量。实验结果显示，该方法能有效区分不同用户的行为模式，但存在未充分考虑时间相关性和特征相关性的局限性。该研究为驾驶行为分析提供了新的技术思路。

2025-07-22 21:16:43 291

原创【菜狗学聚类】时间序列聚类主要方法—20250722

时间序列聚类方法综述：主要方法包括基于模型、特征和形状三类，各具优缺点。关键挑战包括时间序列表示（PAA、APCA、SAX、DFT等降维技术）、距离度量（欧式距离、DTW、MINDIST）、原型选择（中位序列和平均序列）和聚类算法（K-Medoids、K-Means、层次聚类）。PyPOTS工具包为时间序列聚类提供专门支持，能处理缺失数据、支持多种距离度量，并具备自动化和可扩展性优势。该领域仍需解决高维数据处理、计算效率和时间信息保留等核心问题。

2025-07-22 15:00:34 796

原创【菜狗的记录】NuScenes数据集总线数据—20250714

NuScenes数据集是由Motional团队开发的大规模自动驾驶数据集，包含1000个在波士顿和新加坡采集的驾驶场景，涵盖复杂交通状况。数据集提供多传感器数据（6摄像头、1激光雷达、5雷达等）和精确标注，包括1.4M个3D边界框和激光雷达语义分割标签。特别分析了CAN总线数据，包含8种消息类型（如IMU、转向角、车速等），采样频率从2Hz到100Hz不等。通过API可获取并可视化总线数据，如比较车轮速度与车速的差异。数据集还包含车辆行驶路线信息，为自动驾驶研究提供了丰富资源。

2025-07-14 11:46:53 912

原创【菜狗每日记录】推荐系统发展

本文摘要：推荐系统发展经历了从早期提问式到协同过滤、矩阵分解，再到深度学习模型的演进。知识图谱可通过Virtuoso或Neo4j读取ttl文件。双向循环神经网络(BiRNN)结合正向和反向RNN，在NLP等任务中表现优异。Python可通过requests库实现网页问答功能。

2025-07-13 15:33:34 959

原创【菜狗的记录】模糊聚类最大树、图神经网络、大模型量化——20250627

本文整理了2025年6月22日至27日的学习笔记，主要内容包括：模糊聚类最大树算法：介绍模糊关系、模糊矩阵运算及基于最大生成树的聚类方法；图神经网络基础：涵盖GNN定义、任务分类、核心模型以及与网络嵌入的区别；深度互学习技术：探讨模型蒸馏和网络互学习策略；大模型量化技术：针对显存优化提出INT8量化、混合精度训练及多GPU并行方案。笔记从原理到实践应用进行了系统梳理。

2025-06-27 22:12:21 813

原创【菜狗学大模型】知识图谱和图嵌入相关知识—20250610

知识图谱相关知识，图嵌入、词嵌入还有之前看到的CLIP模型简单介绍。

2025-06-10 14:26:15 882

原创【菜狗学大模型】LangChain检索增强生成-构建一个简单的基于文本数据源的问答应用程序—20250609

本文详细介绍了基于LangChain框架构建RAG（检索增强生成）应用的完整流程。主要包括：1) 索引组件的数据加载、分割和存储；2) 检索生成组件的查询处理和回答生成。具体实现步骤包括：从MongoDB加载文档数据，采用多种分割策略处理文本，使用嵌入模型生成向量表示，存储到Milvus向量数据库，最后通过提示模板调用大模型生成回答。文中还提供了代码示例，展示了文档处理、向量检索和问答生成的关键实现细节，以及命令行操作指南。该流程适用于处理PDF、CSV等多种格式文档的智能问答场景。

2025-06-09 15:32:42 811