实训的日子结束了,写点小心得

到大连的20几天,除了前面简单的介绍跟c++的知识复习,后来的项目实践才是让知识的运用得到很大提升,一直没想过自己能做成什么样,尽力去完成好自己的那部分功能,即使到了最后,我也很想在自己小组作品中加一些自己的想法。其实感觉跟企业级别的不论是开发过程还是代码规范,有很大的差别,我也是很沉醉在技术之中,尽管都是些皮毛,我也想不到我还会去做什么,倒不是不会,在我看来是没那种意识吧,大学以来的养成的思维惰性,不时地腐蚀着我,然而内心中的不安和羞耻感,源于我的家庭吧。贫穷确实给我带来了压力,有时还会让我变得目光狭窄,不喜欢去思考来由,内心急切,就越想去解决眼前的事,然而很少有长远的打算。

大四在即,我害怕一切变得草草了之,我要变得更强才行,为了家人,为了自己的将来的生活。

在实训时,发现最大的问题时,看帮助文档的困惑,源于薄弱的英语基础,大三下的六级考试还逃了,学了一点日语,连基本的句子看起来还费劲,借助百度翻译,自己去揣着意思,效率极其低下。一直很羡慕那些字幕组,倒不是说做到他们那种水平,只是想让自己的水平别变得看一些基本的句子都难受,困惑,迷茫不论是精神上的,还是物理感官,都是种折磨。


使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
评论
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