<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Ramble Over The Cloud~]]></title><description><![CDATA[★I believe , excellent programing is full of love★]]></description><link>https://blog.csdn.net/alec1987</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; alec1987]]></copyright><item><title><![CDATA[Python numpy Import Error Something is wrong with the numpy installation. an older]]></title><link>https://blog.csdn.net/alec1987/article/details/108999956</link><guid>https://blog.csdn.net/alec1987/article/details/108999956</guid><author>alec1987</author><pubDate>Sat, 10 Oct 2020 16:40:53 +0800</pubDate><description><![CDATA[错误信息描述

症状一

ImportError: Something is wrong with the numpy installation.


ImportError: Something is wrong with the numpy installation. 
While importing we detected an older version of numpy in 
['D:\\Anaconda3\\envs\\tensorflow\\lib\\site-packages\\numpy]]></description><category></category></item><item><title><![CDATA[最小二乘法曲线拟合]]></title><link>https://blog.csdn.net/alec1987/article/details/107676540</link><guid>https://blog.csdn.net/alec1987/article/details/107676540</guid><author>alec1987</author><pubDate>Wed, 29 Jul 2020 22:03:37 +0800</pubDate><description><![CDATA[最小二乘法曲线拟合以及Matlab实现

在实际工程中，我们常会遇到这种问题：已知一组点的横纵坐标，需要绘制出一条尽可能逼近这些点的曲线（或直线），以进行进一步进行加工或者分析两个变量之间的相互关系。而获取这个曲线方程的过程就是曲线拟合。

目录

最小二乘法直线拟合原理
	曲线拟合
	Matlab实现代码
最小二乘法直线线拟合原理

首先，我们从曲线拟合的最简单情况——直线拟合来引入问题。如果待拟合点集近似排列在一条直线上时，我们可以设直线y=ax+by=ax+by=ax+b为其拟合方程，系数A=[...]]></description><category></category></item><item><title><![CDATA[微软郑宇：多种大数据组合起来，解决空气污染、房价预测等城市问题(视频+PPT)]]></title><link>https://blog.csdn.net/alec1987/article/details/107238269</link><guid>https://blog.csdn.net/alec1987/article/details/107238269</guid><author>alec1987</author><pubDate>Thu, 09 Jul 2020 21:34:47 +0800</pubDate><description><![CDATA[https://mp.weixin.qq.com/s?__biz=MjM5MTQzNzU2NA==&amp;mid=2651649170&amp;idx=1&amp;sn=f6437a3a2de4df6e5b5e0de516d8c5ab&amp;chksm=bd4dd3018a3a5a17220d76489ec1e9cc4d61cec7a4aebf3bc1e405a675a6d5fb17e6b997b275&amp;mpshare=1&amp;scene=1&amp;srcid=0331LV9ryUsyyH]]></description><category></category></item><item><title><![CDATA[跨域数据融合---Cross-Domain Data Fusion]]></title><link>https://blog.csdn.net/alec1987/article/details/106367447</link><guid>https://blog.csdn.net/alec1987/article/details/106367447</guid><author>alec1987</author><pubDate>Tue, 26 May 2020 23:02:39 +0800</pubDate><description><![CDATA[Overview
Overview

1. Overview

Traditional data mining usually deals with data from a single domain. In the big data era, we face a diversity of datasets from different sources in different domains. These datasets consist of multiple modalities, each of w]]></description><category></category></item><item><title><![CDATA[tensorflow 学习总结]]></title><link>https://blog.csdn.net/alec1987/article/details/105666759</link><guid>https://blog.csdn.net/alec1987/article/details/105666759</guid><author>alec1987</author><pubDate>Tue, 21 Apr 2020 20:23:02 +0800</pubDate><description><![CDATA[https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple/tensorflow-gpu/

http://mirrors.aliyun.com/pypi/simple/tensorflow/



Your CPU supports instructions that this TensorFlow binary was not compil...]]></description><category></category></item><item><title><![CDATA[TensorFlow的几个问题]]></title><link>https://blog.csdn.net/alec1987/article/details/105666515</link><guid>https://blog.csdn.net/alec1987/article/details/105666515</guid><author>alec1987</author><pubDate>Tue, 21 Apr 2020 20:09:20 +0800</pubDate><description><![CDATA[https://blog.csdn.net/weixin_42081389/article/details/88799552
文章目录
1、Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2问题
**错误提醒：**
问题解决：
2、版本警告问题
警告提醒：
解决方法
...]]></description><category></category></item><item><title><![CDATA[spectrogram函数做短时傅里叶分析]]></title><link>https://blog.csdn.net/alec1987/article/details/105558900</link><guid>https://blog.csdn.net/alec1987/article/details/105558900</guid><author>alec1987</author><pubDate>Thu, 16 Apr 2020 15:24:14 +0800</pubDate><description><![CDATA[之前以为时频分析的函数都在时频分析工具箱里，而matlab已经不自带这个工具箱了，使用需要另行下载，关于如何使用，之前写过一篇博客见http://blog.sina.com.cn/s/blog_6163bdeb0102dvwr.html

今天偶人发现原来matlab自带了短时傅里叶变换的分析函数，老版本的matlab是specgram函数，新的改成了spectrogram函数，虽然一说到时频分析...]]></description><category></category></item><item><title><![CDATA[解决访问github等网站慢或下载失败的问题]]></title><link>https://blog.csdn.net/alec1987/article/details/105558761</link><guid>https://blog.csdn.net/alec1987/article/details/105558761</guid><author>alec1987</author><pubDate>Thu, 16 Apr 2020 15:18:51 +0800</pubDate><description><![CDATA[1.打开码云（当然不是福报）https://gitee.com/并注册登录

2.创建仓库



3.在新建仓库页选择 “导入已有仓库”







4.复制你需要下载的git链接，如https://github.com/lehaifeng/T-GCN.gi放到导入已有仓库中



5.点击创建，然后下载




...]]></description><category></category></item><item><title><![CDATA[EEG / ERP data available for free public download]]></title><link>https://blog.csdn.net/alec1987/article/details/105524182</link><guid>https://blog.csdn.net/alec1987/article/details/105524182</guid><author>alec1987</author><pubDate>Tue, 14 Apr 2020 23:22:22 +0800</pubDate><description><![CDATA[EEG / ERP data available for free public download (updated 2020)

https://sccn.ucsd.edu/~arno/fam2data/publicly_available_EEG_data.html


History of this page
Since there was no public database for...]]></description><category></category></item><item><title><![CDATA[Tensorflow GPU安装错误解决方法]]></title><link>https://blog.csdn.net/alec1987/article/details/105517869</link><guid>https://blog.csdn.net/alec1987/article/details/105517869</guid><author>alec1987</author><pubDate>Tue, 14 Apr 2020 18:11:04 +0800</pubDate><description><![CDATA[dell工作站7290，装完TensorFlow CPU1.9.0版后，再装TensorFlow GPU 1.9.0版，运行程序就会出现如下错误提示：

ImportError: Traceback (most recent call last):

File "C:\Users\lenovo\Anaconda3\lib\site-packages\tensorflow\python\pywrap...]]></description><category></category></item><item><title><![CDATA[零样本学习入门指南]]></title><link>https://blog.csdn.net/alec1987/article/details/105363217</link><guid>https://blog.csdn.net/alec1987/article/details/105363217</guid><author>alec1987</author><pubDate>Tue, 07 Apr 2020 13:56:02 +0800</pubDate><description><![CDATA[https://zhuanlan.zhihu.com/p/98136045

零样本学习方法是学术界重要的前沿研究分支之一。

尽管大量科研相关人员已经标注了很多标准数据集。但就算著名如ImageNet，在其千万级数据集中也不过分为21841 个类别，现实世界中已经标注的数据仍然只占少数，且有诸多场景如疾病图像的数据难以大量获取。

故研究在目标域无标注数据的情况下，如何进行有效的学习并进行预测将...]]></description><category></category></item><item><title><![CDATA[matlab中eval用法]]></title><link>https://blog.csdn.net/alec1987/article/details/102484422</link><guid>https://blog.csdn.net/alec1987/article/details/102484422</guid><author>alec1987</author><pubDate>Thu, 10 Oct 2019 16:05:21 +0800</pubDate><description><![CDATA[eval的功能简单来说就是可以把字符串当做命令来执行，

之前没用到的时候对这句话不太懂，百度了一下，看到有人举的例子：

eval('y=sin(1)')与命令 y=sin(1)等价

emmm看完后虽然懂了基本用法还是一脸懵逼，道理我都懂，但是 这不是自讨无趣吗，直接打命令不是更简单吗？

最近需要把数据按天按时段导出excel我才仔仔细细地研究了一下eval函数的具体用法，真的好用！也指出...]]></description><category></category></item><item><title><![CDATA[PLSQL可视化工具操作数据库如何将某用户的数据及表导出（sql格式形式且导出建表语句）]]></title><link>https://blog.csdn.net/alec1987/article/details/101291707</link><guid>https://blog.csdn.net/alec1987/article/details/101291707</guid><author>alec1987</author><pubDate>Tue, 24 Sep 2019 16:23:38 +0800</pubDate><description><![CDATA[要导出数据库用户中的表结构并导出为建表语句。
首先打开PLSQL工具点击tools栏：如下图

点击tools下的Eport User Object：导出建表语句文件格式sql


选择要导出的表，如下图：

选择文件保存路径，然后点击Export导出


这样就完成了导出建表语句的工作。

导出某个数据库表中的所有数据，即导出插入数据的语句：
首先执行select *from table查询语句...]]></description><category></category></item><item><title><![CDATA[PL/SQL Developer12 64位连接本地Oracle 11g 64位数据库]]></title><link>https://blog.csdn.net/alec1987/article/details/101193581</link><guid>https://blog.csdn.net/alec1987/article/details/101193581</guid><author>alec1987</author><pubDate>Mon, 23 Sep 2019 09:37:08 +0800</pubDate><description><![CDATA[1.登录PL/SQL Developer

这里省略Oracle数据库和PL/SQL Developer的安装步骤，注意在安装PL/SQL Developer软件时，先以非登录方式登录PL/SQL Developer，设置Oracle Home和OCI Libaray。





在Oracle Home这选项下，没有自动识别到Oracle Home目录，于是手动指定Oracle Home路...]]></description><category></category></item><item><title><![CDATA[matlab2016b 只能安装mingw 4.9.2]]></title><link>https://blog.csdn.net/alec1987/article/details/101148101</link><guid>https://blog.csdn.net/alec1987/article/details/101148101</guid><author>alec1987</author><pubDate>Sun, 22 Sep 2019 10:19:45 +0800</pubDate><description><![CDATA[&gt;&gt; setenv('MW_MINGW64_LOC', 'C:\mingw64')
&gt;&gt; getenv('MW_MINGW64_LOC')

ans =

C:\mingw64

&gt;&gt; mex -setup -v

已将选项文件从 'D:\MATLAB\R2016b\bin\win64\mexopts\mingw64.xml' 复制到 'C:\Users\Adm...]]></description><category></category></item><item><title><![CDATA[手把手教你脑电波采集及信号处理分析 - 知乎]]></title><link>https://blog.csdn.net/alec1987/article/details/99761699</link><guid>https://blog.csdn.net/alec1987/article/details/99761699</guid><author>alec1987</author><pubDate>Mon, 19 Aug 2019 20:51:43 +0800</pubDate><description><![CDATA[分两个PART，第一个讲采集，第二个讲处理。









Part one:



脑电，心电，肌电，眼电等，都是身体上两点的电压差，和我们测电池的电压本质上没有区别。

随便在头上两个位置放两个电极，一正一负，放大uV信号（其他脑电信号特征，如频段，干扰源等感兴趣可自行百度）,测量其电势差。



但我们通常需要加一个右腿驱动电极，比如在乳突，这是为什么呢？先用专业的话：

共模输...]]></description><category></category></item><item><title><![CDATA[深度学习中过拟合与防止过拟合的方法]]></title><link>https://blog.csdn.net/alec1987/article/details/92379162</link><guid>https://blog.csdn.net/alec1987/article/details/92379162</guid><author>alec1987</author><pubDate>Sun, 16 Jun 2019 10:41:58 +0800</pubDate><description><![CDATA[https://blog.csdn.net/chen645096127/article/details/78990928

1.什么是过拟合？


过拟合（overfitting）是指在模型参数拟合过程中的问题，由于训练数据包含抽样误差，训练时，复杂的模型将抽样误差也考虑在内，将抽样误差也进行了很好的拟合。

具体表现就是最终模型在训练集上效果好；在测试集上效果差。模型泛化能力弱。

...]]></description><category></category></item><item><title><![CDATA[穿过战场的迷雾：毫米波雷达技术]]></title><link>https://blog.csdn.net/alec1987/article/details/90690442</link><guid>https://blog.csdn.net/alec1987/article/details/90690442</guid><author>alec1987</author><pubDate>Thu, 30 May 2019 08:23:59 +0800</pubDate><description><![CDATA[电磁波按照波长被划分为不同波段，波长在米级的称为米波，在分米级的为分米波，在毫米级的被称为毫米波，分米波主要作为预警雷达使用，厘米波则是飞机火控雷达的波段。毫米波段因为传输距离远之前一直不被人重视，但后来人们发现毫米波在传输窗口内大气衰减和损耗低，穿透云层、雾、尘埃和战场烟雾能力强，能在复杂气象和电磁环境下正常工作。这些优点使得各个国家开始竞相开发毫米波制导武器，目前已大量运用于导弹、末制导炮弹、...]]></description><category></category></item><item><title><![CDATA[国内外从事CV相关的企业]]></title><link>https://blog.csdn.net/alec1987/article/details/90046762</link><guid>https://blog.csdn.net/alec1987/article/details/90046762</guid><author>alec1987</author><pubDate>Thu, 09 May 2019 20:05:24 +0800</pubDate><description><![CDATA[（1）北京北方猎波科技有限公司：http://www.northwh.com/beifangliebo/main1.html红外探测成像产品

（2）深圳超多维光电子有限公司北京分公司：http://www.superd.com.cn立体显示设备

（3）深圳尤利尔科技有限公司北京分公司：http://www.unier.com.cn/index.asp森林防火，监狱报警监控

（4）...]]></description><category></category></item><item><title><![CDATA[自编码器（Autoencoders）]]></title><link>https://blog.csdn.net/alec1987/article/details/89293556</link><guid>https://blog.csdn.net/alec1987/article/details/89293556</guid><author>alec1987</author><pubDate>Sun, 14 Apr 2019 10:33:41 +0800</pubDate><description><![CDATA[https://www.cnblogs.com/happylion/p/4270013.html

【deep learning精华部分】稀疏自编码提取高阶特征、多层微调完全解释及代码逐行详解

我们前面已经讲了如何训练稀疏自编码神经网络，当我们训练好这个神经网络后，当有新的样本输入到这个训练好的稀疏自编码器中后，那么隐藏层各单元的激活值组成的向量就可以代表（因为根据稀疏自编码，我们可以用来恢复）...]]></description><category></category></item></channel></rss>