科学史 科学的旅程 雷.斯潘根贝格 读书笔记要点备忘

1.
科学力量无所不在,科学历史是一部不断从错误中学习的历史
2.
科学通过科学家设计的一系列有助于发现自己错误的规则,使科学有一种可以证明自身错误的内在机制,这个纠错机制和自我批判能力成为人类理解自然奥秘最为严谨也最有效的手段,并使科学不断突破旧的藩篱,超越权威,永葆活力。科学家致力于寻求正确或更为合理的答案。
3.
科学是一种思维方法,怀疑古训,怀疑权威,也倡导超越自我,批判性思维是科学最宝贵的精神所在。
4.
创造性思维:目前理解创造性思维是通过科学方法和原理运用到处理各种问题当中提出解决办法的思维。和马斯克提出的第一性思维的应用有关,第一性思维目前理解为化繁就简思维,是解决复杂问题的一种方法性思维。即,创造性思维是能力思维,第一性思维是具备创造性能力的一种方法途径。落地到创造性思维,以项目为导向的设计学思维是种途径,但不是唯一路径。
5.
科学的最早发端:渴望求知。开始的理由往往出于实用,自我保护和人类延续,现在的理由,公认应该是让人类社会更美好(初衷)。求知欲很重要
6.
民主自由的双刃剑。苏格拉底之死,雅典城邦“五百人议事会”投票处死的。少数服从多数民主早期人类悲剧事件。
7.
文艺复兴。科学革命粉碎长期流行关于自然和人文的传统观念。取代为新的、可检验的事实与理论。实验科学的可重复性。理论科学家通过数学形成论据。好的理论总会提出一些“预言”。科学提供的是程序化方法。有效的科学运作关键在于符合准,有条理的思考,且坚定承认实验必须可重复。
8.
现在的科学需要更加高度的客观性和创造性,要有交换思想,向别人学习以及从训练中收益的能力。研究越来越昂贵。

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