博客永久链接与计数

概述

工欲善其事,必先利其器。
对自己的博客不好用不满意很久了,但是这几年太懒。想趁着放假弄一下吧,发现几年没动,版本升级后很多东西变了,折腾了一下午效果不太理想。先记录一下。

问题

  • 博客链接中有中文,转码后太长
    解决方法:永久链接
  1. 在front-matter中加permalink
    这个应该是新特性,以前似乎没有,额,我说的以前大概是hexo 3.0,现在一看,7.0了…
    但是我尝试了:hash,没奏效,不知道是不是因为我hexo3低了。
  2. 使用插件hexo-abbrlink
    试了,会把所有的博文都变了,那么就又多一个问题,以前已经被搜索引擎收录的,就成了死链。
  • 永久链接用什么形式
    中文转拼音hexo-permalink-pinyin,不够优雅
    uuid,32位太长
    hexo-abbrlink生成的8位还挺好的

  • 以前的链接处理
    解决方法:

  1. 重定向
    记录原有的链接,使用插件hexo-generator-alias,利用别名进行跳转。但是要记录原来的url,又要写脚本获取,麻烦。
  2. 以前的链接不动,只改新的
    官方没给这种操作,搜到一个自己写js脚本的,尝试了,控制台是对的,本地渲染后不行。
  • 修改链接后网页计数没了
    因为用的是不蒜子,它根据url统计的,url一变,相当于归零。
    解决方法:
  1. 写脚本在原有基础上魔改,手动初始化。
  2. 改用leancloud计数。

以前我觉得能用就行,现在发现数据不放在自己手上真是麻烦啊,还是想办法改吧。
好久没看过前端代码,indigo主题又停更好多年了,ejs又没咋学过,硬是找了个加了lc计数功能的主题对着改了改,最终leancloud计数能成功,但是lc更新数据好慢啊……犹豫要不要换掉不蒜子了。

这几个问题,你中有我,我中有你,相互影响,醉了。
想到最后,差点想换个主题了。

懒人最终处理方法

  • lc计数我再观察一阵子
  • 以前的链接暂时不动
  • 新博文采用新的永久链接,暂时手动添加在front-matter中

写了一个超简单的uuid生成器,后面看能不能搞成自己的博文管理器。

前端横竖还是应该至少学会一种技术栈,用熟一套框架,否则太影响发挥了。

参考资料

  • https://hexo.io/zh-cn/docs/permalinks
  • https://zhuanlan.zhihu.com/p/353378112
  • https://crescentmoon.info/2014/12/11/popular-widget/
  • https://polar-bear.eu.org/2023/06/29/hexo-generator-alias-wang-ye-chong-ding-xiang/index.html
  • https://zhuanlan.zhihu.com/p/386945980
  • https://blog.dejavu.moe/posts/hexo-permalinks/
  • https://www.jianshu.com/p/c7de2ae59975
  • 3
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在风能领域,准确预测风速对于风电场的运行与管理至关重要。Matlab作为一个强大的数学计算和数据分析平台,被广泛应用于风速预测模型的构建。本文将深入探讨基于四种风速——随机风、基本风、阵风和渐变风的组合风速预测技术。 我们来理解这四种风速类型: 1. **随机风**:随机风是指风速呈现出随机性的变化,通常由大气湍流引起。在建模中,通常通过统计方法如高斯分布或Weibull分布来模拟这种不确定性。 2. **基本风**:基本风速是指在无特定扰动条件下的平均风速,它是长期观测结果的平均值,通常用于结构设计和风能评估。 3. **阵风**:阵风是短时间内风速显著增强的现象,对建筑物和风力发电机造成的主要威胁之一。阵风的预测涉及到风的脉动特性分析。 4. **渐变风**:渐变风是指风速随时间和空间逐渐变化的过程,常见于风向转变或地形影响下的风场变化。 在Matlab中,利用这四种风速类型进行组合预测,可以提高预测的准确性。预测模型可能包括以下几个步骤: 1. **数据收集与预处理**:收集历史风速数据,包括随机风、基本风、阵风和渐变风的数据,进行异常值检测、缺失值填充以及数据标准化。 2. **特征工程**:提取风速变化的相关特征,如平均值、标准差、极值、频率分布等,这些特征可能对预测有重要影响。 3. **模型选择**:可以选择多种预测模型,如时间序列分析(ARIMA、状态空间模型等)、机器学习算法(线性回归、决策树、支持向量机、神经网络等)或深度学习模型(LSTM、GRU等)。 4. **模型训练**:利用历史数据训练选定的模型,调整模型参数以优化性能,例如通过交叉验证来避免过拟合。 5. **模型验证与评估**:使用独立的测试集验证模型预测效果,常见的评估指标有均方误差(MSE)、平均绝对误差(MAE)和决定系数(R²)。 6. **组合预测**:结合四种风速的不同模型预测结果,可以采用加权平均、集成学习(如bagging、boosting)等方式,以提升整体预测精度。 7. **实时更新与动态调整**:实际应用中,模型需要不断接收新的风速数据并进行在线更新,以适应风场环境的变化。 通过以上步骤,可以构建一个综合考虑各种风速特性的预测系统,这对于风电场的功率输出预测、风电设备的维护计划以及电网调度都具有重要价值。然而,需要注意的是,每个风场的地理环境、气候条件和设备状况都有所不同,因此模型的建立应根据实际情况进行定制和优
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