成都之行

今天很幸运,此时我正靠在宾馆的双人床上,右手边有空枕头为伴。并没有困倦,还是趁着将第一次成都之行、成电之行略记一二。
  共计26个小时的火车,坐起来并无预想中的累,可能因为有座位、也许是因为心情尚可的缘故吧,夜里睡得较好,醒来发现时间匆匆而过,难得的觉得时间过得快的好处。这是第一次做那么远的火车,让我心里突然赏鉴曾经坐过的1十六七个小时的火车根本也没什么啊,平白多出莫名其妙的一丝乐观来。火车上第一次觉得周边的人乡音难懂,深深体会普及普通话还是有一点必要性的。如果说前年去骛源在汽车上见识到什么就山路十八弯的话,那么这次真真切切地见识到了什么是隧道不断,什么是长长的隧道,以及穿过这些隧道时极度压迫的鼓膜。当然最值得细说的就算是在电子科大的复试经历了。
  下火车已是两点四十,等坐公交来到电子科大沙河校区已是三点多,还好我盯到一个成电信软学院的学生,多亏他帮我带路,并让我把箱子放到他宿舍并帮我网上找宿舍,虽然无果,真的很感谢他!
  等这一切搞好,已近三点半不止了,我赶紧到逸夫楼去找导师询问关于调剂的事宜了。非常巧合,我在找李建清老师时,发现他们正在进行内部面试,我刚好从头面排上,等待面试。
  (其间打听到李浩老师号码)终于轮到我面试了,我推门进去了,没有预想的那么很正式,让自我介绍后,老师就有针对地提问了,老师问了专业课,C语言以及为什么考无线电物理,还有自己高考成绩等。最后让我等通知。我挺沮丧地出去了,然后就给李浩老师打电话了,李老师不在学校,听得到他那边他女儿正叫他呢。李老师明确答应给我签字,让我不用为这担心,当务之急,多看看复试书和准备面试,我当时心里挺高兴,终于有着落了。
  当然喜事多未必令人愉快啊!给李老师打完电话,刚下逸夫楼,就接到丁未学长的电话,然后我们一块到食堂吃饭,路上就接到李建清老师的电话,我问是谁,老师再那边嘿嘿笑地说了是他,继而笑着告诉我通过了他们的面试,我感到有些意外、更多是振奋,同时也感到有些麻烦啊。老师在那边和笑容真是让人感到幽默,让我周一去那调剂单去让他签字。这可是两头答应了,到时免不了拒绝老师,真是觉得好滑稽更是心中愧疚啊,学长倒是想让我再联系其他老师,到时比较后选择一个最想去的。丁学长不断向我介绍专业学习的内容,饭毕就去帮我找住宿的地方,一路走一路向我介绍,学长联系了他去年住的地方,并讨价还价,由于第一晚是沙发,所以我们又找了另一家先住一晚。这一路折腾,没少费学长的时间,真是多亏了学长呀!!
  后来把行李取回先放学长教研室了。在陪我来到这一晚所住的旅馆后,学长一个人回去了。
  所住的地方叫万人坑,来由是这里是成电的继续教育学院的公寓,能住上万人,是以得名。

  2014年3月14日23:46:14

转于2014年3月20日19时23分

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