<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Grow into a more wonderful you]]></title><description><![CDATA[登山不以艰险而止，则必臻乎峻岭]]></description><link>https://blog.csdn.net/luozhenghao</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; luozhenghao]]></copyright><item><title><![CDATA[基于深度学习的雷达信号分选调研]]></title><link>https://blog.csdn.net/luozhenghao/article/details/169148691</link><guid>https://blog.csdn.net/luozhenghao/article/details/169148691</guid><author>luozhenghao</author><pubDate>Mon, 26 Oct 2026 10:59:29 +0800</pubDate><description><![CDATA[当前基于深度学习的雷达信号分选可以归纳为四种核心策略：①时序预测与关联；②直接分类与语义标注；③重建、掩码与实例提取；④深度表征学习与聚类。若把尚未提取脉冲描述字的原始采样信号也纳入讨论，还应增加“原始波形域分选与源分离”这一扩展方向。这里的“四类＋扩展方向”是便于比较方法机制的归纳，并非行业统一规定。不同综述使用不同分类轴。例如，Lesieur等2025年的综述主要按技术类型讨论聚类、RNN和CNN，同时另行比较输入参数、先验假设及分选架构。网络结构、输入表示、监督方式和分选策略，应当分开讨论。]]></description><category></category></item><item><title><![CDATA[数学领域全景框架图]]></title><link>https://blog.csdn.net/luozhenghao/article/details/167901603</link><guid>https://blog.csdn.net/luozhenghao/article/details/167901603</guid><author>luozhenghao</author><pubDate>Wed, 14 Oct 2026 11:43:14 +0800</pubDate><description><![CDATA[数学是一个非常庞大的学科，不只是加减乘除、函数和方程，还包括研究的许多领域。如果从大学专业和科学研究的角度看，可以把数学大致分成以下几个方向。]]></description><category></category></item><item><title><![CDATA[2026年研究生数学建模竞赛合集]]></title><link>https://blog.csdn.net/luozhenghao/article/details/166460940</link><guid>https://blog.csdn.net/luozhenghao/article/details/166460940</guid><author>luozhenghao</author><pubDate>Wed, 23 Sep 2026 16:22:23 +0800</pubDate><description><![CDATA[竞赛时间：2026年9月23日 8:00 至 2026年9月27日 12:00。赛题共 A–F 六题，每队三名研究生任选一题。]]></description><category></category></item><item><title><![CDATA[2026年中国研究生数学建模竞赛D题及解决思路：山区洪涝灾害下无人机运输与通信协同优化]]></title><link>https://blog.csdn.net/luozhenghao/article/details/166461412</link><guid>https://blog.csdn.net/luozhenghao/article/details/166461412</guid><author>luozhenghao</author><pubDate>Wed, 23 Sep 2026 16:19:25 +0800</pubDate><description><![CDATA[山区洪涝灾害通常具有突发性强、影响范围分散以及道路、供电和通信设施同时受损等特点。连续强降雨可能引发山洪、滑坡和道路塌方，使部分居民点在短时间内与外界失去稳定的地面交通联系。灾后早期，饮用水、应急食品、医疗物资和生活卫生用品需要尽快送达，而传统车辆往往难以及时进入地形起伏大、道路受损严重的区域。无人机受地面道路条件影响较小，因而可以作为应急运输的重要补充手段。2026年7月，受台风“美莎克”带来的持续强降雨影响，广西横州市镇龙乡遭遇严重洪涝灾害。]]></description><category></category></item><item><title><![CDATA[2026年中国研究生数学建模竞赛E题及解决思路：复杂场景下多模态情感预测的数学建模与算法设计]]></title><link>https://blog.csdn.net/luozhenghao/article/details/166461481</link><guid>https://blog.csdn.net/luozhenghao/article/details/166461481</guid><author>luozhenghao</author><pubDate>Wed, 23 Sep 2026 16:13:44 +0800</pubDate><description><![CDATA[读取示例：附件2保存的是处理后的数值特征和标签，不保存原始视频帧、音频波形或逐词时间戳。为帮助参赛者理解这些字段在原始视频中的来源及其时间关系，图3用一个独立的多模态样本示意同一时间轴上的视觉、音频、文本和标签信息。图1 多模态视频片段的原始信号、文本时间戳与情感标签示例参考文献[10] 王楠，王淇，欧阳丹彤。基于知识蒸馏与动态调整机制的多模态情感分析模型 [J]. 计算机学报，2025, 48 (8): 1923-1942.]]></description><category></category></item><item><title><![CDATA[2026年中国研究生数学建模竞赛B题及解决思路：氢燃料电池低温冷启动建模与控制策略研究]]></title><link>https://blog.csdn.net/luozhenghao/article/details/166461224</link><guid>https://blog.csdn.net/luozhenghao/article/details/166461224</guid><author>luozhenghao</author><pubDate>Wed, 23 Sep 2026 16:07:34 +0800</pubDate><description><![CDATA[氢燃料电池具有能量转化效率高、响应速度快、运行噪声低和排放清洁等优点，在新能源汽车、无人装备、船舶动力、航天动力及寒区供能系统中具有广阔的应用前景。然而，当环境温度低于冰点时，电池内部残余水和电化学反应生成水容易发生冻结。生成的冰会占据催化层（CL）和气体扩散层（GDL）中的有效孔隙，降低氧气传输能力，如图1所示，严重时会引起电压快速衰减甚至启动失败。因此，低温冷启动能力是制约氢燃料电池寒区应用和工程化发展的关键因素之一^([1,2])。图1 氢燃料电池冷启动时主要传输现象示意图。]]></description><category></category></item><item><title><![CDATA[2026年中国研究生数学建模竞赛C题及解决思路：服务于脑机接口与精神性疾病诊断的脑电图计算模型]]></title><link>https://blog.csdn.net/luozhenghao/article/details/166461296</link><guid>https://blog.csdn.net/luozhenghao/article/details/166461296</guid><author>luozhenghao</author><pubDate>Wed, 23 Sep 2026 10:41:30 +0800</pubDate><description><![CDATA[大脑活动可以通过多种神经影像方法进行记录，这些方法主要分为侵入性和非侵入性两大类。其中皮层脑电图（ECoG）和脑电图（EEG）分别是最具代表性的侵入性和非侵入性技术。侵入性技术存在明显缺陷，包括手术风险以及记录信号随时间逐渐退化。因此，非侵入性方法，如脑电图，在探索人类大脑活动方面展现出广阔的应用前景。脑电图的应用范围广泛，涵盖从基础神经科学研究到临床医学的多个领域。脑电图驱动的计算模型，是连接基础神经科学研究与神经临床应用的核心桥梁。]]></description><category></category></item><item><title><![CDATA[2026年中国研究生数学建模竞赛A题及解决思路：通用神经网络处理器下的多核调度问题]]></title><link>https://blog.csdn.net/luozhenghao/article/details/166461135</link><guid>https://blog.csdn.net/luozhenghao/article/details/166461135</guid><author>luozhenghao</author><pubDate>Wed, 23 Sep 2026 10:22:53 +0800</pubDate><description><![CDATA[设多核平台包含 N 个同构 NPU 核心。待调度对象是一张有向无环计算图（DAG，Directed Acyclic Graph）。多核调度算法需要将该计算图划分为若干子图，将子图分配到各核心，并确定每个核心上的子图执行顺序；在满足数据依赖、缓存容量、计算流水线和共享带宽等约束的前提下，减少核外数据搬运、提高多核并行度，最终缩短总体任务执行时间。实际神经网络的计算数据通常远大于单核缓存容量，因而现实场景需要将各种计算拆解为可在核内执行的细粒度操作和数据块。]]></description><category></category></item><item><title><![CDATA[2026年中国研究生数学建模竞赛F题及解决思路：算力约束下提升大语言模型能力的资源配置建模]]></title><link>https://blog.csdn.net/luozhenghao/article/details/166461612</link><guid>https://blog.csdn.net/luozhenghao/article/details/166461612</guid><author>luozhenghao</author><pubDate>Wed, 23 Sep 2026 10:14:45 +0800</pubDate><description><![CDATA[近年来，以大语言模型（Large Language Models, LLMs）为代表的人工智能技术发展迅速。为了便于理解，可将大模型训练类比为培养一名高质量学生：参数量 N 相当于脑容量，训练数据量 D 相当于阅读量，计算量 C 相当于教育经费，数据质量 Q 相当于教材质量，领域配比 p 相当于各科课时分配。标度律（Scaling Laws）刻画模型损失随规模变化的经验关系，常见形式之一为LNDEA⋅N−αB⋅D−β。]]></description><category></category></item><item><title><![CDATA[2026最新数学建模资源库]]></title><link>https://blog.csdn.net/luozhenghao/article/details/166332306</link><guid>https://blog.csdn.net/luozhenghao/article/details/166332306</guid><author>luozhenghao</author><pubDate>Tue, 22 Sep 2026 08:52:53 +0800</pubDate><description><![CDATA[对全网数学建模资源进行了搜集，根据资料借鉴价值，划分等级如下：如果只收藏 10 个：]]></description><category></category></item><item><title><![CDATA[时间序列处理理论体系]]></title><link>https://blog.csdn.net/luozhenghao/article/details/164364737</link><guid>https://blog.csdn.net/luozhenghao/article/details/164364737</guid><author>luozhenghao</author><pubDate>Fri, 04 Sep 2026 11:13:18 +0800</pubDate><description><![CDATA[时间序列是将随机变量按时间索引排列形成的随机序列 {X_t, t ∈ T}，其核心理论基础是随机过程理论。连续时间序列：T 为连续区间，如传感器连续采样的模拟信号。离散时间序列：T 为整数集，如每日股票收盘价、月度经济指标。单变量 vs 多变量：单变量序列仅含一个观测维度；多变量序列（向量时间序列）同时记录多个相关变量，需建模变量间的动态耦合关系。]]></description><category></category></item><item><title><![CDATA[基于深度学习的图像处理方法]]></title><link>https://blog.csdn.net/luozhenghao/article/details/164364683</link><guid>https://blog.csdn.net/luozhenghao/article/details/164364683</guid><author>luozhenghao</author><pubDate>Fri, 04 Sep 2026 11:10:57 +0800</pubDate><description><![CDATA[各方法之间并非孤立——例如 GAN 和扩散模型既用于图像生成，也用于超分辨率和去噪等复原任务——体现了深度学习在图像处理领域强大的通用性和灵活性。利用深度学习建模雾/雨的物理退化过程，从退化图像中恢复清晰场景。基于 Retinex 理论与深度学习的结合，将图像分解为光照图和反射图分别处理，提升暗区亮度的同时避免过曝。利用深度学习从模糊图像中恢复清晰内容，包括非盲去模糊（已知模糊核）和盲去模糊（未知模糊核）两种设定。从噪声或条件输入创造新图像，或对现有图像进行编辑。改善退化图像的质量，恢复丢失的细节信息。]]></description><category></category></item><item><title><![CDATA[从博士生到教授]]></title><link>https://blog.csdn.net/luozhenghao/article/details/164293207</link><guid>https://blog.csdn.net/luozhenghao/article/details/164293207</guid><author>luozhenghao</author><pubDate>Wed, 02 Sep 2026 11:00:15 +0800</pubDate><description><![CDATA[博士生到教授，并不是简单的：发论文 → 毕业 → 找工作 → 晋升而是一条科研能力持续升级的路径。学会发现问题、设计研究、获得证据并形成知识。形成自己的研究问题和学术身份。建立一个能够持续解决这些问题的科研团队和研究体系。提出值得更多人长期共同研究的问题，并推动一个领域的发展。博士阶段学会解决问题，博士后阶段形成自己的问题，教授阶段建立一个能够持续解决问题的系统，而成熟学者最终开始定义一个领域的问题。]]></description><category></category></item><item><title><![CDATA[VS Code + Zotero + LaTeX 最新联动方法]]></title><link>https://blog.csdn.net/luozhenghao/article/details/164288949</link><guid>https://blog.csdn.net/luozhenghao/article/details/164288949</guid><author>luozhenghao</author><pubDate>Wed, 02 Sep 2026 09:31:51 +0800</pubDate><description><![CDATA[利用Better BibTeX自动导出bib，Zotero LaTeX扩展实现边写边引]]></description><category></category></item><item><title><![CDATA[OpenClaw&飞书打造AI科研办公团队]]></title><link>https://blog.csdn.net/luozhenghao/article/details/163976600</link><guid>https://blog.csdn.net/luozhenghao/article/details/163976600</guid><author>luozhenghao</author><pubDate>Sat, 22 Aug 2026 17:25:04 +0800</pubDate><description><![CDATA[3. 安装飞书聊天机器人插件：https://github.com/Leochens/feishu-bot-chat-plugin，并让OpenClaw基于该插件修改上述四个agent的soul.md等文件。配置好大模型后，安装必要的飞书插件。修改openclaw.json（C:\Users\user.openclaw文件夹下）为。上述代码可发给openclaw让其根据自己的实际情况进行修改（如API、文件地址、插件设置等等）将上述代码中的app id、app secret、群聊id等修改为自己的。]]></description><category></category></item><item><title><![CDATA[研究目标、主要研究内容与关键理论或技术问题、工作方案、可行性分析：概念、区别与写作方法]]></title><link>https://blog.csdn.net/luozhenghao/article/details/163509626</link><guid>https://blog.csdn.net/luozhenghao/article/details/163509626</guid><author>luozhenghao</author><pubDate>Wed, 05 Aug 2026 17:20:41 +0800</pubDate><description><![CDATA[研究目标是对研究完成后预期达到状态的总体描述。研究针对什么实际工程问题；准备开展哪些核心研究；需要突破哪些关键技术；预期达到什么性能效果；通过什么方案验证；关键指标预期提升多少；最终能够产生什么工程应用价值。针对的实际工程问题；核心研究内容；关键技术；预期性能效果；验证方案；指标提升幅度；工程应用价值。针对什么问题，研究什么内容，突破什么技术，达到什么效果，如何证明效果，并最终服务于什么工程应用。主要研究内容是对总体研究目标的任务分解。]]></description><category></category></item><item><title><![CDATA[研究背景、选题依据与研究意义：三者有什么区别，应该如何组织？]]></title><link>https://blog.csdn.net/luozhenghao/article/details/163507814</link><guid>https://blog.csdn.net/luozhenghao/article/details/163507814</guid><author>luozhenghao</author><pubDate>Wed, 05 Aug 2026 16:09:19 +0800</pubDate><description><![CDATA[研究背景是对研究问题所处环境的说明。研究对象是什么；相关领域发生了哪些变化；当前出现了什么现实需求或学术矛盾；为什么这个问题在当前阶段变得突出。研究背景的任务不是立即介绍具体算法，也不是详细论证自己的技术路线，而是先搭建一个合理的问题场景。在什么环境下，出现了什么值得关注的问题？首先说明所研究的对象是什么，以及它在整个业务、技术或学科体系中的作用。某项技术在系统中的功能；某类现象在学科中的地位；某个处理环节与上下游任务的关系；某类研究对象为什么重要。]]></description><category></category></item><item><title><![CDATA[什么是科学问题？]]></title><link>https://blog.csdn.net/luozhenghao/article/details/163506379</link><guid>https://blog.csdn.net/luozhenghao/article/details/163506379</guid><author>luozhenghao</author><pubDate>Wed, 05 Aug 2026 15:20:47 +0800</pubDate><description><![CDATA[答辩时，专家经常指出没有提炼出科学问题，导致全文结构混乱，所以什么是科学问题？本文将对该概念进行探讨。这些问题看起来都与科学有关，但它们并不一定已经是一个完整的“科学问题”。那么，究竟什么是科学问题？一个普通问题怎样才能变成可以研究的科学问题？]]></description><category></category></item><item><title><![CDATA[电脑重装后GPU显卡驱动无法安装解决方案：关掉火绒杀毒软件。]]></title><link>https://blog.csdn.net/luozhenghao/article/details/163467591</link><guid>https://blog.csdn.net/luozhenghao/article/details/163467591</guid><author>luozhenghao</author><pubDate>Tue, 04 Aug 2026 11:31:49 +0800</pubDate><description><![CDATA[我当时就震惊了，啊，搞了半天是这个原因，关键是火绒禁用的时候也没啥提示啊，服了，折腾了我一上午┭┮﹏┭┮不过还好不是电脑硬件的问题，要不然修起来又贼麻烦。现在只希望电脑能再多用几年~最近电脑硬盘掉盘了，很烦，之前的C盘也快炸了，吓得我赶快备份好了之前的相关资料，然后重装系统，然后把加装的硬盘寄回去以换代修了。还好，电脑在重装、捣鼓完驱动之后，又回到了最初认识它时候的样子，装了matlab、office几个必要的软件，看着绰绰有余的空间，很开心，又能用很久了，不过之后重要文件还是得做好备份。]]></description><category></category></item><item><title><![CDATA[模型驱动、知识驱动、数据驱动有什么区别?]]></title><link>https://blog.csdn.net/luozhenghao/article/details/163281670</link><guid>https://blog.csdn.net/luozhenghao/article/details/163281670</guid><author>luozhenghao</author><pubDate>Tue, 28 Jul 2026 20:48:46 +0800</pubDate><description><![CDATA[核心逻辑：以海量数据为核心生产要素，通过算法自动从数据中统计拟合出隐藏的模式、规律与关联，无需人工显式定义规则，最终用学习到的模式完成预测、分类、生成等任务，可概括为“从数据中习得规律”。典型技术：监督/无监督机器学习、深度学习、大语言模型预训练、协同过滤推荐、数据挖掘典型场景：人脸识别、电商个性化推荐、股价趋势预测、大模型文本生成核心特点：效果上限高度依赖数据的规模与质量，覆盖范围内泛化能力强；但习得的模式多为黑箱，可解释性弱。]]></description><category></category></item></channel></rss>