![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
基地实训
文章平均质量分 81
alwaysuzybai
"Serena, you're the most beautiful, amazing, alive person I've ever know."
展开
-
07 Linux补充|秋招刷题|9月6日
结构体内存字节要对⻬:32位系统:4 8 32;64位系统:8 16 24字节对⻬:字节对⻬是指在计算机中,各种类型数据按照⼀定的规则在空间上排列,以满⾜硬件平台对存储空间的处理要求。原创 2023-09-07 23:13:07 · 507 阅读 · 0 评论 -
05 C/C++ 指针复杂类型说明 9月5日
当数据具有相同的数据类型;使用过程中需要保留原始数据使可以引用数组来使用。1、数组的地址是数组的⾸元素地址;2、数组的内存是连续的;3、数组是一组有序数据的集合。数组中各数据的排列是有一定规律的;4、数据中的每一个元素都属于同一个数据类型,不能把不同类型的数据放在同一个数组中;5、用一个数组名和下标来唯一确定数组中的元素。原创 2023-09-06 16:17:34 · 354 阅读 · 0 评论 -
04 Linux补充|C/C++
串行通信(Serial Communication) / 串⼝通讯(Serial Communication)是⼀种设备间常⽤的串⾏通讯⽅式,因为它简单便捷,因此⼤部分电⼦设备都⽀持该通讯⽅式,其通讯协议可分层为协议层和物理层。puts输出后自动换行,也就是自动加入换行符,不需要手动加入——printf需要手动加入:printf("%s",s);链接过程使⽤链接器将该⽬标⽂件、库⽂件、启动⽂件等链接起来⽣成可执⾏⽂件。(2)声明的含义:在内存空间的某⼀个地⽅开辟⼀个地址,但是值未知;变量区可读写、可修改;原创 2023-09-04 22:51:38 · 792 阅读 · 0 评论 -
03 Linux
因为对进程来说创建和销毁⼀个进程代价是很⼤的线程的切换速度快,所以在需要⼤量计算、切换频繁时⽤线程,还有耗时的操作使⽤线程可提⾼应⽤程序的响应,因为对CPU系统的效率使⽤线程更占优势,所以可能要发展到多机分布的⽤进程,多核分布⽤线程并⾏操作时使⽤线程,如C/S架构的服务器端并发线程响应⽤户的请求需要更稳定安全时,适合选择进程;取消Linux系统中的 sudo 权限是一项非常重要的安全措施,可以有效防止未经授权的用户滥用系统权限,保护系统的安全性和稳定性。:- - 切换到底线命令模式,以在最底⼀⾏输⼊命令。原创 2023-08-31 23:34:44 · 400 阅读 · 0 评论 -
机器学习实战|第6周|第4章:特征工程|18:00~20:30
对于一个有N个不同取值的类别特征,独热编码将其转换为一个长度为N的二进制向量,只有对应类别的位置是1,其他位置是0。标签编码是针对定序变量的,也就是有顺序大小的类别变量,就好像案例中的变量ordinal_column的值(dislike、somewhat like 和like 可以分别用0、1和2来表示),同样地可以写一个自定义的标签编码器。常见的方法包括基于统计模型的方法(如正态分布、孤立森林等),基于距离的方法(如K近邻、LOF等),以及基于聚类的方法(如DBSCAN等)。原创 2023-06-24 21:58:18 · 1130 阅读 · 0 评论 -
机器学习实战|第5周|第3章:无监督学习与数据预处理|3.3降维|16:00~17:55
维度的诅咒(Curse of Dimensionality)是指随着特征维度的增加,数据分布在特征空间中变得稀疏,使得许多机器学习算法在高维空间中难以拟合数据并表现出低准确性的现象。随着特征维度的增加,需要更多的数据以保持训练数据的广度和多样性。否则,由于数据的稀疏性和噪声数据的增加,高维空间中会出现更多的重叠和间隔,从而导致模型的准确性下降和泛化误差增加。此外,高维数据还需要消耗更多的计算资源来处理,并且容易出现过度拟合问题。为了克服维度的诅咒,可以尝试以下方法:特征选择。原创 2023-06-24 17:58:18 · 605 阅读 · 0 评论 -
PCB设计实验|第四周| LED显示电路原理图与原理图库设计|3月20日
采用Altium Designer13软件设计了LED显示电路原理图,首先设计了其中需要的三个元件,将他们保存在sch库中,原件类型全部设置为SOIC并建立相应的PCB图,导入管脚,将整个库编译后,在原理图布线的时候再将库直接拿出来使用。原创 2023-06-21 09:47:03 · 418 阅读 · 0 评论 -
PCB设计实验|第二周|谐波振荡电路实验|3月6日
我们采用Altium Designer13软件设计了谐波振荡电路实验图,进行了原理图布线,PCB布线,铺铜等操作,了解谐波振荡电路的基本工作原理,对AD13的操作也有了进一步的认识。进行了2D、3D图的转换,观察了立体的电路。原创 2023-06-21 09:17:36 · 550 阅读 · 0 评论 -
PCB设计实验|第一周|2月27日
我们采用Altium Designer13软件设计了简单的电路图,进行了原理图布线,PCB布线,铺铜等操作,熟悉了该软件的基础操作以及对几个简单的电子器件有了基本认知。原创 2023-06-21 09:08:38 · 144 阅读 · 0 评论 -
[补充]机器学习实战|第二周|第2章:监督学习|课后习题
为了建立深度MLP模型,需要使用Tensorflow的Keras API或PyTorch来定义并构建模型。在PyTorch中,您可以使用nn模块自定义模型,并使用相关层如Linear、ReLU、Dropout来构建模型。在TensorFlow中,您可以通过定义Sequential()或使用函数式API来搭建自定义模型,并添加层如Dense、Activation、Dropout等。对于MNIST数据集,通常的惯例是选取2-3个隐藏层,每个层的激活函数使用ReLU函数,输出层使用softmax函数进行分类。原创 2023-06-15 11:17:02 · 787 阅读 · 0 评论 -
6月14日·大数据考试·概率论证明题|6月13日·李松老师笔记
概率论证明题原创 2023-06-14 10:39:09 · 102 阅读 · 0 评论 -
机器学习实战|第4周|无监督学习与数据预处理|9:20~12:00
传统的计算机科学与技术专业、软件工程专业也开设了人工智能方向,而机器学习是其中重要的核心课程,学习和掌握机器学习技术具有巨大的社会需求。但总体上讲,其关注的核心问题是如何用计算的方法模拟人类的学习行为,从历史经验中获取规律(或模型),并将其应用到新的类似场景中。机器学习是用算法指导计算机利用已知数据自主构建合理的模型,并利用此模型对新的情境给出判断的过程。机器学习则是通过大量数据的输入,机器学习算法从中主动寻求规律(模型),评估模型的性能,然后用学习到的模型在新的数据上得出结论,自主解决问题。原创 2023-06-13 11:08:19 · 578 阅读 · 0 评论 -
机器学习|监督学习|无监督学习|8:20~9:20
监督学习:分类、回归无监督学习:聚类、降维半监督学习:两者结合自监督学习:无监督的一个分支强化学习:基于环境反馈。原创 2023-06-13 09:22:40 · 956 阅读 · 0 评论 -
2023年春季实训结课记录
2023年春季实训结课记录原创 2023-06-12 19:42:24 · 65 阅读 · 0 评论 -
[7]PCB设计实验|认识常用元器件|电容器|19:00~19:30
材质聚脂薄膜,外观 上有绿色、红褐色和透明的,薄膜材 料有聚丙烯和聚乙烯两种,绿色和透 明的一般为聚乙烯,红褐色一般为聚 丙烯。电容值的辨认非常容易,因为厂家将容量及单位都印在电容的封套上,并且印有工作电压、允许误差、温度系数等。电解电容表面有一条黑色丝印用来表示电解电容的负极,并且在丝印上标明有电容值和工作电压,大部分生产厂家还在丝印上加注一些跟踪标记。钽电容表面有一条白色丝印用来表示钽电容的正极,并且在丝印上标明有电容值和工作电压,大部分生产厂家还在丝印上加注一些跟踪标记。元件表面有丝印,无极性。原创 2023-06-10 19:29:44 · 744 阅读 · 0 评论 -
[6]PCB设计实验|认识常用元器件|电阻器|18:30~19:00
热敏电阻是一种电阻值随温度变化而产生变化的电阻,由于它的这种变化特性使它广泛的被应用在需要进行元器件需要热保护或热控制的产品上。在电源类产品中被使用在大功率放大管的热保护,当放大管温度增高时热敏电阻阻值变化利用电阻分流网络的工作使输入到放大管的电流减小,从而使放大管的输出功率减小、发热降低,这样放大管在达到热平衡后保持稳定输出,从而使放大管得到了保护。可调电阻是一种可以手工调节电阻值的元件,它的优点在于可以在一定范围内获取所需的电阻,从而被广泛使用于需要调节参数的电子仪器、设备和家用电器上。原创 2023-06-10 19:04:17 · 842 阅读 · 0 评论 -
大数据技术⑥|大数据第11章·Hadoop 基础|大数据第12章·IBM InfoSphere BigInsights|大数据技术|20:20~21:20
Hadoop框架的主要组件包括:HDFS、MapReduce、Jaql、Hive与Hue、Pig、Sqoop、Flume、Hadoop Streaming、Oozie、HBase、FlumNG、Whirr、Mahout、Fuse、Zookeeper。IBM InfoSphere BigInsights的基本版包括HDFS、HBase、MapReduce、Hive、Mahout、Oozie、Pig、ZooKeeper、Hue和其他一些开源工具。为了确保该优点的实施,它通过复制服务器上的数据来防止数据丢失。原创 2023-06-08 21:18:24 · 1166 阅读 · 0 评论 -
大数据技术⑤ |大数据第1章·概述|第2章·大数据系统基础|21:50~22:22
在BigTable的格式中,HBase提供了一个灵活的结构化的、能托管非常大的表的功能。可以发现,数据生成模式是从第一阶段的被动记录到第二阶段的数据主动生成,再到第三阶段的自动生成。事实上,集群拥有一个唯一的管理文件系统操作的主机(NameNode,名称节点)和许多管理和协调单个计算节点上的数据存储的从机(DataNodes,数据节点)。这种定义是一种主观定义,没有描述与大数据相关的任何度量机制,但从时间和跨领域的角度来看,该定义中包含了一种发展的观点,说明了什么样的数据集才能被认为是大数据。原创 2023-06-07 22:23:22 · 883 阅读 · 0 评论 -
大数据技术④ |大数据第24章·R编程-可视化与图形工具|大数据第25章·Hadoop的其他组件:Oozie、Zookeeper和Mahout|20:55~21:50
协同过滤(Collaborative filtering,CF)是Amazon和其他公司普遍使用的一种技术,使用如评分、点击和购物等用户信息向其他网站提供推荐。第一个参数表示我们需要将推荐发送到的用户的id,第二个参数表示要发送的推荐数量。所有的CF方法总结起来的概念是:对用户间的相似度以及他们的评分进行计算。当我们有两个以上的变量,并且想要找到一个变量与其余变量之间的相关性时,我们使用散点图矩阵。:一种非常快速和简单的基于项目的推荐方法,适用于用户给出的评分(而不仅仅是布尔偏好的)。原创 2023-06-07 21:52:55 · 171 阅读 · 0 评论 -
大数据技术③|大数据第13章|Hadoop 分布式文件系统|20:30~20:55
JobTracker 管理 Hadoop 集群中的作业(一般在一个 Hadoop集群中只能有一个 JobTracker 存在),JobTracker 决定 TaskTracker 处理哪一个任务,它尝试将任务指向数据所在的DataNode,并通过 Heartbeat 信息与 JobTracker进行通信。BlockReport(块报告)包含在一个 DataNode中的所有块的列表;15. 如果数据节点发生故障,NameNode 将为新的副本选择一个新的数据节点,平衡磁盘的用量,并管理数据节点的通信流量。原创 2023-06-07 20:55:40 · 673 阅读 · 0 评论 -
大数据技术②|大数据第14章|NoSQL数据管理与MongoDB|19:45~20:30
文档模型具有的特点是:键值模型扩展,其中的值是结构化文档;但是,这个数据库在它名字的后面有一个不同的思想:消除了标准化的 SQL的应用,并且 NoSQL 数据库和管理系统无关(或无模式的)。在副本集中,一个节点是主节点,其余节点是辅助节点。JSON 具有敏捷性、结构化与交互性的特点,它是 Web 的数据结构,是一种简单的数据格式,允许程序员存储和传递跨系统的值集、列表和键值映射。4. MongoDB 文档倾向于在单个文档中对给定的记录赋所有的数据,而在关系数据库中,给定的记录的信息通常分布在许多表单中;原创 2023-06-07 20:31:42 · 797 阅读 · 0 评论 -
大数据技术①|大数据第15章|HBase数据库与Cassandra数据库|18:00~18:15
在 HDFS(Hadoop 分布式文件系统)之上运行,为 Hadoop 提供类似 Big Table 的功能,提供了一种容错的方式来存储大量的稀疏数据。它提供从数十亿的记录中访问单个行的功能。7. Bloom 过滤器(Bloom filter):这不过是快速的、不确定的算法,用于测试一个元素是否是一个集合的成员。数据行含有一个可排列的键和一个任意数目的列,映射是一个抽象数学类型,由键集合和值集合组成,其中每个键关联于一个值。HBase 中的数据模型由不同的逻辑组件组成,如表、行、列族、列、单元格和版本。原创 2023-06-07 18:18:35 · 1119 阅读 · 0 评论 -
青岛科技大学|物联网工程|物联网定位技术(第三讲)|15:40
(1)自学的主要内容:阅读《物联网定位技术1(GPS部分)》(已发给大家的word文档或PDF文档)中的32-44页,即从4.4节学习到5.3节);的两个移位寄存器分别采用反馈点 8 进制编码 10123 和 16238 形成周期为 1.5s 的 m 序列的截短序列 PN1。导航数据码是一种窄带信号,C/A 码的 P 码是宽带码,通过模二相加(波形相乘)将()码调制到 C/A 和 P 码上。10. 试述载波相位测量定位的原理,并给出相关的数学推导。11. 试述干涉法定位法的原理、特点。原创 2023-06-07 15:42:01 · 1343 阅读 · 0 评论 -
青岛科技大学|物联网工程|物联网定位技术(第二讲)|15:00
角i是卫星轨道倾角,即卫星轨道和赤道间的夹角。原创 2023-06-07 15:17:14 · 1186 阅读 · 0 评论 -
青岛科技大学|物联网工程|物联网定位技术(第一讲)|6.7
答:所谓“物联网定位”,就是在所选定的坐标系中,确定“物”的坐标。所谓“物联网定位技术”就是采用某种测量和计算技术测量“物”在所选定坐标系中的坐标。对选定坐标系中“物”的定位,首先是测量其坐标系中的各维度的坐标,在实际应用中,我们所测量的空间是三维空间。因此,在定位测量中,一般需要测量“物”的三个维度的坐标。目前,用来测量的方法有多种方法,最简单的方法是用尺子来度量,最常用的方法是用光学测量。现在较常用的方法是用电磁来测量,主要有雷达测量、无线电波测量、激光测量等。原创 2023-06-07 14:55:11 · 1132 阅读 · 0 评论 -
《大数据技术与应用》课程实验报告|week12|实验8|Pig——高级编程环境|验证评估函数
验证19.5节中的Pig评估函数的示例。在MapReduce框架中,程序需要被转换为一系列的Map和Reduce阶段。可是,这不是数据分析者熟悉的编程模式。因此,为了对这个鸿沟搭建一座桥梁,建筑在Hadoop之上的、被称为Pig(猪)的抽象运用而生。Pig是一种高级编程语言,用于分析大型数据集。原创 2023-06-05 15:31:45 · 919 阅读 · 0 评论 -
[5]PCB设计实验|卷积神经网络基础|零基础入门深度学习(4) 卷积神经网络|14:00~14:55
上面的计算过程中,步幅(stride)为1。步幅可以设为大于1的数。原创 2023-06-05 15:03:53 · 530 阅读 · 0 评论 -
[4]PCB设计实验|LPWAN物联网系统解决方案 |LoRa模块/LoRa网关/云平台/LoRa应用案例|9:30~10:00
对农业来说,低功耗低成本的传感器是迫切需要的。温湿度、二氧化碳、盐碱度等传感器的应用对于农业提高产量、减少水资源的消耗等有重要的意义,这些传感器需要定期地上传数据,而且很多偏远的农场或者耕地并没有覆盖蜂窝网络,更不用说4G/LTE了,而LoRa十分适用于这样的场景。基于LPWAN的远距离无线通信模块,具有低功耗、高灵敏度、抗干扰强等特点,支持LORAWAN标准协议、支持MBS\BAC协议,串口数据透传双向通讯,具备超长电池待机功能,主要应用在智能抄表、智能停车、智慧农业、智能安防、智慧路灯等领域。原创 2023-06-05 10:03:48 · 860 阅读 · 6 评论 -
[1]PCB设计实验|电路板布局布线要求及规律|电抗和电容的关系|8:30~9:30
放小元件。原创 2023-06-05 09:39:40 · 1048 阅读 · 0 评论 -
学习通|机器学习练习题
的特征学习算法,它根据数据的概率模型学习一定数量的新特征,往往在使用RBM之后用线性模型(线性回归、逻辑回归、感知机等)的效果极佳。针对这些缺失值的处理方法,主要是基于变量的分布特性和变量的重要性(信息量和预测能力)采用不同的方法。10 决策树是使用最广泛的机器学习模型之一,因为决策树可以很好地处理噪声或丢失的数据,并且可以很容易地进行整合,以形成更强大的预测器(集成方法常采用决策树作。7 多层感知机MLP的精度相当好,但没有其他模型好,与较早的SVC例子相同,原因可能在于数据的收敛。原创 2023-04-24 18:46:52 · 1011 阅读 · 0 评论 -
第二个机器学习应用:乳腺癌数据集在决策树模型上的挖掘
此时决策树在训练数据集上预测准确率是百分百的,但是在测试数据集上只有60%的准确率,很显然出现了过拟合,可通过设置树深来改善过拟合。设置max_depth=4,这表明构造的决策树只有4层,限制树的深度可以减少过拟合,这会降低训练集的精度,但可以提高测试集的精度。训练精度为98.8%,测试精度为95.1%,树的最大深度只有4层,降低了训练精度,但提高了泛化(测试)精度,改善了过拟合的状况。,每个特征对树决策的重要性进行排序, 其中0表示“根本没用到”,1表示“完美预测目标值”,特征重要性的求和始终为1。原创 2023-04-22 14:28:54 · 1925 阅读 · 0 评论 -
机器学习实战|第二周|第2章:监督学习|课后习题
SVM尝试寻找一个最有的决策边界,这个决策边界称为最大间隔超平面,它能把两类数据分开,并使得两类数据中距离超平面距离最近的点最大化距离。样本中存在距离超平面最近的一写点,这些点叫作支持向量。支持向量的数量比样本数据少量很多,简单来说,支持向量就是两类样本中,距离超平面最近的一些点。SVM分类器的关键在于:为了拟合,只有支持向量的位置是重要的;任何远离边距的点,都不会影响拟合。边界之外的点无论有多少都不会对其造成影响。原创 2023-04-22 11:38:36 · 814 阅读 · 0 评论 -
解决‘function‘ object has no attribute ‘data‘
function对象没有data属性。原创 2023-04-22 11:15:12 · 3413 阅读 · 0 评论 -
物联网定位技术|实验报告|实验三 PDM定位算法
算法思想:PDM算法全称为计算邻近度-距离转换矩阵算法(Proximity-to-Distance Mapping ),也就是说通过计算节点间的邻近度-距离转换矩阵来给未知节点进行定位,本算法中涉及到:通过锚节点间协作构建邻近度-距离转换矩阵D=P*T,对于已知的锚节点,它们之间的跳数可以通过Floyd算法计算出来,即可获取关于所有锚节点的跳数矩阵P,而锚节点的坐标已知,其相互之间的距离可以计算出来,即构造了距离矩阵D。原创 2023-04-21 13:58:17 · 790 阅读 · 1 评论 -
物联网定位技术|实验报告|实验二 多边定位算法、DV-HOP算法
将图的最短路径和每两个节点间的最小跳数表示出来,将特定位置的节点到参考节点的距离用网络中的节点的平均每跳距离和节点之间的跳数乘积表示,使用三角形定位的方法来获得节点的位置节点。所有锚节点的跳数矩阵P_anchors、锚节点的距离矩阵D_anchors、转换矩阵T、非锚节点到锚节点的跳数P_Nanchors、未知节点到锚节点的距离D_Nanchors。将与锚节点有关的路径读入距离矩阵,先将距离矩阵全部赋值为无穷大,再将每个节点到自身的距离规定为0,在边的信息中,如果有端点为锚节点的,就更新其两点间的距离。原创 2023-04-20 20:01:13 · 1891 阅读 · 1 评论 -
物联网定位技术|实验报告|实验一 Wi-Fi指纹定位
全球定位系统是迄今为止应用最为成功的地位系统,具备高精度的定位能力,但在室内和高楼密布的城区等信号遮挡严重的密集环境中,由于接受机捕获不到足够强度的卫星信号,GPS的定位质量难以保证甚至无法完成定位,使其可用性受到严重制约。由于室内环境下都普及了WiFi,因此利用WiFi进行定位无需额外部署硬件设备,是一个非常节省成本的方法。原创 2023-04-20 18:49:19 · 2437 阅读 · 2 评论 -
机器学习实战|第一周|第一个机器学习应用:鸢尾花分类
准备:采用Scikit- learn中鸢尾花数据集,完成一个简单的机器学习应用,构建第一个机器学习模型。已知:这些花已经被植物学专家鉴定为三个类别:setosa、versicolor、virginica问题:要在多个选项(3个鸢尾花类别)中预测其中一个鸢尾花的品种,这是一个问题。可能的输出叫作。数据集中每朵鸢尾花都属于三个类别之一,所以这是一个三分类问题。单个数据点(一朵鸢尾花)的预期输出是这朵花的品种。对于一个数据点来说,它的品种叫作标签。关键函数:load_iris() 载入iris数据集。原创 2023-04-19 23:40:29 · 1206 阅读 · 0 评论 -
机器学习实战|第一周|第1章:机器学习基础
未经过标记处理的原始数据多以非结构化数据为主,这些数据是不能被机器识别与学习的。只有经过标记处理后的数据,成为结构化数据才能被算法训练所使用的。训练集:用于训练模型。测试集:用于测试训练后模型的性能。训练集数据用于算法的学习,构建模型。机器学习将训练好的模型应用于新的数据,判断这个训练的模型是否可用,需要有评估模型性能的方法,故将测试集数据用于评估模型的性能。原创 2023-04-19 20:51:08 · 455 阅读 · 1 评论 -
PYTHON-TUTORIAL-MASTER[01]字符串类型|数据结构-串|[02]列表类型|
str( )是python自带函数,是python保留的关键字,定义变量时应该避免使用str作为变量名如果在使用str( )函数之前已经定义过str变量,则会出现TypeError: ‘str’ object is not callable这个报错。原文链接:# 字符串的索引# 查看类型。原创 2023-04-02 15:18:16 · 306 阅读 · 0 评论 -
机器学习实战|第二周|第2章:监督学习|课堂笔记
图灵测试 人工智能 机器学习与人工智能的关系 AI发展史 机器学习分类 极大似然估计 优化算法原创 2023-03-11 21:11:40 · 79 阅读 · 0 评论