辛宣的博客

原创 ”自我破坏行为"和"完美主义者放弃症“

你能提供一些应对自我损害行为和完美主义者放弃症的心理健康建议吗？重塑认知：首先，你需要认识到没有人是完美的，每个人都有自己的优点和缺点。你的价值不仅仅取决于你的成就，而是取决于你是谁，你的个性，你的价值观，你对他人的关爱等等。设定实际可行的目标：设定过高的目标只会增加你的压力和失败的可能性。试着设定一些具体，可度量，可实现的目标。当你实现了这些小目标，你会感到满足和自信。学会处理失败：失...

原创 endnote引用不成功，不显示1，2，3，引用却是字母

https://blog.csdn.net/kellyroslyn/article/details/113943394

原创 Word关联Endnote后显示不全，且不能用

我在网上找到一个解决的办法，“打开一个word文档，点击Endnote选项卡，找到最后一栏的Preferences选项，点击找到Application选项卡，在Application下拉菜单中将Endnote Web改为Endnote，点击确定就OK了。”...

原创 cdf图和误差棒图

CDF图(累积分布函数图)和误差棒图是两种完全不同的统计图形，它们各自展示了数据的不同方面。CDF图(Cumulative Distribution Function)：CDF图表示的是一个变量的所有可能值及其相应的累积概率。它展示了数据点在某一值或更小值出现的概率。CDF图用于展示数据的分布情况，比如你可以很快看出数据的中位数(在CDF为0.5处的值)或任何其他百分位数。这种图形...

原创 删掉word掉空白页

具体方法，选中那个删不掉的换行符，右键-段落-行间距-固定值-1磅

原创 多模态+时间序列8个创新方案

超越传统时序！多模态+时间序列8个创新方案，刷新SOTA传统时间序列无法有效捕捉数据中复杂的非线性关系，导致在处理具有复杂动力学特性的系统时效果不佳。为解决此问题，研究者提出了多模态+时间序列。在预测任务中，多模态+时间序列能够整合来自不同类型数据源的信息，从而提供更全面的洞察，提高预测结果的准确性和鲁棒性，尤其在面对动态变化或噪声干扰时。在分析任务中，这种策略能够揭示不同数据模...

原创 Pathformer做时间序列

超越Transformer！时间序列预测新方法，霸榜AI顶会超越Transformer，霸榜AI顶会，patch做时间序列预测成为新烫门，强烈推荐想发论文的伙伴多关注！具体看，以往的时间序列预测创新着眼改模型，越来越卷，难度越来越大，而基于patch的方式，主要关注数据的输入形式，这是一个新思路，目前还在蓬勃发展中，创新机会多！而且patch的方式能够把各种复杂时序数据，转换成深度学习模型能...

原创 sonoma壁纸存放删除地址

原创 pycharm的激活码（2024年）

UX394X3HLT-eyJsaWNlbnNlSWQiOiJVWDM5NFgzSExUIiwibGljZW5zZWVOYW1lIjoiSG9uZ2lrIFVuaXZlcnNpdHntmY3snbXrjIDtlZnqtZAiLCJsaWNlbnNlZVR5cGUiOiJDTEFTU1JPT00iLCJhc3NpZ25lZU5hbWUiOiLkvJfliJvkupEg5bel5L2c5a6kIiwi...

原创 word公式对齐

加一个#(1)即可

原创 解决word输入公式里有虚线小方块问题

在小方框里输入空格，即可

原创 Broodstock breeding behaviour recognition based on Resnet50-LSTM with CBAM attention mechanism

一区top，2022年Computers and Electronics in Agriculture分类题目：“基于 CBAM 注意机制 Resnet50-LSTM 的亲鱼繁殖行为识别” (Du 等, 2022, pp. -) (pdf)“Broodstock breeding behaviour recognition based on Resnet50-LSTM with CBA...

原创 CBAM注意力机制的示例

import torchimport torch.nn as nnimport torch.nn.functional as Fclass ChannelAttentionModule(nn.Module): def __init__(self, in_channels, reduction_ratio=16): super(ChannelAttentionMo...

原创 Road Extraction from Remote Sensing Images Using the Inner Convolution Integrated Encoder-Decoder Ne...

landbench里面，李老师提到的encode-decode。remote sensing,大类是2区，小类是2到3区。分类的题目：“利用内部卷积集 成 编码 器 -解码 器 网 络和 定 向 条件 随 机场 从 遥 感图 像中提取道路” (pdf)“Road Extraction from Remote Sensing Images Using the Inner Convolut...

原创 U-net基础代码

import torchimport torch.nn as nnclass ConvBlock(nn.Module): def __init__(self, in_channels, out_channels): super(ConvBlock, self).__init__() self.conv = nn.Conv2d(in_channels...

原创 Adaptively sharing multi-levels of distributed representations in multi-task learning

期刊：Information Sciences” (Wang 等, 2022, p. 226)计算机科学1区top。2022年题目：“多任务学 习 中 自 适 应 共 享 多 级 分 布 式 表 示” (pdf)“Adaptively sharing multi-levels of distributed representations in multi-task learning” (...

原创 An improved LSTM-based model for identifying high working intensity load segments of the tractor loa...

一区topComputers and Electronics in Agriculture题目：“基于改进 lstm 的拖拉机载荷谱高工作强度载荷段识别模型” (pdf)“An improved LSTM-based model for identifying high working intensity load segments of the tractor load spectru...

原创 Early lameness detection in dairy cattle based on wearable gait analysis using semi-supervised LSTM-...

一区topComputers and Electronics in Agriculture题目：“基于半监督 LSTM-自动编码器可穿戴步态分析的奶牛早期跛行检测” (Zhang 等, 2023, p. 1) (pdf)“Early lameness detection in dairy cattle based on wearable gait analysis using semi-s...

原创 hhkb的键位设置

https://karabiner-elements.pqrs.org/下载软件下载网上别人的键位设置看到合适的就import就行。

原创 Basemap改成cartopy。

因为mac安装不上basemap。画图也是在自己电脑上画图方便些。所以将basemap改成cartopy。由于你不能使用 Basemap，我建议使用 cartopy 库作为替代。cartopy 是一个用于绘制地图和进行地理空间数据分析的Python库，与Basemap类似，但得到了更好的维护和支持。修改之前--点击查看代码# ------------------------------...

原创 A novel local-global dependency deep learning model for soil mapping

程哥的一区文章“A novel local-global dependency deep learning model for soil mapping” (Li 和 Zhang, 2022, pp. -) (pdf)研究问题：“工 程 “ discrete” 特征不能反映环境协变量 之间 的相 互作 用或 依赖 关系” (pdf)预测的对象是土壤质地的预测。属于step1里面的对于变量的...

原创 LandBench 1.0: a benchmark dataset and evaluation metrics for data-driven land surface variables pre...

李老师对于landbench的，基准模型进行的论文。里面对于变量，数据集的描述，写论文可以用。题目：“LandBench 1.0: a benchmark dataset and evaluation metrics for data-driven land surface variables prediction” (Li 等, 2023, p. 1) (pdf)“LandBench ...

原创 decode的输入为0比有输入更有效

为什么注释掉的效果更好，它的输入是0啊# class Decoder(nn.Module):# def __init__(self, hidden_size, output_size):# super(Decoder, self).__init__()# self.lstm = nn.LSTM(hidden_size, hidden_size, ...

原创 论文：Predicting Optical Water Quality Indicators from Remote Sensing Using Machine Learning Algorithms...

水刊，中科院都没有收录。不属于sci。吃一堑长一智，以后先看属于哪个期刊的。总是忘记。期刊：Hydrology浪费时间，啥也没有，没有创新点，就一点点的对比工作量。“Predicting Optical Water Quality Indicators from Remote Sensing Using Machine Learning Algorithms in Tropical Hi...

原创 论文：Predicting the performance of green stormwater infrastructure using multivariate long short-term ...

题目“Predicting the performance of green stormwater infrastructure using multivariate long short-term memory (LSTM) neural network” (Al Mehedi 等, 2023, p. 1) (pdf)“基于多元长短期记忆(LSTM)神经网络的绿色雨水基础设施性能预 测” (...

原创 使用ReLU作为隐藏层的激活函数和在最后一层使用线性激活函数的作用

LSTM模型中使用ReLU作为隐藏层的激活函数和在最后一层使用线性激活函数，这两种做法有着不同的目的和作用：ReLU激活函数在隐藏层：目的：ReLU(Rectified Linear Unit)激活函数的主要目的是引入非线性到神经网络中。在深度学习模型中，非线性是必要的，因为它帮助网络学习和表示复杂的数据模式。工作原理：ReLU函数的公式是f(x) = max(0, x)。这意味着，...

原创 论文：FEED-FORWARD NETWORKS WITH ATTENTION CAN SOLVE SOME LONG-TERM MEMORY PROBLEMS

题目：FEED-FORWARD NETWORKS WITH ATTENTION CAN SOLVE SOME LONG-TERM MEMORY PROBLEMS” (Raffel 和 Ellis, 2016, p. 1)“带有注意力的前馈网络可以解决一些长期记忆问题” (Raffel 和 Ellis, 2016, p. 1) (pdf)这篇论文提出了一种适用于前馈神经网络的简化注意力模型，并...

原创 论文：Multistep ahead prediction of temperature and humidity in solar greenhouse based on FAM-LSTM mode...

Multistep ahead prediction of temperature and humidity in solar greenhouse based on FAM-LSTM model基于 FAM-LSTM 模型的日光温室温湿度多步提前预测题目：“Multistep ahead prediction of temperature and humidity in solar gre...

原创 残差学习

在PyTorch中创建一个简单的残差学习层(Residual Block)涉及到定义一个继承自torch.nn.Module的类。残差学习层通常包含两个或更多的卷积层，以及跳跃连接(skip connection)，允许输入直接传递到后续层。下面是一个简单的示例，它定义了一个包含两个卷积层的残差学习层。每个卷积层后面跟着批归一化(Batch Normalization)和ReLU激活函数。跳跃...

原创 指标：pcc、nse、fhv、flv

pccPCC指标，即Pearson相关系数(Pearson Correlation Coefficient)，是用来衡量两个变量之间线性相关程度的统计指标。它是一种最常用的相关系数，主要用于度量两个变量X和Y之间的相关(线性相关)程度。其取值范围在-1到1之间。计算公式：Pearson相关系数的计算公式是：[r = \frac{\sum (X_i - \bar{X})(Y_i - ...

原创 自动编码器（Autoencoders）和序列到序列（Sequence-to-Sequence）模型区别

核心区别应用范围：自动编码器主要用于数据的压缩、重建和特征提取，而序列到序列模型用于处理序列数据，特别是在输入和输出都是长度可变的序列的情况下。数据处理方式：自动编码器处理固定大小的输入和输出，而序列到序列模型处理的输入和输出通常是长度可变的序列。任务类型：自动编码器更多用于无监督学习任务，而序列到序列模型常用于监督学习任务，尤其是在自然语言处理领域。尽管两者都包含编码器和解码器的概...

原创 pycharm调试返回上一步

PyCharm提供了很多方便快捷的调试工具，在调试过程中，我们可以使用快捷键Shift+F8来返回上一步。但是我的f8需要按fn键，所以我的是，shift+ fn+ F8

原创 除了注意力机制，以下是一些可以集成到LSTM模型中的其他模块：

我明白了，你说的是将模块集成到LSTM中以预测土壤湿度。除了注意力机制，以下是一些可以集成到LSTM模型中的其他模块：卷积神经网络 (CNN)：在LSTM之前添加卷积层，用于提取土壤湿度数据中的时空特征。卷积-递归神经网络 (ConvLSTM)：ConvLSTM结合了卷积和循环结构，适用于处理时空序列数据，如土壤湿度。门控卷积单元 (Gated Convolutional Un...

原创 揭秘苹果手机IOS系统各种微信双开方式与对比

揭秘苹果手机IOS系统各种微信双开方式与对比「技术科普」现如今一提到IOS系统多开、分身，很多人已经深恶痛绝了。我看了很多知乎相关的文章和问答，有很多人在某宝或者其他平台买过多开分身，结果都是用了两三个月就没办法用了，甚至用了一两周就用不了了，本文就好好的列举一下各种双开的方式到底有什么区别，分析完了大家就知道为什么每次都被坑，而且好多商家跑路没有售后了。如果你有双开的需求请睁大双眼，认真看完...

原创 苹果手机多开软件，微信抖音等

揭秘了苹果手机iOS系统上的各种微信双开方式，以及对它们进行了比较和分析。以下是各种双开方式的总结：总结：直接淘宝搜‘苹果双开抖音’，问商家是不是UDID的证书，一般是一年的保证期。价格平均40元第一个，之后是10元一个叠加免费双开(爱思助手版)：操作难度：⭐️⭐️⭐️⭐️⭐️费用：免费数据安全：可保留数据，但找不到安全的IPA包可能导致封号。结论：不推荐，不适合长期使用。...

原创 文献汇总---降尺度方法在气候研究中的应用

地球系统模式(Earth system models, ESM)是预测未来气候变化的主要途径，其运行结果是气候谈判和决策的重要依赖。但运行这些模式既困难又昂贵，所研究的情景也很有限。因此需要一种快速、准确的地球系统模式的仿真，将低分辨率的平均响应转化为高分辨率的区域气候变化变量，进而开展人类与地球系统之间相互作用及其不确定性的研究。1局部尺度小时级降水量气候模式模拟的降尺度与偏差校正方法A...

原创 mac的m芯片上跑cuda程序

config里 parser.add_argument('--device', type=str, default='mps')main里device = torch.device(cfg['device'])train里x_batch = x_batch.astype('float32') y_batch = y_batch.astype('float32') aux_bat...

原创 23年9月到24年3月苹果产品发布

新品

原创 md文本学习

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：撤销：Ctrl/Command + Z重做：Ctrl/Command + Y加粗：Ctrl/Command + B斜体：Ctrl/Command + I标题：Ctrl/Command + S

原创 将博客搬至CSDN

将博客搬至CSDNhttp://www.cnblogs.com/xinxuann