- 博客(43)
- 收藏
- 关注
RSS订阅原创 流量预测中文文献阅读（郭郭专用）
这篇文章从预测的角度来分析并研究动态资源分配策略，使用米兰数据集，对时空维度的数据进行流量预测CDR，采用卷积模块，时间嵌入模块（？），注意力模块。在流量预测的基础上，实现了信道资源按需分配，即每个小基站按照其覆盖区域下的流量大小比例分配子信道资源。基站的信道资源采用图论的最大团方法进行分配。每个小基站的资源分配给用户采用动态子信道分配策略，最大化用户满意度。
2024-01-13 22:00:24
1002
原创 2024年1月12日学习总结
第二个和第三个都能够正确的分类。因为此时第三个模型虽然很精确地区分了所有的训练数据，但是他是通过记住训练数据的微小波动来得到这样一个“完美”的训练准确率的，但是此时这个模型只学到了当前训练数据集的特征，没有学到数据的整体特征，他不能成功的表达除了训练数据以外的其他数据，don’t generalize（概括）当我们猜测模型是过拟合状态时就要使用正则化，过拟合状态的显著特点就是验证集具有不好的性能，验证集是模型没有“看到过”的数据，所以如果模型值学到了训练集数据的知识，那么在验证集上将具有很差的性能。
2024-01-13 12:41:41
943
原创 2024年1月9日学习总结
，联邦学习就是分布学习的一种形式，但是它和传统的HPC(high performance computing)不同，HPC的目的是减少训练的时间，因为你也知道经历45天的训练，想要记得上一次调整的超参数是多么困难😰。它首先定义了一个名为layers的空列表，用于存储网络结构中的层。深度学习对于数据的需求是贪得无厌的（insatiable），越多的数据训练的效果越好。在__init__方法中，我们首先调用父类的__init__方法，然后定义了一个名为features的成员变量，它包含了VGG网络的卷积层。
2024-01-09 21:22:55
1266
原创 2024年1月8日学习总结
在pytorch中，一个torch.nn.Model模型的可学习参数（比如权重或者偏置）保存在model.parameters()中。state_dict是一个Python字典，它将每一层映射到对应的参数张量。例子return x。
2024-01-08 21:56:25
1096
原创 2024年1月7日学习总结
然后，我们调用parse_args()函数来解析命令行参数，并将解析结果存储在args对象中。其中在init里面通过nn.Sequential创建一个“存储仓”模型，一个接一个的往里填入layers，存储在变量self.layers中。字典的每个键值 key:value 对用冒号分割，每个键值对之间用逗号分割，整个字典包括在花括号 {} 中。分为三种：删除字典里面的某一个key的value、删除字典的所有key-value对、删除字典。字典value可以是任意的类型，但是key有具体的要求。
2024-01-07 21:39:33
1108
原创 pandas中的函数学习（不断更新）
功能：打印一个DataFrame的简要介绍（index范围、columns的dtype、非空值的数量和内存的使用情况）{ }表示字典数据类型，字典中的数据是以 {key : value} 的形式显示，是键名和键值一一对应形成的。函数功能：可根据指定列数据也可根据指定行的数据排序。函数功能：将datadrame转换成字典的形式。函数功能：对dataframe进行函数处理。函数功能：重置索引（重置成默认索引）函数功能：将数据按照某一列进行划分。函数功能：指定某一个列作为索引。
2024-01-02 12:48:23
835
原创 流量预测_MLP模型_keras
训练集在建模过程中会被大量经常使用，验证集用于对模型少量偶尔的调整，而测试集只作为最终模型的评价出现，因此训练集，验证集和测试集所需的数据量也是不一致的，在数据量不是特别大的情况下一般遵循。为了使模型“训练”效果能合理泛化至“测试”效果，从而推广应用至现实世界中，因此一般要求训练集，验证集和测试集数据分布近似。我在预测一个名字叫做elborn基站的下行链路流量，用过去29天的数据预测未来10天的数据。在训练监督学习（深度学习）模型前，要把time series数据转化成samples的形式。
2024-01-02 12:41:20
1144
原创 声纹识别_加入噪声
我们需要计算原始音频的RMS和噪声音频的RMS，为了能得到规定的SNR，我们需要修改噪声的RMS值，办法就是将每个噪声元素都乘上一个常数，这样就能使得噪声的RMS值也乘上一个常数，达到需要的噪声RMS。学习如何将噪声加入到audio data中，后续可以将不同SNR的噪声加入原始信号样本，评估不同噪声条件下的模型性能。首先读取原始audio.wav（里面是一段话：“leave my dog alone”）噪声是服从高斯分布，均值为0，标准差是。将有噪声的音频加入到原始音频中。
2024-01-02 12:38:26
1334
原创 深度学习MLP_实战演练使用感知机用于感情识别_keras
和其他算法不同，这个目标函数不能求导，所以Perceptron使用 Stochastic Gradient Descent（随机梯度下降法）来最小化目标函数（如果数据集是线性可分的，就可以使用这个方法，并且在有限的steps内converge收敛）在较低的文本语料库中，一些词非常常见（例如，英文中的“the”，“a”，“is”），因此很少带有文档实际内容的有用信息。的梯度，之后让第一个隐藏层的权重更新为这个梯度，这个过程将抑制持续，直到所有的输入输出对都收敛，意味着新的梯度不能改变收敛阈值。
2024-01-02 12:35:05
1093
原创 声纹识别资源汇总（不断更新）
speaker identification的概念就是拍段一段语音是谁所说，说话人辨认分为开集辨认和闭集辨认，当确定说话人在注册声纹库里时，是一个N选一的有限范围选一个的闭集任务，当不确定当前音频是否在注册声纹库里时，是一个开集任务。开集比闭集的要难很多。Speaker Recognition是一个大方向，包含说话人验证（speaker verification），说话人辨认（speaker identification），说话人分离（diarization）等小方向，本项目中需要的是说话人辨认这个方向。
2024-01-02 12:26:23
1339
原创 4-文献阅读-A Data-driven Base Station Sleeping Strategy Based on Traffic Prediction
因为宏基站目标是无缝覆盖小区和用户移动，我们的策略是激活最少数量的宏基站，但流量负载超过基本水平时，才会激活更多的宏基站微基站增加网络容量，由于微基站的功耗是远小于宏基站的，所以肯定会为了节能尽可能多的启动微基站来提高网络容量。最重要的是，所提出的MGCNLSTM的性能最好，特别是图13中小区流量预测曲线的波峰和波谷。但是微基站的容量随基站数量的变化曲线却没有饱和区属，因为微基站的传输功率较低，告饶引起的容量饱和只出现在超密集网络的场景中，米兰的流量数据微基站并没有达到超密集的程度（
2024-01-02 12:00:08
826
原创 2023年12月28日学习记录
今天读了文献，对代码进行了整理，效率比较低，因为一直想看抖音hhh下次还是要把手机拿远一点！回去，原神启动！在这里插入图片描述ps 有没有深度学习研究生搭子一起假期发论文！🤡。
2023-12-28 20:58:34
1081
原创 2023年12月27日学习记录_加入噪声
我们需要计算原始音频的RMS和噪声音频的RMS，为了能得到规定的SNR，我们需要修改噪声的RMS值，办法就是将每个噪声元素都乘上一个常数，这样就能使得噪声的RMS值也乘上一个常数，达到需要的噪声RMS。后续学习方向：后续要保证每天一篇相关论文，先从有复现的论文读起，同时要对流量预测的模型进行学习，建模的时候学习pytorch库和keras库。学习如何将噪声加入到audio data中，后续可以将不同SNR的噪声加入原始信号样本，评估不同噪声条件下的模型性能。噪声是服从高斯分布，均值为0，标准差是。
2023-12-27 21:19:18
1052
原创 2023年12月24日学习总结
训练集在建模过程中会被大量经常使用，验证集用于对模型少量偶尔的调整，而测试集只作为最终模型的评价出现，因此训练集，验证集和测试集所需的数据量也是不一致的，在数据量不是特别大的情况下一般遵循。为了使模型“训练”效果能合理泛化至“测试”效果，从而推广应用至现实世界中，因此一般要求训练集，验证集和测试集数据分布近似。我在预测一个名字叫做elborn基站的下行链路流量，用过去29天的数据预测未来10天的数据。在训练监督学习（深度学习）模型前，要把time series数据转化成samples的形式。
2023-12-24 21:46:08
921
原创 基于d-vector的声纹识别（作为初学者的小总结）
目的是使用d-vectors来创建声纹识别（speaker identification）和分离系统(speaker diarization)d-vector顾名思义就是一个从音频中提取出来的矩阵，就是把这个d-vector代表一个人的“声音指纹”d-vector使用DNN提取出来的，为了提取d-vector，DNN模型采用堆叠的滤波器组特征（这是啥意思？
2023-12-22 16:54:50
998
原创 2023年12月20日学习总结
声纹识别搜索关键词：Speaker Recognition/Identification/Verification。这个是这个博主给的，后续我可以把在kaggle中学到的一些流程加进去，先写一个初步的吧。这个里面有一个demo 02识别了一个youtube视频中的三个人的声音。导入数据就使用pandas.read_csv就好了，要注意相对路径。初步查看数据可以使用这个函数：basic_eda。内个文章写的不大全我自己先初步总结一下。没太明白这个因果，先过吧，之后再看看。函数功能：于生成一个日期范围的序列。
2023-12-20 20:12:12
873
原创 2023年12月19日工程中学到的知识整理
官方文档：data,targets,length,stride=1,# load data 在大多数时间序列预测问题中，输入和输出系列将是同一time serieslength：在每个样本的输入部分中使用的滞后观察的数量（例如 3）samplingratersamplingraterdataidatai−rdatai−2rdatai−lengthdataidata。
2023-12-19 19:18:47
828
原创 3_流量预测综述阅读_Cellular traffic prediction with machine learning: A survey
摘要：classify the prediction problems as the temporal（时间的）and spatiotemporal prediction problems人工智能的预测模型分为：statistical, machine learning, deep learning。
2023-12-06 20:33:12
1398
原创 python_pandas_info_打印DataFrame的信息
（2）、参数verbose（adj 冗长的）： bool, optional决定是否打印完整的摘要如果为False，那么会省略一部分buf： writable buffer, defaults to sys.stdout决定将输出发送到哪里默认情况下， 输出打印到sys.stdoutmax_cols： int, optional从“详细输出”转换为“缩减输出”，如果DataFrame的列数超过max_cols，则缩减输出。memory_usage： bool, st
2023-12-05 19:14:35
894
原创 LSTM_预测价格问题_keras_代码实操
数据进行预测，使用60个数据点预测第61个数据点。使用Bicton数据集，对。没有写完，明天再写：）
2023-12-02 18:56:04
391
原创 深度学习LSTM_理论
LSTM(Long short-term memory)是一种在深度学习中广泛使用的RNN结构，擅长捕捉长期的依赖关系，适合序列预测。（为什么能捕捉长期依赖关系？和传统的神经网络不同，LSTM包含反馈连接，（带来的好处是）能够处理全部的数据序列，而不是单个的数据点，使得在时间序列、文本、话音等序列数据中有较强的性能。
2023-12-02 17:10:41
1126
原创 深度学习RNN_理论_实战演练
输入输出相互独立在训练时，全连接神经网络假设输入彼此独立，这只能单独的取处理一个个的输入，前一个输入和后一个输入是完全没有关系的。但是，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。具有内部环状连接的人工神经网络，用于处理序列数据。其最大特点是网络中存在着环，使得信息能在网络中进行循环，实现对序列信息的存储和处理。解决问题：RNN使用隐藏层来克服无法记住前面单词的问题。
2023-11-29 16:11:32
1024
原创 2_文献阅读_Federated Learning for 5G Base Station Traffic Forecasting
FederatedAggregationdXtxt1xtd}T∈t−T1t]Xt∗Xt−T1...Xt}TXt∗yt1Dind⋃i∈mXti∗mDcen⋃i∈nDindinnp∈nepochaggregatornFederatedAggregationμpre。
2023-11-25 16:36:54
860
原创 window配置GPU_pytorch_cuda_cudnn_tensorflow
使用GPU之前，需要确保GPU是可以使用，可通过torch.cuda.is_available()的返回值来进行判断。而且我忘记我装没装cuda，cudnn啥的了，版本更是记不住，我只知道我现在python版本是3.8，pytorch版本是2.1.1。如果是在虚拟环境里，那么找到该虚拟环境的lib->site-packages（envs表示根目录，里面有你所有的虚拟环境）查找里面的这个文件：cudnn_version.h（内个博主给的是cudnn.h，我电脑里面不是这个文件）在命令行打开分别打开。
2023-11-24 16:19:09
874
原创 Latex学习_郭郭专属
然后把pdf放在inkscape中，导出svg文件。我目前使用overleasf导出pdf。可以增加DPI=500，就很清晰了。
2023-11-21 19:21:30
32
原创 深度学习_pytorch_郭郭专属
(1) 训练集相当于课后的练习题，用于日常的知识巩固。(2) 验证集相当于周考，用来纠正和强化学到的知识。(3) 测试集相当于期末考试，用来最终评估学习效果。
2023-11-17 13:01:11
38
原创 python学习（持续更新）
plotting_context，设置当前图（axes级）的绘图环境，同时返回设置后的环境系列参数，支持with关键字用法。C:\Users\80975\OneDrive\Desktop\cover\cover1.jpg _就是绝对路径。可以看出，4种默认绘图环境最直观的区别在于字体大小的不同，而其他方面也均略有差异。set_context，环境设置专用接口，设置后全局绘图环境随之改变。3.引用下级文件： cover/cover1.jpg。1.引用上级文件： …2.引用同级文件： cover1.jpg。
2023-11-15 16:53:36
48
原创 流量预测调研日记_郭郭专属
TS =( traffic forcasting OR traffic prediction) AND IS = (…)10以上的影响因子。中文翻译：协助智能无线网络流量预测： 探索和利用无线流量预测中的因果关系。调研WOS中的流量预测论文。plus 2020年以后。
2023-11-13 16:47:43
47
原创 1_文献阅读_Assisting Intelligent Wireless Networks with Traffic Prediction
111。
2023-11-13 14:50:52
40
原创 231108_代码学习_ITU AI/ML in 5G challenge
在无线局域网（WLAN）中，BSS是指由一个或多个无线设备（如移动设备、笔记本电脑）和一个无线接入点（AP）组成的基本通信单元。在无线局域网（WLAN）中，当两个或多个基本服务集（BSS）的覆盖范围发生重叠时，就会形成OBSS。在一个办公室环境中，如果一个楼层上有两个不同的无线路由器，它们的信号覆盖范围部分重叠，那么这两个覆盖范围重叠的区域就可以被视为一个OBSS。总之，BSS是无线局域网中的一个基本组成单元，用于描述一个或多个无线设备和与之关联的无线接入点之间的通信集合。
2023-11-08 19:55:27
32
原创 【无标题】
（看不懂的天书）Makefile 文件描述了 Linux 系统下 C/C++ 工程的编译规则，它用来自动化编译 C/C++ 项目。一旦写编写好 Makefile 文件，只需要一个 make 命令，整个工程就开始自动编译，不再需要手动执行 GCC 命令。一个中大型 C/C++ 工程的源文件有成百上千个，它们按照功能、模块、类型分别放在不同的目录中，Makefile 文件定义了一系列规则，指明了源文件的编译顺序、依赖关系、是否需要重新编译等。
2023-11-08 13:33:41
15
原创 小儒安装虚拟机历程（为了运行linux代码）
然后得安装Python3环境：Linux系统自带 python2.*版本，但是，我们都是在python3下开发的，所以linux也必须安装Python3，会做linux并存两个版本的python。
2023-11-08 13:33:21
14
原创 231107_文献阅读_Deep Reinforcement Learning for Joint Spectrum and Power Allocation in Cellular Networks
提出问题：无线网络运营商通常将其拥有的无线电频谱划分为若干子频带。在蜂窝网络中，这些子频带在许多小区中重复使用。为了减少同信道干扰，通常提出一个频谱和功率的联合分配问题，以最大限度地提高和速率为目标。以前的解决方案存在的问题：解决这类问题的最著名的算法通常需要瞬时全局信道状态信息和一个集中优化器。事实上，这些算法还没有在带有时变子带的大型网络中实现。提出的方案：使用深度强化学习。主要挑战是频谱分配涉及离散子带选择，而功率分配涉及连续变量。本文提出了一个学习框架来优化离散和连续决策变量。
2023-11-07 14:49:57
66
原创 用pytorch实现深度学习；60分钟闪电战
torch.autograd是PyTorch的自动微分引擎，为神经网络训练提供动力。在本节中，您将从概念上了解autograd如何帮助神经网络训练。神经网络通过torch.nn包来构建。torch.nn依赖autograd来构建模型。nn.Module包括layers和forward(input)下面是一个网络分类图片的例子：这是一个简单的前馈网络。它将输入数据一个接一个地传入layers中，然后最终给出输出结果。首先定义神经网络，其中包括科学系的参数（权重和偏置）创建输入数据集。
2023-07-11 16:13:03
125
原创 神经网络_pytorch学习（小儒专用）
③ 一个尺寸 a * a 的特征图，经过 b * b 的卷积层，步幅（stride）= c，填充（padding）= d，若d等于0，也就是不填充，输出的特征图的尺寸 =（a-b）/ c+1；若d不等于0，也就是填充，输出的特征图的尺寸 =（a+2d-b）/ c+1。设置填充的目的：希望每个输入方块都能作为卷积窗口的中心，或使得输出的特征图的长、宽 = 输入的特征图的长、宽。设置步幅的目的：希望减小输入参数的数目，减少计算量。torch.nn.function 里面有一些底层的卷积的内容，便于学习。
2023-06-27 18:45:03
56
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人