weixin_39107270的博客

原创 主旋参数（四元数）与欧拉参数

四元数。

原创 主旋参数定义

欧拉角是非常好的构建模块，非常有用，也是一个基础性的东西。但对于一般的航天器三维运动，我通常不会使用欧拉角。我可能会在一些子部件或者局部问题中使用它们，在某些地方它们确实非常有用。但对于整体的三维翻滚运动（3D tumble），欧拉角并不好用，因为我们永远不会离奇异点超过 90°。现在我们要引入主旋转向量（Principal Rotation Vector）。在航天领域我们通常这么称呼它。

原创 对称欧拉角加法

原创 欧拉角运动学差分方程

对称欧拉角非对称欧拉角规律

原创 【无标题】

姿态不能加，角速度可以加；姿态的所有加减，最终都要回到 DCM。

原创 【无标题】

ψ\psiψ（绕 3 轴）θ\thetaθ（绕 2 轴）ϕ\phiϕ（绕 1 轴）

原创 欧拉角的定义

姿态常用 3-2-1，而轨道用 3-1-3。

原创 刚体运动学复习笔记

三维姿态最少 3 个坐标，但可能奇异。DCM 提供非奇异表示：9 个坐标 + 6 个约束 = 3 自由度正交 + 单位长度 + 右手系统C˙−ωCC˙−ωC适用于任意正交矩阵数值积分需注意约束维护。

原创 DCM运动学微分方程习题

原创 DASPY

GitHub - HMZ-03/DASPy: DASPy: A Python Toolbox for DAS (Distributed Acoustic Sensing) data processing.DASPy — DASPy中文教程 1.0.0 文档DAS其他相关库：DASPY、ObsPy DASCore lightguidehttps://dascore.org/api/dascore/proc.htmlhttps://dascore.org/tutorial/processing.

原创 振动信号特征参数及计算表达式

振动信号特征参数及计算表达式。

原创 自适应滤波

Adaptive Signal Processing

原创 ssqueezepy 同步挤压变换

ssqueezepy 是一个基于 Python 的高性能信号处理库，专门用于 同步挤压变换 (Synchrosqueezing Transform, SST) 和 连续小叶变换 (CWT)。它是目前在信号时频分析（Time-Frequency Analysis）领域非常强大的工具，特别擅长处理非平稳信号（即频率随时间变化的信号）。

原创 AE 自编码器-异常检测

自编码器（Autoencoder, AE） 是一种无监督学习的神经网络，主要用于数据压缩、降维和特征提取。简单来说，它的目标是“学会如何将输入复制到输出”，但在中间过程中，它会强迫模型寻找数据中最重要的特征。

原创 小波时频图及深度学习应用

显存管理：如果是在 GPU 上训练，可以考虑使用像 nnAudio 这样的库，它可以在 GPU 上利用卷积层直接计算 CWT，速度比在 CPU 上算完再存图片快 10 倍以上。在 plt.figure 中设置合适的 figsize 和 dpi，直接输出对应尺寸的图片，可以省去后续在 DataLoader 中缩放图片（Resize）的时间。边缘效应处理：小波变换在信号两头有“边界效应”，如果你的一维信号长度只有 512，建议只取中间的 400 个点生成图片。数值越大，频率分辨力越高，但时间轴上会产生拖尾。

原创 经典语义分割模型-Unet

拼接的时候保证空间分辨率大小一致就行，通道的数量不相等没关系，会进行拼接U-Net 的衍生版本随着深度学习的发展，U-Net 家族也进化出了许多强力变体：3D U-Net： 用于处理 3D CT/MRI 扫描数据。Res-UNet： 在 U-Net 中加入残差连接，解决深层网络退化问题。Attention U-Net： 加入注意力机制，让模型只关注图像中的重点区域。U-Net++： 重新设计了中间的跳跃连接，使其更加密集和高效。

原创 图像分割基础

图像分割（Image Segmentation） 是计算机视觉中的一项核心任务。如果说“目标检测”是给物体画一个框（Bounding Box），那么“图像分割”就是给物体的轮廓进行精细的描边，实现像素级的分类。图像分割（Image Segmentation） 是计算机视觉中的一项核心任务。如果说“目标检测”是给物体画一个框（Bounding Box），那么“图像分割”就是给物体的轮廓进行精细的描边，实现像素级的分类。

原创 shuffleNet 和mobilenet

MobileNet 和 ShuffleNet 是深度学习领域中针对移动端和嵌入式设备设计的两大主流“轻量化”神经网络家族。它们的核心目标一致：在尽量不损失精度的情况下，减少参数量（Parameters）和计算量（FLOPs），提升在手机等低功耗设备上的推理速度。

原创 SHAP 蜂群图 SHAP beeswarm 重要性 + 方向 + 分布 + 非线性

一句话概括：每一行是一个特征，每一个点是一个样本，该点的位置表示该特征对预测结果的贡献大小（SHAP值）。它解决了两个问题：哪些特征最重要？特征取值大 / 小时，对预测是正向还是负向影响？

原创 Jason安装细节

注意事项： 1. 在1的教程中，添加系统环境变量时，端口号填多少，参考证书文件中的端口号。如我这个里面就是 27000 相应的环境变量值就要修改。安装完成后，如果仍然提示端口号不一致，试试重启。

原创 Unet-初探

U-Net 是由 Ronneberger 等人在 2015 年提出的一种卷积神经网络，最早用于 医学图像分割（尤其是细胞、组织、病灶区域的分割）。它的名字来源于网络结构的形状 —— 对称的“U”形。U-Net 的设计目标是：在训练样本较少的情况下，仍然能够实现高精度的 像素级分割。

原创 matlab 代码与python代码转换的细节

最近在做项目的时候，涉及到需要将matlab 代码转换为python代码，在实现过程中的踩坑和注意点记录如下：主要是索引和切片和单列向量提取后的维度不一致。此外： 一开始上来就借助AI进行了转换，后果就是结果不一致，花大量时间一行一行单步调试，对参数结果。（大哭，浪费了很多时间）matlab 提取列向量之后是二维列，python是一维， 需要将一维转成二维。AI改完，应先基于已有认知对一下代码，是否有常规的错误。

原创 【项目实战】知识库——基础理论1

总资产’指公司拥有的全部资源。2. 各公司独立答案：A公司6,601,086,000元，B公司1,249,642,000元，C公司217,435,000元。=> 让比较好的大模型，给出 answer，以及评分点（基于answer，哪个是需要回答出来的，答案的维度都有哪些，每个值多少分）Step3，将 answer’ 与 answer进行比对，按照评分点进行打分，超过一定的分数则正确，否则回答不正确。如果普通项目，用rerank模型就可以，如果要求很高，可以用大模型，但是使用大模型的话，成本比较高。

原创 Model Context Protocol (MCP)

什么是 MCP（Model Context Protocol）MCP 是一个由 Anthropic 在 2024 年提出的 开放标准 / 协议，目的是标准化大语言模型（LLM）与外部工具、数据源、提示（prompts）之间的交互。通俗地说，就是让 AI 应用（客户端）和提供工具／数据／上下文的服务（服务器）之间，有一个统一、安全、可组合的方式去通信。strstrstrstrstr📌 含义：mcpServers 表示 MCP 插件服务器列表“amap-maps” 是你定义的服务名。

原创 【大模型应用】Function Calling与协作

import os# 定义资源文件根目录# 配置 DashScopedashscope.api_key = os.getenv('DASHSCOPE_API_KEY', '') # 从环境变量获取 API Keydashscope.timeout = 30 # 设置超时时间为 30 秒# 函数描述 描述函数的名字、用途、参数类型，这是 Function Calling 的 Schema，模型会根据它来决定是否调用函数。"description": "获取指定位置的当前天气情况",

原创 【大模型】LongChain多任务应用开发

LongChain + Deepseek + Faiss 打造RAGLongChain的功能跟大模型中的 Function Call 类似。

原创 【大模型07】RAG高级技术与实战

embedding 过程中，神经网络的输入=单词，输出=输出 = 单词（作为邻居）的概率Q：怎么把调用模型API改为服务器部署好的大模型，另外知识库单个文件改为文件夹现在使用的是 dashscope 接口，我们也可以部署自己的大模型，通过 http serivce，按照dashscope/openai 接口进行返回内容server填写自己的 api url即可faiss。

原创 【大模型应用】06RAG embedding+LLM问答系统

ChatPDF-Faiss 是一个基于 LangChain 和 OpenAI 的 PDF 文档问答系统。该系统能够读取 PDF 文件，提取文本内容，并使用向量数据库（FAISS）构建知识库，从而实现对 PDF 文档内容的智能问答功能。系统还能够追踪回答来源的页码，提供参考信息。企业文档问答：合同、考核办法、制度文档知识库构建：PDF/文本向量化存储语义检索：快速找到相关信息问答系统：结合向量检索 + LLM 生成自然语言答案溯源能力：可追踪答案来源页码。

原创 [大模型06]RAG技术与应用-理论

• 检索增强生成，是一种结合信（Generation）的技术• RAG技术通过实时检索相关文档或信息，并将其作为，从而提高生成结果的时效性和准确性。

原创 显存的基本概念和比较

这张图展示了训练时 显存占用的组成部分（假设 24GB 显存）：🟦 模型参数：10GB🟩 激活值 (Activations)：8GB🟨 Batch 数据：4GB🟥 优化器状态：2GB。

原创 【大模型微调】医疗模型微调

模型部分：加载预训练模型 + LoRA 适配器。数据部分：读取多科室 CSV，统一成 instruction/input/output，然后格式化成 prompt。训练部分：使用 SFTTrainer，配置 LoRA + mixed precision + 小 batch。推理部分：启用 FastLanguageModel.for_inference(model)，使用 TextStreamer 输出生成结果。保存部分：只保存 LoRA 权重和 tokenizer。

原创 【无标题】训练、推理适用的数据类型

类型位宽指数尾数优点缺点FP3232823精度高，数值稳定显存大，计算慢FP1616510显存省，计算快易溢出，需要 loss scalingBF161687数值范围大，训练稳定尾数精度低INT88推理快，显存小训练不适用INT44超低显存，速度快精度损失大。

原创 【大模型】大模型微调-RLHF(强化学习)

上篇介绍了PEFT(LORA)参数微调，这篇介绍RLHF(基于人类反馈的强化学习)

原创 【大模型14】Fine-tuning与大模型优化1

get_peft_model 就是把 LoRA（PEFT 方法） 加载到模型中，Unsloth 封装了整个流程。你无需手动写 LoRA 矩阵操作，也无需自己管理量化和显存优化。

原创 【大模型13】 视觉大模型与多模态

Internvideo2，新型的视频基础模型(VFM)，在视频识别、视频文本任务和对话任务中取得了SOTA。在数据层面，通过语义分割视频并生成视频-音频-语音字幕，优先考虑时空一致性，从而提高了视频和文本之间的对齐。))，它严格要求 image_url 必须是 公网 URL 或 file_id，所以 file:// 就报错了。可以做车辆里程表识别、车辆承保、危险驾驶行为识别、损失评估、车辆事故要素提取等。模型表现：动作识别、时间动作识别、事件技术、视觉语言导航等。模型表现：动作识别、时间动作识别、

原创 混淆 打包 编译

开发完成 → 混淆代码 → 打包成 EXE → 分发给客户。目标： 把一套python 代码，打包成exe。二、混淆打包 (该步骤我没有成功，有报错)

原创 【天池】资金流入流出预测

题要求阿里天池大数据的比赛： https://tianchi.aliyun.com/competition/entrance/231573/information。

原创 基于周期因子的资金流入流出预测

基本思想：把时间序列拆成“基数”（长期水平/趋势）和“周期波动”两部分。周期因子用于刻画固定周期内的相对涨落（如一周内、一个月内不同天的规律），通过因子对基数进行放大/缩小来得到每天的预测。核心步骤：数据聚合：按天聚合得到每日申购、赎回总额，并构造 weekday(0-6) 与 day_of_month(1-31)。计算基数：通常取历史总体均值或平滑均值（如7日均线）作为基数。计算周期因子：weekday 因子 = 各 weekday 的历史均值 / 全局均值。

原创 资金流入流出预测baseline-prophet

Prophet 是由 Facebook 开发的开源时间序列预测工具，专为处理具有季节性趋势的时间序列数据而设计。以下是 Prophet 的核心功能、高阶使用方法及其在现实场景中的应用。

原创 prophet

Prophet 是由 Facebook 开发的开源时间序列预测工具，专为处理具有季节性趋势的时间序列数据而设计。以下是 Prophet 的核心功能、高阶使用方法及其在现实场景中的应用。