weixin_45275599的博客

波特率在数字信号通信中使用时，它描述了数字信号传输的速率，即在单位时间内传输的二进制位的数量。波特率通常用比特每秒（bps或bit/s）来表示，它是一个衡量数字信号传输速度的重要指标。在数字通信中，。因此，波特率是数字信号传输速度的重要指标之一。模拟信号的波特率是指模拟信号每秒传输的波形数，也就是单位时间内传输的载波的数目。它和数字信号的波特率都是衡量信号传输速率的单位，只不过数字信号的波特率是以比特为单位，而模拟信号的波特率是以波形为单位。

频谱的平方模（模的平方），即振幅的平方（这种情况下通常值都会很小，为了更好展示动态范围，可能选择使用对数尺度（以分贝为单位））功率谱的计算需要信号先做自相关，然后再进行FFT运算。频谱图的纵坐标就是每个频率分量的振幅。计算功率谱的一种常见方法是取。

前馈特点：速度快，不需要检测输出量，需要系统模型，模型不精确的时候结果也不精确。反馈特点：检测输出量并且和预想值进行对比，可以不需要系统模型，速度比前馈慢。结果完完全全是预想值。前馈控制需要模型。反馈控制可以不需要模型。前馈控制，需要得到一个输出的时候，输入信号可以被事先推算出来，这样给了输入信号之后，输出信号就是想要的值。反馈控制不需要事先知道输入信号。它只检测输出信号。当输出信号低于预期值时，反馈系统会改变输入量，使得输出量增加。前馈控制系统在受控部位的活动发生偏差之前就发出控制指令了。反馈控制系统感受

1、KPCA与PCA的主要区别是引入了核函数，KPCA可以处理非线性数据，而PCA只能处理线性问题。

Stacking是一种更高级别的集成学习方法，它使用多个不同类型的模型来预测输出变量。Stacking首先使用多个基本模型对数据进行拟合，然后使用另一个元模型来组合基本模型的预测结果。Boosting是另一种集成学习方法，它通过训练一系列依赖于前一个模型的弱学习器来提高性能。Boosting算法通过对训练数据进行加权来训练每个模型，并根据前一个模型的错误来调整权重。随机森林是一种集成学习方法，它是由多个决策树组成的模型。在随机森林中，每个决策树都是基于随机抽样的数据集和特征集构建的。

参数模型：训练前会预设一部分参数，如线性模型会假设数据是线性的。非参数模型：训练前没有确定的参数。

快速视频讲解：动画机器学习6/聚类算法DBSCAN/史上最简单的三分钟讲解视频/_哔哩哔哩_bilibili仔细视频讲解：基于密度的聚类 DBSCAN 解释与实例计算_哔哩哔哩_bilibili

决策树中一个重要概念：基尼不纯度：基尼不纯度（Gini Impurity）是决策树分类中的一个度量（判断是否需要继续分裂的重要指标，另一个指标为最大深度），用于评估一个数据集的混乱程度。值范围为0到0.5，0表示完全纯净（所有样本同类），0.5表示最不纯净（每个类别等概率）【决策树是否继续分割的两大指标：1、是否达到最大深度 2、是否能找到可减少基尼不纯度的分割。

1、时间序列预测的特征通常包括：趋势：时间序列长期的平均变化趋势，可以是线性的，也可以是非线性的。季节性：季节性是指在相同时间周期内不断重复出现的周期性变化。周期性：数据中不固定周期的波动。它可以是固定的，也可以是不规则的。周期性通常表现为往复波动，但这些波动没有固定的周期或振幅。随机或噪音（Noise）：由于各种原因导致不可预测的波动2、数据分解成imf和残差，其中的残差与随机或噪声不一样，残差与残差可能包含噪音，但也可能包含未被捕获的有用信息或模式。噪音则是纯粹的随机波动，不含有用信息。

单步预测：输出为单个值 多步预测：输出为多个值单步预测与多步预测中的“步”指的是输出值的个数，而非滑动窗口移动步数 滑动窗口大小只决定了输入的元素数量，输出数量可以是任意值，取决于你的预测需求

普通神经网络输出只有输入决定。前一状态隐藏层中的信息h。前一状态隐藏层中的信息h。

K-means聚类是一种划分方法，旨在将n个观察值划分为k个聚类，每个聚类的中心是该聚类中所有观察值的均值。通过这种方式，我们可以发现时间序列数据中的不同模式。tslearntslearn是一个用于时间序列机器学习的Python库。它提供了多种用于时间序列聚类和分类的工具和算法。

SAX-VSM（Symbolic Aggregate Approximation Vector Space Model）是一种用于时间序列分类（TSC）的方法。VSM用于将SAX符号序列视为“文本文档”，并进行TF-IDF（Term Frequency-Inverse Document Frequency）转换。- 计算C（[0.5, 0.3, 0.2]）与A和B的TF-IDF向量的相似度。通过计算TF-IDF向量间的余弦相似度或其他度量来进行分类。- 假设与A的相似度更高，因此C被分类为与A同一类。

model.eval()是PyTorch中的一个方法，用于将模型设置为评估模式（evaluation mode）。一般情况下，当我们完成模型的训练并准备对其进行评估、测试或推断时，会调用该方法。

更换。

Internal Server Error 通常是由于 Jupyter Notebook 服务器发生了内部错误导致的。这可能是由于多种原因引起的，如软件包冲突、配置错误、资源耗尽等等，大多数情况下是由于。是 Jupyter Notebook 的一个重要组件，负责将 Jupyter Notebook 转换为其他格式（如 HTML、PDF 等）nbconvert的兼容性或包。导致的，而nbconvert。

一步搞定jupyter打开异常问题