ElasticSearch 学习（二）—— IK 分词器和 Kibana

最新推荐文章于 2024-07-25 16:52:28 发布
最新推荐文章于 2024-07-25 16:52:28 发布
阅读量1.7k 收藏 1
点赞数
分类专栏： ElasticSearch Kibana 文章标签： elasticsearch kibana
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_55220613/article/details/121528844
版权

文章目录

前言

在了解过 ElasticSearch 的基础和基本的对外提供的接口之后，我接触了 IK分词器和 Kibana 工具。

提示：以下是本篇文章正文内容，下面案例可供参考

一、IK 分词器

1.1 简介

IKAnalyzer是一个开源的，基于java语言开发的轻量级的中文分词工具包。从2006年12月推出1.0版开 始，IKAnalyzer已经推出 了3个大版本。最初，它是以开源项目Lucene为应用主体的，结合词典分词和 文法分析算法的中文分词组件。新版本的IKAnalyzer3.0则发展为 面向Java的公用分词组件，独立于 Lucene项目，同时提供了对Lucene的默认优化实现。

IK分词器3.0的特性如下：

  1. 采用了特有的“正向迭代最细粒度切分算法“，具有60万字/秒的高速处理能力。 ；
  2. 采用了多子处理器分析模式，支持：英文字母（IP地址、Email、URL）、数字（日期，常用中文数量词，罗马数字，科 学计数法），中文词汇（姓名、地名处理）等分词处理；
  3. 对中英联合支持不是很好,在这方面的处理 比较麻烦.需再做一次查询,同时是支持个人词条的优化的词典存储，更小的内存占用；
  4. 支持用户词 典扩展定义 ；
  5. 针对Lucene全文检索优化的查询分析器IKQueryParser；采用歧义分析算法优化查询 关键字的搜索排列组合，能极大的提高Lucene检索的命中率。

1.2 安装

IK 分词器的下载地址 ， 下载完成之后上传到我们准备好的服务器上，并进行解压。然后改名为 ik（改名是为了方便操作，可以不改）。

解压和重命名的指令：

# 解压
unzip elasticsearch-analysis-ik-5.6.8.zip
# 重命名
mv elasticsearch ik

然后，将 IK 分词器插件拷贝到 ElasticSearch 容器的 plugins 目录下（容器的下载安装参考前面的 ElasticSearch基础）：

# ik 插件的路径根据自己的实际情况改一下
docker cp ./ik  c_es:/usr/share/elasticsearch/plugins

然后重启容器，插件就生效了。

1.3 简单的参数说明

  • _analyze： 发送请求到分词器；
  • analyzer： 分词器：有两种，一种是 ik_smar 会做最粗粒度的拆分 ， 比如会将“中华人民共和国人民大会堂”拆分为中华人民共和国、人民大会堂。 一种是 ik_max_word 会将文本做最细粒度的拆分， 比如会将“中华人民共和国人民大会堂”拆分为“中华人民共和国、中华人民、中华、华人、人民共 和国、人民、共和国、大会堂、大会、会堂等词语。
  • pretty： 格式化数据，便于查看。
  1. 测试1
http://192.168.191.128:9200/_analyze?analyzer=ik_smart&pretty=true&text=我是程序员

返回结果：
在这里插入图片描述
2. 测试2

http://192.168.191.128:9200/_analyze?analyzer=ik_max_word&pretty=true&text=我是程序员

在这里插入图片描述
总结：

  1. ik_max_word：会将文本做最细粒度的拆分；
    比如会将“中华人民共和国人民大会堂”拆分为“中华人民共和国、中华人民、中华、华人、人民共和国、人民、共和国、大会堂、大会、会堂”等词语；
  2. ik_smart：会做最粗粒度的划分；
    比如会将“中华人民共和国人民大会堂”拆分为“中华人民共和国、人民大会堂”。

二、Kibana 使用 — 掌握 DSL 语句

2.1 简介

我们原来使用过 elasticsearch-header 插件实现数据查找的，但是 elasticsearch-header 的功能比较单一，因此引入一个更加专业的工具实现对日志的实时分析。就是 Kibana。

Kibana 是一款开源的数据分析可视化平台，他是 ElasticSearch 成员之一，用于和 ElasticSearch 协作。我们可以通过 Kibana 对 ElasticSearch 索引中的数据进行搜索、查看和交互。可以很方便的利用图表、表格以及地图对数据进行多元化的分析和呈现。

Kibana 可以使大数据通俗易懂。它很简单，基于浏览器的界面使得可以快速创建和分享动态数据仪表板来追踪 ElasticSearch 的实时数据变化。

搭建 Kibana 也非常简单。通过他的镜像自带的容器就可以实现安装，并不需要额外的代码和设施。

2.2 Kibana 下载安装

  1. 镜像下载
docker pull docker.io/kibana:5.6.8
  1. 安装 kibana 容器
docker run -it -d -e ELASTICSEARCH_URL=http://192.168.198.100:9200 --name
kibana -p 5601:5601 kibana:5.6.8

ELASTICSEARCH_URL=http://192.168.198.100:9200 是指链接的 ElasticSearch 地址。5601 是访问端口。

  1. 部分快捷键
ctrl+i ⾃动缩进
ctrl+enter 提交请求
down 打开⾃动补全菜单
enter或tab 选中项⾃动补全
esc 关闭补全菜单
    1. 测试
# 根据自己的实际的 地址和端口进行访问
http://192.168.198.100:5601/

在这里插入图片描述

2.3 Kibana 使用

2.3.1 配置索引

使用 Kibana 时，必须至少配置一个索引。索引用于标识 ElasticSearch 以运行搜索、分析和配置字段。
在这里插入图片描述
我们修改索引名称的匹配方式即可，下面两个选项不用勾选。然后点击 create，会展示出当前配置的索引的域信息；

我们在刚进来的时候是看不到 create 的按钮的（因为默认的匹配规则 logstash-* 在我们的 ElasticSearch 中匹配不到信息），当我们在 Index pattern 的输入框中输入我们要连接的索引后，就会出现 create 按钮
在这里插入图片描述
我们创建之后，就能看到对应的索引的信息了
在这里插入图片描述

域的每个标题选项分别代表如下意思：
在这里插入图片描述

2.3.2 数据搜索

Discover 为数据搜索部分，可以对日志信息进行搜索操作。
在这里插入图片描述

可以使⽤Discover实现数据搜索过滤和搜索条件显⽰以及关键词搜索：
在这里插入图片描述

2.3.3 DSL 语句

2.3.3.1 Query DSL 结构化查询介绍

Query DSL 是一个 JAVA 开源框架，用于构建类型安全的 SQL 查询语句。采用 API 代替传统的拼接字符串来构造查询语句。目前 Query DSL 支持的平台包括 JPA、JDO、SQL、Java Collections、RDF、Lucene、Hibernate Search。ElasticSearch 提供了一整套基于 JSON 的 DSL 语言来定义查询。

2.3.3.2 索引操作
  1. 查询所有索引
GET /_cat/indices?v

在这里插入图片描述
2. 删除某个索引

DELETE /blog1  # DELETE 索引名称

在这里插入图片描述

  1. 新增索引
PUT /user

在这里插入图片描述

  1. 创建映射
PUT /user/userinfo/_mapping 
{
 "properties": {
   "name": {
     "type": "text",
     "analyzer": "ik_smart",
     "search_analyzer": "ik_smart"
   },
   "city": {
     "type": "text",
     "analyzer": "ik_smart",
     "search_analyzer": "ik_smart"
   },
   "age": {
     "type": "long"
   },
   "description": {
     "type": "text",
     "analyzer": "ik_smart",
     "search_analyzer": "ik_smart"
   }
 }
}

在这里插入图片描述
5. 新增文档数据

PUT /user/userinfo/1
{
  "name": "李四",
  "age": 22,
  "city": "北京",
  "description": "李四来自湖北武汉 "
}

在这里插入图片描述
在增加几条数据：

# 新增⽂档数据 id=2
PUT /user/userinfo/2
{
 "name":"王五",
 "age":35,
 "city":"深圳",
 "description":"王五家住在深圳！"
}
#新增⽂档数据 id=3
PUT /user/userinfo/3
{
 "name":"张三",
 "age":19,
 "city":"深圳",
 "description":"在深圳打⼯，来⾃湖北武汉"
}
#新增⽂档数据 id=4
PUT /user/userinfo/4
{
 "name":"张三丰",
 "age":66,
 "city":"武汉",
 "description":"在武汉读书，家在武汉！"
}
#新增⽂档数据 id=5
PUT /user/userinfo/5
{
 "name":"赵⼦⻰",
 "age":77,
 "city":"⼴州",
 "description":"赵⼦⻰来⾃深圳宝安，但是在⼴州⼯作！",
 "address":"⼴东省茂名市"
}
#新增⽂档数据 id=6
PUT /user/userinfo/6
{
 "name":"赵毅",
 "age":55,
 "city":"⼴州",
 "description":"赵毅来⾃⼴州⽩云区，从事电⼦商务8年！"
}
#新增⽂档数据 id=7
PUT /user/userinfo/7
{
 "name":"赵哈哈",
 "age":57,
 "city":"武汉",
 "description":"武汉赵哈哈，在深圳打⼯已有半年了，⽉薪7500！"
}
  1. 修改数据
    a. 替换操作
    更新数据可以使用之前的增加操作，，这种操作回将数据整个替换：
#更新数据,id=4
PUT /user/userinfo/4
{
 "name":"张三丰",
 "description":"在武汉读书，家在武汉！在深圳⼯作！"
}

在这里插入图片描述
在查看一下数据：
在这里插入图片描述
b. 替换操作:
使用 POST 更新某个列数据
在这里插入图片描述
再使用 GET 命令查询一下数据：
在这里插入图片描述
7. 删除 Document

DELETE /user/userinfo/7

在这里插入图片描述

2.3.3.3 数据查询
  1. 查询所有数据
GET /user/_search

在这里插入图片描述
2. 根据 ID 查询

GET /user/userinfo/3

在这里插入图片描述
3. sort 排序

GET /user/_search
{
  "query": {
    "match_all": {}
  },
  "sort": [
    {
      "age": {
        "order": "desc"
      }
    }
  ]
}

在这里插入图片描述

  1. 分页
    from：从第 N 条记录开始查询；
    size：每页显示的数量
GET /user/_search
{
  "query": {
    "match_all": {}
  },
  "sort": [
    {
      "age": {
        "order": "desc"
      }
    }
  ],
  "from": 0,
  "size": 2
}

在这里插入图片描述

2.3.3.4 查询模式
  1. term 查询
    term 主要用于分词精确匹配，如字符串、数值、日期等。但不适用于 （1）列中除英文字符外还有其他值； （2）字符串值中有冒号或者中文； （3）系统自带属性（如 _version）
GET _search 
{
  "query": {
    "term": {
      "city": {
        "value": "深圳"
      }
    }
  }
}

在这里插入图片描述
2. terms 查询
terms 和 term 有点相似，但是 terms 可以指定多个匹配条件。如果某个字段制定了多个值，那么文档需要一起做匹配

GET _search
{
  "query": {
    "terms": {
      "city": [
        "北京",
        "深圳"
      ]
    }
  }
}

在这里插入图片描述
3. match 查询
会对我们的查询语句进行匹配

{
  "query": {
    "match": {
      "city": "深圳北京"
    }
  }
}

在这里插入图片描述

  1. query_string 查询
GET _search
{
  "query": {
    "query_string": {
      "default_field": "city",
      "query": "深圳北京"
    }
  }
}

在这里插入图片描述
5. range 查询

# range：表示过滤范围
# gt 表示 >；  gte 表示 >=
# lt 表示 <；  lte 表示 <=
GET _search
{
  "query": {
    "range": {
      "age": {
        "gte": 30,
        "lte": 50
      }
    }
  }
}

在这里插入图片描述

  1. exists 查询
    exists 过滤可以用于查找拥有某个域的数据：
GET _search
{
  "query": {
    "exists": {
      "field": "address"
    }
  }
}

在这里插入图片描述
7. bool 查询
bool 可以用来合并多个查询条件的布尔逻辑值；它包含以下操作符：

  • must：多个查询条件的完全匹配，相当于 and；
  • must_not：多个查询条件的相反匹配，相当于 not；
  • should：至少有一个查询条件匹配，相当于 or。

这些参数可以分别继承一个过滤条件或者一个过滤条件的数组。

GET _search
{
  "query": {
    "bool": {
      "must": [
        {
          "term": {
            "city": {
              "value": "深圳"
            }
          }
        },
        {
          "range": {
            "age": {
              "gte": 10,
              "lte": 20
            }
          }
        }
      ]
    }
  }
}

在这里插入图片描述
8. match_all 查询
可以查询到所有文档，是没有查询条件下的你默认语句；

GET _search
{
  "query": {
    "match_all": {}
  }
}

在这里插入图片描述

  1. match 查询
    match 查询是一个标准查询，不管你需要全文本查询还是精确查询，及本省都需要用到它。
    如果使用 match 查询一个全文本字段，他会在真正查询之前，先通过分析器分析 match 以下要查询的字符：
GET _search
{
  "query": {
    "match": {
      "city": "北京"
    }
  }
}

在这里插入图片描述

  1. prefix 查询
    以 某字符开头 的，可以更简单的使用 prefix ，例如：查询所有以 张 开始的用户描述：
GET  _search
{
  "query": {
    "prefix": {
      "name": {
        "value": "赵"
      }
    }
  }
}

在这里插入图片描述
11. multi_match 查询
multi_match 查询允许允许在做 match 查询的基础上同时搜索多个字段，在多个字段（域）中同时查一个：

GET _search
{
  "query": {
    "multi_match": {
      "query": "深圳",
      "fields": [
        "city",
        "description"
        ]
    }
  }
}

在这里插入图片描述

2.2.3.5 完整 DSL 语句代码
# 查看所有索引
GET /_cat/indices?v

# 删除 skuinfo 索引
DELETE /skuinfo

# 新增 user 索引
PUT /user

# 创建 userinfo 映射
PUT /user/userinfo/_mapping 
{
  "properties": {
    "name": {
      "type": "text",
      "analyzer": "ik_smart",
      "search_analyzer": "ik_smart"
    },
    "city": {
      "type": "text",
      "analyzer": "ik_smart",
      "search_analyzer": "ik_smart"
    },
    "age": {
      "type": "long"
    },
    "description": {
      "type": "text",
      "analyzer": "ik_smart",
      "search_analyzer": "ik_smart"
    }
  }
}


# 新增文档 user 中的 id 为 1 的文档
# 更新文档 
PUT /user/userinfo/1
{
  "name": "李四",
  "age": 22,
  "city": "北京",
  "description": "李四来自湖北武汉 "
}


# 根据 id 查询，查询 id=4 的文档数据
GET user/userinfo/4

 # 更新 id=4 的文档信息
POST /user/userinfo/4/_update
{
  "doc": {
    "name": "张三丰1",
    "description": "在武汉读书，家在武汉！在深圳⼯作........."
  }
}    

#删除数据
DELETE user/userinfo/4

#查询所有
GET /user/_search

#搜索排序
GET /user/_search
{
  "query": {
    "match_all": {}
  },
  "sort": [
    {
      "age": {
        "order": "desc"
      }
    }
  ]
}

#分⻚实现
GET /user/_search
{
  "query": {
    "match_all": {}
  },
  "sort": [
    {
      "age": {
        "order": "desc"
      }
    }
  ],
  "from": 0,
  "size": 2
}


#查询-term
# term 查询 
GET _search 
{
  "query": {
    "term": {
      "city": {
        "value": "深圳"
      }
    }
  }
}

#查询-terms 允许多个Term
GET _search
{
  "query": {
    "terms": {
      "city": [
        "北京",
        "深圳"
      ]
    }
  }
}

# match查询
GET _search
{
  "query": {
    "match": {
      "city": "深圳北京"
    }
  }
}

# query_string
GET _search
{
  "query": {
    "query_string": {
      "default_field": "city",
      "query": "深圳北京"
    }
  }
}


#过滤-range 范围过滤
#gt表示> gte表示=>
#lt表示< lte表示<=
GET _search
{
  "query": {
    "range": {
      "age": {
        "gte": 30,
        "lte": 50
      }
    }
  }
}

#过滤搜索 exists：是指包含某个域的数据检索
GET _search
{
  "query": {
    "exists": {
      "field": "address"
    }
  }
}

#过滤搜索 bool
#must : 多个查询条件的完全匹配,相当于 and。
#must_not : 多个查询条件的相反匹配，相当于 not。
#should : ⾄少有⼀个查询条件匹配, 相当于 or。
GET _search
{
  "query": {
    "bool": {
      "must": [
        {
          "term": {
            "city": {
              "value": "深圳"
            }
          }
        },
        {
          "range": {
            "age": {
              "gte": 10,
              "lte": 20
            }
          }
        }
      ]
    }
  }
}

#查询所有 match_all
GET _search
{
  "query": {
    "match_all": {}
  }
}

#字符串匹配
GET _search
{
  "query": {
    "match": {
      "city": "北京"
    }
  }
}

#前缀匹配 prefix
GET  _search
{
  "query": {
    "prefix": {
      "name": {
        "value": "赵"
      }
    }
  }
}

#多个域匹配搜索
GET _search
{
  "query": {
    "multi_match": {
      "query": "深圳",
      "fields": [
        "city",
        "description"
        ]
    }
  }
}
橙子是蓝色的
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Linux安装elasticsearch、IK分词器和kibana
枣泥馅的博客
11-28 1661
简介：因为内网环境不能上外网，安装最新的版本有问题而且不容易排查，所以安装了比较老的一个版本6.2.2。在安装的时候，为了讲清楚所有文件源头，所以介绍的啰嗦，但是很详细。这里主要说明elasticsearch、kibana、Ik分词器的下载安装，以及注意的一些问题。我们这里使用的服务器是Linux服务器，系统是centos7的64位。
IK分词器热刷新词库实践分享
whatsyournamejack的专栏
06-17 845
本篇文章介绍了ElasticSearch分词器相关内容，介绍了什么是分词器，什么是ik分词器，ik分词器目前存在的问题以及如何通过修改ik分词器的源码来实现热更新词库。Elasticsearch是基于倒排索引来实现搜索功能，而倒排索引的基础就是分词。Elasticsearch默认的分词器支持英文的分词，因为分词很简单，基本基于空格就可以分出来，而汉语的分词则困难很多。
ElasticSearch7.7.1安装分词器——ik分词器和hanlp分词器
LXWalaz1s1s的博客
12-25 3581
背 景   之所以选择用ES，自然是看重了她的倒排所以，倒排索引又必然关联到分词的逻辑，此处就以中文分词为例以下说到的分词指的就是中文分词，ES本身默认的分词是将每个汉字逐个分开，具体如下，自然是很弱的，无法满足业务需求，那么就需要把那些优秀的分词器融入到ES中来，业界比较好的中文分词器排名如下，hanlp> ansj >结巴>ik>smart chinese analysis；    博主这里就选两种比较常用的讲解hanlp和ik ，hanlp在业界名声最响，ik是官方推荐和ES版
ElasticSearch安装IK分词器并使用IK分词器和Kibana进行自定义词汇
见证自己学习,成长的记录
05-03 2909
什么是IK分词器？ 分词:把一段中文或者别的划分成一个一个的关键字,我们在搜索的时候会把自己的信息进行分词,会把数据库中或者索引库中的数据进行分词,然后进行一个匹配操作,默认的中文分词是将每个字看成一个词,比如"我爱魏一鹤"会被分成"我",“爱”,“魏”,“一”,“鹤”,这显然是不符合要求的,索引我们需要安装中文分词器IK来解决这个问题 如果要使用中文,建议使用ik分词器 IK提供了两个分词算法,ik_smart和ik_max_world,其中ik_smart为最少切分,ik_max_wold为最细颗粒度划
安装部署 elasticsearch kibana IK分词器
10JQKA的博客
11-05 605
部署单点es、部署kibana、安装IK分词器、扩展词典、停用词典
KubeSphere部署：（二）Elasticsearch，IK分词器，Kibana
Crisf的博客
07-18 664
Elasticsearch自带的分词器对中文支持不好，所以需要安装ik分词器。如果直接用docker部署并运行，可以把分词器的目录挂载出来，然后把下载好的分词器放到对应目录即可，或者不挂载目录，直接把分词器复制到容器内也可以。使用KubeSphere进行部署的话，不直接访问宿主机的情况下，没法往容器中复制文件，况且通常kubernetes都是集群部署，复制文件操作不便，服务迁移时也会造成额外的工作量。最好的办法就是把ik分词器打包到Elasticsearch镜像中，二者融为一体。
Linux安装elasticsearch、ik分词器、kibana
嘻嘻的博客
05-16 956
Linux安装elasticsearch、ik分词器、kibana
ElasticSearch——IK分词器的下载及使用
热门推荐
万里顾一程的博客
11-05 1万+
ElasticSearch——IK分词器的下载及使用 1、什么是IK分词器 ElasticSearch 几种常用分词器如下： 分词器 分词方式 StandardAnalyzer 单字分词 CJKAnalyzer 二分法 IKAnalyzer 词库分词 分词∶即把一段中文或者别的划分成一个个的关键字，我们在搜索时候会把自己的信息进行分词，会把数据库中或者索引库中的数据进行分词，然后进行一个匹配操作，默认的中文分词是将每个字看成一个词，比如“我爱中国"会被分为"我"“爱”“中”"国”
Elasticsearch安装IK分词器，kibana安装是基本使用，DSL语句入门
Java小皮孩
02-28 1万+
3. 安装IK分词器 ElasticSearch 默认采用的分词器， 是单个字分词 ，效果很差 ，所以我们需要安装一个更实用的分词器，这里采用IK分词器 中文分词器 IK Analyzer 3.0 发布 3. 安装 Kibana Kibana是一个针对Elasticsearch的开源分析及可视化平台，使用Kibana可以查询、查看并与存储在ES索引的数据进行交互操作，使用Kibana能执行高级的数据分析，并能以图表、表格和地图的形式查看数据。 Kibana 是 ELK 的一个组成。 E：EalsticSea
ElasticSearch————————ik分词器
q3198215426的博客
10-10 160
/** * elasticsearch查询 */ package com.cyb.test; import java.net.InetAddress; import java.net.UnknownHostException; import org.elasticsearch.action.get.GetResponse; import org.elasticsearch.client.transport.TransportClient; import org.elasticsearch.commo..
Git教程
qq_62892403的博客
07-24 843
基本的Linux命令学习Git配置所有的配置文件都保存在本地查看不同级别的配置文件查看Git用户标识表示Git没有配置设置用户名和邮箱（用户标识，必要）当你安装Git后首页要做的事情就是设置你的用户名和e-mail地址，这很重要，因为每次Git提交都会使用该信息。它被永远的嵌入到你的提交中只需要做一次这个设置，如果你传递了–global选项，因为Git将总是会使用该信息来处理你的系统中所做的一切操作。
Git操作指令（随时更新）
hsx18787462705的博客
07-24 504
【代码】Git操作指令。
git的配置使用
2302_77997809的博客
07-25 904
root@web yy000]# git config --global user.email 123456789@163.com //添加邮箱。[root@web yy000]# git config --global user.name cc //添加用户。[root@web yy000]# git commit -m "这是第二次提交" //说明。[root@web yy000]# echo "//这是一行java注释" > Test.java。
qt练习控件label控件-lineEdit控件样例代码
最新发布
07-30
qt练习控件label控件-lineEdit控件样例代码
【JCR一区级】麻雀搜索算法SSA-CNN-LSTM-Attention故障诊断分类预测【含源码 5689期】.zip
07-30
CSDN海神之光上传的全部代码均可运行，亲测可用，直接替换数据即可，适合小白； 1、代码压缩包内容 主函数：Main .m； 数据； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，可私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开除Main.m的其他m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博主博客文章底部QQ名片； 4.1 CSDN博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作 智能优化算法-CNN-LSTM-Attention分类系列程序定制或科研合作方向： 4.4.1 遗传算法GA/蚁群算法ACO-CNN-LSTM-Attention分类 4.4.2 粒子群算法PSO/蛙跳算法SFLA-CNN-LSTM-Attention分类 4.4.3 灰狼算法GWO/狼群算法WPA-CNN-LSTM-Attention分类 4.4.4 鲸鱼算法WOA/麻雀算法SSA-CNN-LSTM-Attention分类 4.4.5 萤火虫算法FA/差分算法DE-CNN-LSTM-Attention分类
详解MATLAB Simulink通信系统建模与仿真
07-30
第1 章 MATLAB 基础与通信系统仿真 1.1 MATLAB 简介 1.2 MATLAB 程序设计 1.3 通信系统仿真 第2 章 Simulink 仿真基础 2.1 Simulink 简介 2.2 Simulink 工作环境 2.3 Simulink 仿真的基本方法 2.4 创建自己的模块库 2.5 S-函数的编写 第3 章 通信信号与系统分析 3.1 离散信号和系统 3.2 Fourier 分析 3.3 带通信号的低通等效 3.4 随机信号分析 第4 章 信道 4.1 加性高斯白噪声信道 4.2 多径衰落信道 第5 章 模拟调制 5.1 幅度调制 5.2 角度调制 第6 章 数字基带传输 6.1 概述 6.2 二进制基带信号传输 6.3 基带PAM 信号传输 6.4 带限信道的信号传输 第7 章 数字信号载波传输 7.1 概述 7.2 载波幅度调制（PAM） 7.3 载波相位调制（PSK） 7.4 正交幅度调制（QAM） 7.5 载波频率调制（FSK） 第8 章 信道编码和交织 8.1 概述 8.2 线性分组码
SCI一区】淘金算法GRO-CNN-BiLSTM-Mutilhead-Attention多变量时序预测含源码 5642.zip
07-30
CSDN海神之光上传的全部代码均可运行，亲测可用，直接替换数据即可，适合小白； 1、代码压缩包内容 主函数：Main .m； 数据； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，可私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开除Main.m的其他m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博主博客文章底部QQ名片； 4.1 CSDN博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作 智能优化算法-CNN-BiLSTM-Mutilhead-Attention回归预测系列程序定制或科研合作方向： 4.4.1 遗传算法GA/蚁群算法ACO-CNN-BiLSTM-Mutilhead-Attention回归预测 4.4.2 粒子群算法PSO/蛙跳算法SFLA-CNN-BiLSTM-Mutilhead-Attention回归预测 4.4.3 灰狼算法GWO/狼群算法WPA-CNN-BiLSTM-Mutilhead-Attention回归预测 4.4.4 鲸鱼算法WOA/麻雀算法SSA-CNN-BiLSTM-Mutilhead-Attention回归预测 4.4.5 萤火虫算法FA/差分算法DE-CNN-BiLSTM-Mutilhead-Attention回归预测
2020年首届“洪泽湖杯”中国人工智能掼蛋算法大赛第8名我就是掼蛋.zip
07-30
毕业设计是高等教育阶段学生完成学业的一个重要环节，通常在学士或硕士学业即将结束时进行。这是学生将在整个学业中所学知识和技能应用到实际问题上的机会，旨在检验学生是否能够独立思考、解决问题，并展示其专业能力的一项综合性任务。 毕业设计的主要特点包括： 独立性： 毕业设计要求学生具备独立思考和解决问题的能力。学生需要选择一个合适的课题，研究相关文献，进行实地调查或实验，并提出独立见解。 实践性： 毕业设计是将理论知识应用到实际问题中的一次实践。通过完成毕业设计，学生能够将所学的专业知识转化为实际的解决方案，加深对专业领域的理解。 综合性： 毕业设计往往要求学生运用多个学科的知识，综合各种技能。这有助于培养学生的综合素养，提高他们的综合能力。 导师指导： 学生在毕业设计过程中通常由一名指导老师或导师团队提供指导和支持。导师负责引导学生确定研究方向、制定计划、提供建议，并在整个过程中监督进展。 学术规范： 毕业设计要求学生按照学术规范完成研究，包括文献综述、研究设计、数据采集与分析、结论和讨论等环节。学生需要撰写一篇完整的毕业论文，并进行答辩。
ElasticSearch入门与安装指南：倒排索引与IK分词器
对于中文搜索优化，推荐使用IK分词器，它能将中文文本拆分成关键字，提升搜索精度。安装时要确保与Elasticsearch的版本兼容，可通过狂神的资源获取，关注狂神说公众号获取更多支持。 总结起来，本笔记详细介绍了...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值