- 博客(58)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 c++基础学习第五天半（类和对象）
在C++中，类内的成员变量和成员函数分开存储只有非静态成员变量才属于类的对象上2.3.2 、this指针概念通过4.3.1我们知道在C++中成员变量和成员函数是分开存储的每一个非静态成员函数只会诞生一份函数实例，也就是说多个同类型的对象会共用一块代码那么问题是：这一块代码是如何区分那个对象调用自己的呢？c++通过提供特殊的对象指针，this指针，解决上述问题。this指针指向被调用的成员函数所属的对象this指针是隐含每一个非静态成员函数内的一种指针this指针不需要定义，直接使用即可thi
2024-03-31 22:19:25
817
原创 c++基础学习第七天（stl）
学习目标：vector中存放自定义数据类型，并打印输出//自定义数据类型public:mAge = age;//存放对象//创建数据it!= v.end();it++) {//放对象指针//创建数据it!= v.end();test02();return 0;
2024-03-31 10:07:42
565
原创 c++基础学习第五天（函数提高，类和对象）
作用：函数名可以相同，提高复用性同一个作用域下函故名称相同函数参数类型不同或者个数不同或者顺序不同注意：函放的返回值不可以作为函数重载的条件。
2024-03-23 15:25:22
627
原创 sklearn.model_selection.learning_curve的详细介绍（包含ShuffleSplit()介绍）
提示：sklearn.model_selection.learning_curve的详细介绍。
2024-03-15 20:19:38
917
原创 c++基础学习第三天（指针，结构体，运算符）
指针变量定义语法：*数据类型变量名；//1、定义指针// 指针定义的语法：数据类型 * 指针变量名：int *p;// 让指针记录变量a的地址p = &a1;cout
2024-03-04 19:07:38
1029
原创 c++基础学习第二天（数组，函数）
所谓数组，就是一个集合，里面存放了相同类型的数据元素特点1：数组中的每个放据元素都是相同的数据类型特点2：数组是由连续的内存位置组成的维数组定义的三种方式：1.数据类型数组名[数组长度]；//给数组中的元素进行赋值//数组元素的下标是从0开始索引的2.数据类型数组名[数组长度]={值1，值2…}；//如果在初始化数据时候，没有全部填写完，会用0来填补剩余数据3.数据类型数组名[]={值1，值2…}；
2024-03-03 16:34:24
925
原创 sklearn.preprocessing.RobustScaler（解释和原理，分位数，四分位差）
1，由于中位数的选取和分位点的选取规则不一样，可能导致不同的结果，尤其在处理的数据较少时，可能影响较大。2，根据Q1，Q3的计算公式可得，有时候计算的为分数，所以在这个时候Q1和Q3的取法可能有很大的不同。3，当数据量足够，数据较密集时，可以看到和计算公式就很吻合。
2024-02-27 17:16:23
572
原创 Group k-fold解释和代码实现
Group k-fold:不考虑标签（class）和组（group）的影响。有时候测试集包含某一类的全部标签，而训练集不包含该类的样本。也就是说没经过训练，就要测试（KFold 第1折叠）。适用于每一组的数据类型都很全的时候。
2024-01-01 22:35:23
906
原创 KFold解释和代码实现
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考KFold:不考虑标签（class）和组（group）的影响。有时候测试集包含某一类的全部标签，而训练集不包含该类的样本。也就是说没经过训练，就要测试（KFold 第1折叠）。适用于数据比较平衡，数据来自同一组（同一个机器，不同故障）的时候。记住要打乱数据。
2024-01-01 11:01:11
1376
原创 交叉验证的种类和原理（sklearn.model_selection import *）
前提：假设某些数据是独立且相同分布的 （i.i.d.)，假设所有样本都源于同一个生成过程，并且假设生成过程没有对过去生成的样本的记忆。注意：虽然i.i.d.数据是机器学习理论中的常见假设，但在实践中很少成立。如果知道样本是使用瞬态过程生成的，则使用时间序列感知交叉验证方案会更安全（例一）。同样，如果我们知道生成过程具有组结构（从不同受试者、实验、测量设备收集的样本），则使用分组交叉验证会更安全（例二）。
2023-12-29 17:27:38
1289
原创 机器学习或深度学习的数据读取工作（大数据处理）
机器学习或深度学习的数据读取工作（大数据处理）主要是.split和re.findall和glob.glob运用。读取文件的路径（为了获得文件内容）和提取文件路径中感兴趣的东西(标签)1，“glob.glob”用于读取文件路径2，“.split“用于字符串分割3，”re.findall“用于获取字符串里的感兴趣的东西。
2023-12-24 23:55:44
1509
3
原创 凯斯西储大学轴承数据解读
Normal Baseline Data里面的数据的采样频率是12k。每个.mat文件下，都包含在该故障下，或驱动端或风扇端或基座采集到的数据。数据集官网。
2023-12-20 22:02:00
2359
1
原创 振动位移、振动速度、振动加速度分析
振动位移：理解成路程，单位是mm，一般用于低转速机械的振动评定；振动速度：理解成速度，单位是mm/s，一般用于中速转动机械的振动评定；振动加速度：理解成运动加速度，单位mm/s²，一般用于高速转动机械的振动评定。振动位移、速度和加速度的定义如下【1】。振动物体 （或质点） 每秒钟振动的次数称为振动频率。对简谐振动而言，振动物理量加速度、速度和位移三者与振动频率存在如下关系。
2023-12-17 09:53:53
5147
原创 scipy.signal.hilbert和scipy.fftpack.hilbert的区别
提示：分析scipy.signal.hilbert和scipy.fftpack.hilbert在应用的区别。
2023-12-15 21:26:04
442
原创 model.fit中的Epoch、Batch_Size和iteration详解
https://blog.csdn.net/xjp_xujiping/article/details/82953246https://blog.csdn.net/lafengxiaoyu/article/details/111602955文章目录一，原因二，epochs三，batch_size(每一批次数据的多少)四，Iterations（批次的多少）五，举个例子六，model.fit介绍一，原因我们接触到的机器学习和深度学习为了训练模型都需要庞大的数据，而对数据的处理（咋样将数据喂入模型）将是.
2022-04-26 11:05:30
5578
原创 使用word写论文必备技巧（设置目录，目录导航）
文章目录1，word设置目录2，word目录导航1，word设置目录引用->目录->自定义目录->选项之后就是确定退出2，word目录导航
2022-04-25 22:36:57
2131
原创 论文写作注意事项与方法
https://zhuanlan.zhihu.com/p/416313308文章目录1，国内外研究现状咋写1.1，国内外研究现状定义1.2举个例子1.3，写法1，国内外研究现状咋写1.1，国内外研究现状定义在写论文的时候，不可避免的都要涉及到一个关键内容，就是文献综述，也是我们常说的国内外研究现状。其实通俗来说，就是国内和国外对于一个研究对象目前的研究现状，可以是国家层面上相关部门对于研究对象的研究，也可以是权威学者，对于研究对象的研究。1.2举个例子比如说一个会计准则，国家的财政部门可能对.
2022-04-25 22:10:49
342
原创 pycharm经常使用到的快捷键
https://www.cnblogs.com/liangmingshen/p/9297381.html文章目录一，编辑快捷键二，查找/替换三，导航一，编辑快捷键快捷键功能Ctrl + P参数信息（在方法中调用参数）Ctrl + Q快速查看文档Ctrl + /行注释Ctrl + Shift + /块注释Ctrl + Alt + L代码格式化二，查找/替换快捷键功能Ctrl + R替换Ctrl + Shift .
2022-04-25 22:09:30
80
原创 CNN与RNN结合建立模型
文章目录前言一、课题描述二、课题分析三、问题解决方法前言最近在研究一个课题，在建模部分遇到了一些问题。下面是关于解决问题后的一些想法。一、课题描述课题给了K个心跳数据，数据是一维的，要求使用机器学习和深度学习对其进行分类。每个心跳数据作图如下（😏）。二、课题分析每个心跳数据的特征都包括空间特征和时间特征。空间特征有卷积神经网络（CNN），时间特征有循环神经网络（RNN）。但是两者是不是可以结合使用？如果可以结合使用，咋样结合呢？本文对以上两个问题做出详尽地解答。三、问题解决方法.
2022-04-23 20:47:54
1125
原创 tf.keras.layers.Conv2D，tf.keras.layers.SimpleRNN()主要参数讲解
文章目录一，tf.keras.layers.Conv2D（）主要参数讲解1.1 参数filter1.2 输入，输出矩阵格式二，tf.keras.layers.SimpleRNN()主要参数：记忆体例如：tf.keras.layers.Conv1D(filters=128, # 卷积过滤器的数量,对应输出的维数kernel_size=50, # 整数,过滤器的大小,如果为一个整数则宽和高相同strides=3, #
2022-04-18 21:09:23
2148
原创 wfdb读取不同后缀的数据文件（ECG）
文章目录一，读取.hea文件（几乎没用）二，读取record数据(.dat)（数据）三，读取.art文件（）四，读取.qrs文件一，读取.hea文件（几乎没用）from IPython.display import displayimport wfdbrecord = wfdb.rdheader('database/04015')display(record.__dict__)二，读取record数据(.dat)（数据）from IPython.display import display
2022-04-11 09:01:01
3599
3
原创 删除不了文件不存在的（更改文件所有权）
不可以乱删文件，删除之前一定要确保文件不再需要，或者删除后不要清空回收站，过一些时间，确保文件无用时，再清空回收站。
2022-04-09 09:52:28
631
原创 CNN,RNN的一些注意事项
文章目录CNN注意事项法一法二RNN注意事项Embedding编码正常编码CNN注意事项tf.keras.layers.Conv1D（）输入数据结构一定要是（数据条数，每条数据的个数，1）法一X = np.expand_dims(X, axis=2) # 给数据增加一个维度，使数据和网络结构匹配法二tensorflow.keras.layers.Conv2D（）输入数据结构一定要是（数据条数，每条数据的长度，每条数据的宽度，1）x_train = x_train.res
2022-04-08 23:23:31
1198
原创 linux 基本操作
https://blog.csdn.net/qq_19998189/article/details/78566486文章目录基本操作命令行提示符退出系统tab补全命令行采用的句型进程与程序路径相关命令文件类型基本操作命令行提示符user@ubuntu:~$ 为命令提示符， @ 之前的部分为当前用户ID， @ 与 : 之间的部分，为您的主机名称， : 与 $ 之间的部分，为当前的路径。退出系统1，您可以点击这一个图标来退出系统2，也可以在终端或者控制台中输入命令sudo halttab补.
2022-04-07 18:46:59
850
原创 Linux分区的基本概念。
https://blog.csdn.net/qq_19998189/article/details/78566486文章目录前言一、分区概念1，书名，主引导纪录（ＭＢＲ）2，正文，就是硬盘中纪录的数据。3，索引相当于硬盘中的分区表3.1主分区（存放地址）3.2扩展分区前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。一、分区概念首先我们需要知道，硬盘分区的存在，是由硬盘的物理.
2022-04-07 14:51:49
1184
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人