Python 使用ARIMA 模型，做最后残差分析时报错

麻烦各位看看 ： 这是源程序 model_bic = ARIMA(stock_train, order=(1, 1, 0),freq='W-MON') model_results_bic=model_bic.fit() model_results_aic.plot_diagnostics(figsize=(16, 12)) 结果 AttributeError: 'ARIMAResults' object has no attribute 'plot_diagnostics'

python 统计 回归残差对拟合值图疑问

画图时 看到书上加了plt.plot(reg.predict(X),np.ones(len(y))) 将np.ones(len(y)）这段删了以后拟合值图的区域和形状都不一样了，请问这句话是做什么用呢？ 我将np.ones(len(y)）换为np.zeros(len(y)）,区别就是横线处于0， 为什么书上要设置 为 1的横线呢？ 不太明白，请大家帮我看看~ ``` import matplotlib.pyplot as plt import pandas as pd import numpy as np import scipy.stats as stats w=pd.read_csv("Concrete_Data.csv") wn=w.columns print(wn) #各个变量散点图 f=plt.figure(figsize=(16,8)) k=0 for i in range(len(wn)): for j in range(len(wn)): k=k+1 if i!=j: f.add_subplot(len(wn),len(wn),k) plt.scatter(w[wn[i]],w[wn[j]]) plt.axis('off') else: f.add_subplot(len(wn),len(wn),k) plt.scatter([0,1],[0,1]) plt.text(.5,.5,wn[i],ha='center',va='center',size=10) plt.axis('off') #plt.show() #线性回归 from sklearn import linear_model y=np.array(w[wn[-1]])[:,np.newaxis] X=np.array(w[wn[:-1]]) #print(y) #print(w[wn[-1]]) reg=linear_model.LinearRegression() reg.fit(X,y) res=y-reg.predict(X) import pylab res.shape=res.shape[0] f.add_subplot(121)#一行两列，数到第一个 plt.scatter(reg.predict(X),res) plt.plot(reg.predict(X),np.ones(len(y)))#就是这里！！！！！ print(len(y)) print(np.ones(len(y))) plt.xlabel('Fitted values') plt.ylabel('Residuals') f.add_subplot(122) stats.probplot(res,dist='norm',plot=pylab) plt.show() ``` 

就剩这个问题没解决了:TypeError: 'function' object is not subscriptable拜托请教大家！

 import pandas as pd import numpy as np from GM11 import GM11 # 引入自己编写的灰色预测函数 data = pd.read_csv('D:\\软件\\python\\《Python数据分析与挖掘实战(张良均等)》中文PDF+源代码\\' '《Python数据分析与挖掘实战(张良均等)》中文PDF+源代码\\数据及代码\\chapter13\\test\\data\\data1.csv',engine='python') data.index = range(1994,2014) data data.loc[2014] = None data.loc[2015] = None h = ['x1', 'x2', 'x3', 'x4', 'x5', 'x7'] P = [] C = [] for i in h: gm = GM11(data[i][:-2].values)[0] # 利用返回的灰色预测函数，仅和对对应期数及位置有关 f = gm（[0] ） ##获得灰色预测函数 P = gm[-1] # 获得小残差概率 C = gm[-2] # 获得后验比差值 data[i][2014] = f(len(data) - 1) data[i][2015] = f(len(data)) data[i] = data[i].round(2) if (C < 0.35 and P > 0.95): # 评测后验差判别 print( '对于模型%s，该模型精度为---好' % i) elif (C < 0.5 and P > 0.8): print('对于模型%s，该模型精度为---合格' % i) elif (C < 0.65 and P > 0.7): print('对于模型%s，该模型精度为---勉强合格' % i) else: print('对于模型%s，该模型精度为---不合格' % i) data[h + ['y']].to_excel('D:\\软件\\python\\《Python数据分析与挖掘实战(张良均等)》中文PDF+源代码\\' '《Python数据分析与挖掘实战(张良均等)》中文PDF+源代码\\数据及代码\\chapter13\\test\\data\\2_1_2_1greyPredict(最新5）.xlsx') 补充： gm为自定义函数： def GM11(x0): #自定义灰色预测函数 import numpy as np x1 = x0.cumsum() #1-AGO序列 z1 = (x1[:len(x1)-1] + x1[1:])/2.0 #紧邻均值（MEAN）生成序列 z1 = z1.reshape((len(z1),1)) B = np.append(-z1, np.ones_like(z1), axis = 1) Yn = x0[1:].reshape((len(x0)-1, 1)) [[a],[b]] = np.dot(np.dot(np.linalg.inv(np.dot(B.T, B)), B.T), Yn) #计算参数 f = lambda k: (x0[0]-b/a)*np.exp(-a*(k-1))-(x0[0]-b/a)*np.exp(-a*(k-2)) #还原值 delta = np.abs(x0 - np.array([f(i) for i in range(1,len(x0)+1)])) C = delta.std()/x0.std() P = 1.0*(np.abs(delta - delta.mean()) < 0.6745*x0.std()).sum()/len(x0) return f, a, b, x0[0], C, P #返回灰色预测函数、a、b、首项、方差比、小残差概率

请问这个问题TypeError: '<' not supported between instances of 'list' and 'float'如何解决

 import pandas as pd import numpy as np from GM11 import GM11 # 引入自己编写的灰色预测函数 data = pd.read_csv('D:\\软件\\python\\《Python数据分析与挖掘实战(张良均等)》中文PDF+源代码\\《Python数据分析与挖掘实战(张良均等)》中文PDF+源代码\\数据及代码\\chapter13\\test\\data\\data1.csv',engine='python') data.index = range(1994,2014) data data.loc[2014] = None data.loc[2015] = None h = ['x1', 'x2', 'x3', 'x4', 'x5', 'x7'] P = [] C = [] for i in h: for j in range(1994, 2014): t = [] t.append(data[i][j]) if len(t) >= 2: t = t.as_matrix() gm = GM11(t) f = gm[0] ##获得灰色预测函数 P = gm[-1] # 获得小残差概率 C = gm[-2] # 获得后验比差值 data[i][2014] = f(len(data)-1) data[i][2015] = f(len(data)) data[i] = data[i].round(2) # 保留2位小数 if (C < 0.35 and P > 0.95): # 评测后验差判别 print( '对于模型%s，该模型精度为---好' % i) elif (C < 0.5 and P > 0.8): print('对于模型%s，该模型精度为---合格' % i) elif (C < 0.65 and P > 0.7): print('对于模型%s，该模型精度为---勉强合格' % i) else: print('对于模型%s，该模型精度为---不合格' % i) data[h + ['y']].to_excel('D:\\软件\\python\\《Python数据分析与挖掘实战(张良均等)》中文PDF+源代码\\《Python数据分析与挖掘实战(张良均等)》中文PDF+源代码\\数据及代码\\chapter13\\test\\data\\2_1_2_1greyPredict.xlsx')

实在解决不了再请教了：TypeError: unsupported operand type(s) for -: 'list' and 'int'

 import pandas as pd import numpy as np from numpy import * from GM11 import GM11 # 引入自己编写的灰色预测函数 data = pd.read_csv('D:\\软件\\python\\《Python数据分析与挖掘实战(张良均等)》中文PDF+源代码\\' '《Python数据分析与挖掘实战(张良均等)》中文PDF+源代码\\数据及代码\\chapter13\\test\\data\\data1.csv',engine='python') data.index = range(1994,2014) data data.loc[2014] = None data.loc[2015] = None h = ['x1', 'x2', 'x3', 'x4', 'x5', 'x7'] P = [] C = [] for i in h[:2]: gm = GM11(data[i][:-2].values)[0] # 利用返回的灰色预测函数，仅和对对应期数及位置有关 f = gm([0])##获得灰色预测函数 P = gm[-1]# 获得小残差概率 C = gm[-2] # 获得后验比差值 data[i][2014] = f(len(data) - 1) data[i][2015] = f(len(data)) data[i] = data[i].round(2) if (map(int,C) < 0.35 and map(int,P) > 0.95): # 评测后验差判别 print( '对于模型%s，该模型精度为---好' % i) elif (map(int,C) < 0.5 and map(int,P) > 0.8): print('对于模型%s，该模型精度为---合格' % i) elif (map(int,C)< 0.65 and map(int,P) > 0.7): print('对于模型%s，该模型精度为---勉强合格' % i) else: print('对于模型%s，该模型精度为---不合格' % i) data[h + ['y']].to_excel('D:\\软件\\python\\《Python数据分析与挖掘实战(张良均等)》中文PDF+源代码\\' '《Python数据分析与挖掘实战(张良均等)》中文PDF+源代码\\数据及代码\\chapter13\\test\\data\\2_1_2_1greyPredict(最新5）.xlsx') ``` ```

关于ARIMA模型的几点疑问

关于这个ARIMA模型，一直有些不理解之处，恳请指点下： 1. 这个数据的平稳化处理，是否就是剥离趋势和周期因素？ 剩余一个残差部分？ 2. 平稳化处理，据说有几种方法，比如对数化，差分，移动平均法，分解。对于分解是比较清晰的。对数化处理，只是单纯缩小数据范围，其实有点鸡肋的感觉，因为还要继续差分处理。对于差分和移动平均法，我一直是理解为差分用来消除趋势影响，而移动平均法则用来消除周期影响。不知道对不对，还是说差分是一次性消除趋势和周期两种因素? 3. 对于数据的分解，剥离了趋势和周期影响，剩余残差部分。要求是说残差也要满足平稳性。而平稳性，其实是规律性的体现。这样的话，残差有规律，就可以建立回归模型，从而进行预测。然后，模型建立后，进行残差检验，又要求满足白噪声。这个白噪声又是要求数据是随机性的，不能有规律性，否则就是趋势或周期因素未能剔除干净。。。这两者不是有矛盾么？？还是说数据分解的残差，和模型建立后的残差，并不是一个东东？？

R如何解决GLMM (lme4)中的自相关和convergence problem?

对于时空数据，每个地点每一年有多个样本这种，通常怎么处理？我看到有建议求平均值做成aggregate data，然后模型里添加weights= n 来account for the different amount of sampling（http://bbolker.github.io/mixedmodels-misc/ecostats_chap.html）， 也有直接用Year做random effect；我现在需要做个线性mixed模型，然后我困扰的是，一 如果不用aggregate数据，好像没法添加残差选项（模型会报错说group里面没有unique 值）；如果用，模型的选择就大大受限制了，目前我只知道lme 和lmer里的weights怎么选。种您一般怎么处理的呢 数据结构以及模型描述如下： https://stats.stackexchange.com/questions/438154/how-to-solve-autocorrelation-and-convergence-warning-in-glmm-lme4

Tensorflow代码转到Keras

我现在有Tensortflow的代码和结构图如下，这是AC-GAN中生成器的部分，我用原生tf是可以跑通的，但当我想转到Keras中实现却很头疼。 ``` def batch_norm(inputs, is_training=is_training, decay=0.9): return tf.contrib.layers.batch_norm(inputs, is_training=is_training, decay=decay) # 构建残差块 def g_block(inputs): h0 = tf.nn.relu(batch_norm(conv2d(inputs, 3, 64, 1, use_bias=False))) h0 = batch_norm(conv2d(h0, 3, 64, 1, use_bias=False)) h0 = tf.add(h0, inputs) return h0 # 生成器 # batch_size = 32 # z : shape(32, 128) # label : shape(32, 34) def generator(z, label): with tf.variable_scope('generator', reuse=None): d = 16 z = tf.concat([z, label], axis=1) h0 = tf.layers.dense(z, units=d * d * 64) h0 = tf.reshape(h0, shape=[-1, d, d, 64]) h0 = tf.nn.relu(batch_norm(h0)) shortcut = h0 for i in range(16): h0 = g_block(h0) h0 = tf.nn.relu(batch_norm(h0)) h0 = tf.add(h0, shortcut) for i in range(3): h0 = conv2d(h0, 3, 256, 1, use_bias=False) h0 = tf.depth_to_space(h0, 2) h0 = tf.nn.relu(batch_norm(h0)) h0 = tf.layers.conv2d(h0, kernel_size=9, filters=3, strides=1, padding='same', activation=tf.nn.tanh, name='g', use_bias=True) return h0 ```  在Keras中都是先构建Model，在Model中不断的加层 但上面的代码却是中间包含着新旧数据的计算，比如 ``` .... shortcut = h0 .... h0 = tf.add(h0, shortcut) ``` 难不成我还要构建另外一个model作为中间输出吗？ 大佬们帮帮忙解释下，或者能不能给出翻译到Keras中应该怎么写

利用MATLAB提取数据特征参数

各位大神们，小妹刚接触MATLAB，需要用对一组卫星数据做异变或者说是故障的特征参数提取，有几个问题困扰了很久。 1、由于数据间隔不一定，好几秒甚至几小时一个值，有三年的数据，我已经按1秒插值，然后又按100抽样，这样频率只有0.01，在频域都看不出什么东西，有什么办法能在频域上进行分析？ 2、目前采用的是小波变换或者小波包变换，我想对经典的那几个时域特征参数（方差、裕度、波性因子等）做提取，当然如果能提取到频域的东西就更好了，因为有一个数据故障在时域就看的很清楚了，用小波进行奇异点检测感觉还不如直接看时域效果的好，所以但感觉提取不到什么东西，不知道是不是我的理解错误了还是方法不对，希望有大神指点一下。 3、还想到一个方法就是先对数据进行数值积分然后在进行数值微分，用原信号减去数值微分后的数据求残差，分析残差，离散 数据能直接使用diff()方法吗？部分程序语句如下： filename = 'D:\Data\igso data_zpp\IK8_100.TXT'; [y]=textread(filename,'%f','headerlines',1); zhijieweifen=diff(y); %微分 t=0:10:length(y); yy=y(1:10:length(y)); datasum=length(t); Z=zeros(1,datasum); Z(1,1)=0; for n=2:datasum; Z(1,n)=trapz(t(1,1:n),yy(1,1:n)); %进行数值积分 end yicijifen=Z/10; 4、直接用神经网络进行拟合好，还是积分后再拟合好呢？  本来想把txt数据也发上来，后来发现不能发数据，所以只能有一张图片了 图片中黄色曲线为有异常的点（时域图，横坐标为时间点） 因为毕设需要，时间比较紧，有懂的大神一定要帮我解答一下，也可以直接联系扣扣514879303，或者发到扣扣邮箱也行，十分感谢！

如何用matalb优化拟合的线性函数？

用matlab已由两百组数据拟合出一个十元的线性函数，但残差不符合正态分布，该如何用matlab优化这个函数？可以考虑用非线性函数优化。求赐教。

caffe里加一个滤波器的层？

我想提取LEVELDB格式的图像文件的中值滤波残差（MFR），即中值滤波后的图像减去原图像。虽然这一步实现跟caffe里均值文件类似只是功能不同，但还是想把这一步实现为一个层。请问foward和backup里还需要添加操作么？如果用GPU写.cu文件的话在原cpp文件的基础上要改动很大么？ps:没学过gpu编程是不是可以放弃了...

MatLab 灰色预测模型预测人口数目 建模代码出错

以下是matlab代码，报错信息是：错误使用 plot 矢量长度必须相同。 检查了一下 报错的代码是plot(m,x0,'*',m,yuce,'r') 的后半部分，可是m和yuce的长度是一样的呀，都是52，每个年份都有其对应的预测值的，还望高手赐教！ x0=[60.2,61.5,62.8,64.6,66,67.2,66.2,65.9,67.3,69.1,70.4,72.5,74.5,76.3,78.5,80.7,83,85.2,87.1,89.2,90.9,92.4,93.7,95,96.259,97.5,98.705,100.1,101.654,103.008,104.357,105.851,107.5,109.3,111.026,112.704,114.333,115.823,117.171,118.517,119.85,121.121,122.389,123.626,124.761,125.786,126.743,127.627,128.453,129.227,129.988,130.756]'; n=length(x0)'; m=1954:2005; lamda=x0(1:n-1)./x0(2:n)%计算级比 range=minmax(lamda')%计算级比的范围 x1=cumsum(x0);%累加运算 B=[-0.5*(x1(1:n-1)+x1(2:n)),ones(n-1,1)]; Y=x0(2:n); u=B\Y %拟合参数u(1)=a,u(2)=b x=dsolve('Dx+a*x=b','x(0)=x0')%求解微分方程的符号解 x=subs(x,{'a','b','x0'},{u(1),u(2),x0(1)})%带入估计参数值和初始值 yuce1=subs(x,'t',[0:n-1])%求已知数据的预测值 y=vpa(x,6)%其中的6表示显示6位数字 yuce=[x0(1),diff(yuce1)]%差分运算，还原数据 plot(m,x0,'*',m,yuce,'r') xlabel('年份') ylabel('年终人口总数量（千万人）') title('每年年终人口总数目与预测值') legend('原始值','预测值') epsilon=x0'-yuce %计算残差 delta=abs(epsilon./x0')%计算相对误差 rho=1-(1-0.5*u(1))/(1+0.5*u(1))*lamda'%计算级比偏差值，u(1)=a

分块压缩感知程序运行显示dwt的参数不足，不会，求解

% 本程序实现图像LENA的压缩传感 % 程序作者：沙威，香港大学电气电子工程学系，wsha@eee.hku.hk % 算法采用正交匹配法，参考文献 Joel A. Tropp and Anna C. Gilbert % Signal Recovery From Random Measurements Via Orthogonal Matching % Pursuit，IEEE TRANSACTIONS ON INFORMATION THEORY, VOL. 53, NO. 12, % DECEMBER 2007. % 该程序没有经过任何优化 %function Wavelet_OMP clc clear % 读文件 X=imread('D:\用户目录\我的文档\MATLAB\New Folder\lena bmp 标准测试图像.bmp'); X=double(X); [a,b]=size(X); size_kuai=16*4; X2=zeros(size_kuai); % 恢复矩阵 X3=zeros(a,b); % 恢复矩阵 % 小波变换矩阵生成 ww=DWT(size_kuai); % 随机矩阵生成 M=12*4; R=randn(M,size_kuai); tic for i_x=1:ceil(a/size_kuai) for i_y=1:ceil(b/size_kuai) XX=X((i_x-1)*size_kuai+1:i_x*size_kuai,(i_y-1)*size_kuai+1:i_y*size_kuai); % 小波变换让图像稀疏化（注意该步骤会耗费时间，但是会增大稀疏度） X1=ww*sparse(XX)*ww'; X1=full(X1); % 测量 Y=R*X1; % OMP算法 for i=1:size_kuai % 列循环 rec=omp_fenkuai(Y(:,i),R,size_kuai); X2(:,i)=rec; end X3((i_x-1)*size_kuai+1:i_x*size_kuai,(i_y-1)*size_kuai+1:i_y*size_kuai)=ww'*sparse(X2)*ww; % 小波反变换 end end X3=full(X3); use_time=toc % 原始图像 figure(1); imshow(uint8(X)); title('原始图像'); % 压缩传感恢复的图像 figure(2); imshow(uint8(X3)); title('分块恢复的图像'); % 误差(PSNR) errorx=sum(sum(abs(X3-X).^2)); % MSE误差 psnr=10*log10(255*255/(errorx/a/b)) % PSNR % OMP的函数 % s-测量；T-观测矩阵；N-向量大小 function hat_y=omp_fenkuai(s,T,N) Size=size(T); % 观测矩阵大小 M=Size(1); % 测量 hat_y=zeros(1,N); % 待重构的谱域(变换域)向量 Aug_t=[]; % 增量矩阵(初始值为空矩阵) r_n=s; % 残差值 for times=1:M/4 % 迭代次数(稀疏度是测量的1/4) for col=1:N % 恢复矩阵的所有列向量 product(col)=abs(T(:,col)'*r_n); % 恢复矩阵的列向量和残差的投影系数(内积值) end [val,pos]=max(product); % 最大投影系数对应的位置 Aug_t=[Aug_t,T(:,pos)]; % 矩阵扩充 T(:,pos)=zeros(M,1); % 选中的列置零（实质上应该去掉，为了简单我把它置零） aug_y=(Aug_t'*Aug_t)^(-1)*Aug_t'*s; % 最小二乘,使残差最小 r_n=s-Aug_t*aug_y; % 残差 pos_array(times)=pos; % 纪录最大投影系数的位置 if (norm(r_n)<40) % 残差足够小 break; end end hat_y(pos_array)=aug_y; % 重构的向量 % 程序作者：沙威，香港大学电气电子工程学系，wsha@eee.hku.hk % 参考文献：小波分析理论与MATLAB R2007实现，葛哲学，沙威，第20章 小波变换在矩阵方程求解中的应用（沙威、陈明生编写）. D:\用户目录\我的文档\MATLAB\New Folder\lena bmp 标准测试图像.bmp % 构造正交小波变换矩阵，图像大小N*N，N=2^P，P是整数。 function ww=dwt(N) [h,g]= wfilters('sym8','d'); % 分解低通和高通滤波器 % N=256; % 矩阵维数(大小为2的整数幂次) L=length(h); % 滤波器长度 rank_max=log2(N); % 最大层数 rank_min=double(int8(log2(L)))+1; % 最小层数 ww=1; % 预处理矩阵 % 矩阵构造 for jj=rank_min:rank_max nn=2^jj; % 构造向量 p1_0=sparse([h,zeros(1,nn-L)]); p2_0=sparse([g,zeros(1,nn-L)]); % 向量圆周移位 for ii=1:nn/2 p1(ii,:)=circshift(p1_0',2*(ii-1))'; p2(ii,:)=circshift(p2_0',2*(ii-1))'; end % 构造正交矩阵 w1=[p1;p2]; mm=2^rank_max-length(w1); w=sparse([w1,zeros(length(w1),mm);zeros(mm,length(w1)),eye(mm,mm)]); ww=ww*w; clear p1;clear p2; end

ICP算法中求中心化点集之后，计算正定矩阵的方法，师兄给了一段代码，但是看不懂，求大神解答一下

ICP算法里中 计算两个点集的重心位置坐标，并进行点集中心化生成新的点集； 3） 由新的点集计算正定矩阵N，并计算N的最大特征值及其最大特征向量； 4） 由于最大特征向量等价于残差平方和最小时的旋转四元数，将四元数转换为旋转矩阵R； 5） 在旋转矩阵R被确定后，由平移向量t仅仅是两个点集的重心差异，可以通过两个坐标系中的重心点和旋转矩阵确定；  

resnet在cifar10和100中精度是top1还是top5

resnet在cifar10和100中精度是top1还是top5 resnext-widenet-densenet这些文章都说了在cifar10和100中的结果，但是并没有提及是top1还是top5，这些网络在imagenet和ILSVRC这些数据集上就明确说明了top1和top5精确度 难道是因为cifar被刷爆了只默认精度都是top1？

小白求助大佬，x265编码算法中数组名O[],EO[],EEO[],EEE[]等名字的意义或者来源

一段示例代码： /** 函数功能 ：对残差块进行16x16DCT变换并对其转置 * \参数 block ：残差数据 * \参数 coeff ：存储行变换后的数据 * \参数 shift ：行变换移位个数 * \返回 ：null **/ static void partialButterfly16(const int16_t* src, int16_t* dst, int shift, int line) { //功能：行变换 X*DCT’ int j, k; int E[8], O[8]; int EE[4], EO[4]; int EEE[2], EEO[2]; int add = 1 << (shift - 1); for (j = 0; j < line; j++) { /* E and O */ for (k = 0; k < 8; k++) { E[k] = src[k] + src[15 - k]; O[k] = src[k] - src[15 - k]; } /* EE and EO */ for (k = 0; k < 4; k++) { EE[k] = E[k] + E[7 - k]; EO[k] = E[k] - E[7 - k]; } /* EEE and EEO */ EEE[0] = EE[0] + EE[3]; EEO[0] = EE[0] - EE[3]; EEE[1] = EE[1] + EE[2]; EEO[1] = EE[1] - EE[2]; dst[0] = (int16_t)((g_t16[0][0] * EEE[0] + g_t16[0][1] * EEE[1] + add) >> shift); dst[8 * line] = (int16_t)((g_t16[8][0] * EEE[0] + g_t16[8][1] * EEE[1] + add) >> shift); dst[4 * line] = (int16_t)((g_t16[4][0] * EEO[0] + g_t16[4][1] * EEO[1] + add) >> shift); dst[12 * line] = (int16_t)((g_t16[12][0] * EEO[0] + g_t16[12][1] * EEO[1] + add) >> shift); for (k = 2; k < 16; k += 4) { dst[k * line] = (int16_t)((g_t16[k][0] * EO[0] + g_t16[k][1] * EO[1] + g_t16[k][2] * EO[2] + g_t16[k][3] * EO[3] + add) >> shift); } for (k = 1; k < 16; k += 2) { dst[k * line] = (int16_t)((g_t16[k][0] * O[0] + g_t16[k][1] * O[1] + g_t16[k][2] * O[2] + g_t16[k][3] * O[3] + g_t16[k][4] * O[4] + g_t16[k][5] * O[5] + g_t16[k][6] * O[6] + g_t16[k][7] * O[7] + add) >> shift); } src += 16; dst++; } } 如： 定义4字节有符号的临时数组： O[16], EO[8], EE[4], EEEO[2], EEEE[2], EEE[8],E[16]. 代码源http://blog.csdn.net/cabbage2008/article/details/50609275

压缩感知的大神们，帮帮忙啊，一维信号的MP算法重构，稍微改动了下矩阵，出错了

clc clear all; close all; M = 64;   %观测信号长度 N = 256;  %稀疏信号长度 K = 7;   %稀疏度 f1=50;    %  信号频率1 f2=100;   %  信号频率2 f3=200;   %  信号频率3 f4=400;   %  信号频率4 fs=800;   %  采样频率 ts=1/fs;  %  采样间隔 Ts=1:N;   %  采样序列 x0=0.3*cos(2*pi*f1*Ts*ts)+0.6*cos(2*pi*f2*Ts*ts)+0.1*cos(2*pi*f3*Ts*ts)+0.9*cos(2*pi*f4*Ts*ts); %------  高斯感知矩阵Phi   ------------- D=ones(M,N); D(:,1:2:N)=0; Phi = sqrt(1/M) * D; %Phi = sqrt(1/M) * randn(M,N); for i = 1:N      Phi(:,i) = Phi(:,i) / norm(Phi(:,i)); end %-------- 测量向量 y  ---------- y = Phi * x0.'; %% -----2. MP Reconstruction ------------ Psi=fft(eye(N,N))/sqrt(N);                        %  傅里叶正变换矩阵 T=Phi*Psi';     %  恢复矩阵(测量矩阵*正交反变换矩阵) x = zeros(N,1);       %x0的逼近信号x times =  K;           %迭代次数 = 稀疏度 g = zeros(N,1);       %余量和感知矩阵内积 r  = y;               %余量初始化为y tic for n=0:times     g = T' * r;     [val,K] = max( abs(g) ) ;     x(K,1) = x(K,1) + g(K,1);     r = r - g(K,1) * T(:,K); end toc x1=real(Psi'*x);  disp('MP relative error='); disp( norm(x1'-x0)/norm(x0) ); figure(1), hold on; plot(x1,'k.-');plot(x0,'r');  legend('MP重构信号','原始信号'); figure(2),  plot(real(r),'b');  legend('残差'); 

Kafka实战(三) - Kafka的自我修养与定位

Apache Kafka是消息引擎系统，也是一个分布式流处理平台（Distributed Streaming Platform） Kafka是LinkedIn公司内部孵化的项目。LinkedIn最开始有强烈的数据强实时处理方面的需求，其内部的诸多子系统要执行多种类型的数据处理与分析，主要包括业务系统和应用程序性能监控，以及用户行为数据处理等。 遇到的主要问题： 数据正确性不足 数据的收集主要...

volatile 与 synchronize 详解

Java支持多个线程同时访问一个对象或者对象的成员变量，由于每个线程可以拥有这个变量的拷贝（虽然对象以及成员变量分配的内存是在共享内存中的，但是每个执行的线程还是可以拥有一份拷贝，这样做的目的是加速程序的执行，这是现代多核处理器的一个显著特性），所以程序在执行过程中，一个线程看到的变量并不一定是最新的。 volatile 关键字volatile可以用来修饰字段（成员变量），就是告知程序任何对该变量...

Java学习的正确打开方式

在博主认为，对于入门级学习java的最佳学习方法莫过于视频+博客+书籍+总结，前三者博主将淋漓尽致地挥毫于这篇博客文章中，至于总结在于个人，实际上越到后面你会发现学习的最好方式就是阅读参考官方文档其次就是国内的书籍，博客次之，这又是一个层次了，这里暂时不提后面再谈。博主将为各位入门java保驾护航，各位只管冲鸭！！！上天是公平的，只要不辜负时间，时间自然不会辜负你。 何谓学习？博主所理解的学习，它是一个过程，是一个不断累积、不断沉淀、不断总结、善于传达自己的个人见解以及乐于分享的过程。

程序员必须掌握的核心算法有哪些？

由于我之前一直强调数据结构以及算法学习的重要性，所以就有一些读者经常问我，数据结构与算法应该要学习到哪个程度呢？，说实话，这个问题我不知道要怎么回答你，主要取决于你想学习到哪些程度，不过针对这个问题，我稍微总结一下我学过的算法知识点，以及我觉得值得学习的算法。这些算法与数据结构的学习大多数是零散的，并没有一本把他们全部覆盖的书籍。下面是我觉得值得学习的一些算法以及数据结构，当然，我也会整理一些看过...

有哪些让程序员受益终生的建议

从业五年多，辗转两个大厂，出过书，创过业，从技术小白成长为基层管理，联合几个业内大牛回答下这个问题，希望能帮到大家，记得帮我点赞哦。 敲黑板！！！读了这篇文章，你将知道如何才能进大厂，如何实现财务自由，如何在工作中游刃有余，这篇文章很长，但绝对是精品，记得帮我点赞哦！！！！ 一腔肺腑之言，能看进去多少，就看你自己了！！！ 目录： 在校生篇： 为什么要尽量进大厂？ 如何选择语言及方...

大学四年自学走来，这些私藏的实用工具/学习网站我贡献出来了

大学四年，看课本是不可能一直看课本的了，对于学习，特别是自学，善于搜索网上的一些资源来辅助，还是非常有必要的，下面我就把这几年私藏的各种资源，网站贡献出来给你们。主要有：电子书搜索、实用工具、在线视频学习网站、非视频学习网站、软件下载、面试/求职必备网站。 注意：文中提到的所有资源，文末我都给你整理好了，你们只管拿去，如果觉得不错，转发、分享就是最大的支持了。 一、电子书搜索 对于大部分程序员...

linux系列之常用运维命令整理笔录

本博客记录工作中需要的linux运维命令，大学时候开始接触linux，会一些基本操作，可是都没有整理起来，加上是做开发，不做运维，有些命令忘记了，所以现在整理成博客，当然vi，文件操作等就不介绍了，慢慢积累一些其它拓展的命令，博客不定时更新 free -m 其中：m表示兆，也可以用g，注意都要小写 Men：表示物理内存统计 total：表示物理内存总数(total=used+free) use...

比特币原理详解

一、什么是比特币 比特币是一种电子货币，是一种基于密码学的货币，在2008年11月1日由中本聪发表比特币白皮书，文中提出了一种去中心化的电子记账系统，我们平时的电子现金是银行来记账，因为银行的背后是国家信用。去中心化电子记账系统是参与者共同记账。比特币可以防止主权危机、信用风险。其好处不多做赘述，这一层面介绍的文章很多，本文主要从更深层的技术原理角度进行介绍。 二、问题引入 假设现有4个人...

GitHub开源史上最大规模中文知识图谱

近日，一直致力于知识图谱研究的 OwnThink 平台在 Github 上开源了史上最大规模 1.4 亿中文知识图谱，其中数据是以（实体、属性、值），（实体、关系、实体）混合的形式组织，数据格式采用 csv 格式。 到目前为止，OwnThink 项目开放了对话机器人、知识图谱、语义理解、自然语言处理工具。知识图谱融合了两千五百多万的实体，拥有亿级别的实体属性关系，机器人采用了基于知识图谱的语义感...

程序员接私活怎样防止做完了不给钱？

首先跟大家说明一点，我们做 IT 类的外包开发，是非标品开发，所以很有可能在开发过程中会有这样那样的需求修改，而这种需求修改很容易造成扯皮，进而影响到费用支付，甚至出现做完了项目收不到钱的情况。 那么，怎么保证自己的薪酬安全呢？ 我们在开工前，一定要做好一些证据方面的准备（也就是“讨薪”的理论依据），这其中最重要的就是需求文档和验收标准。一定要让需求方提供这两个文档资料作为开发的基础。之后开发...

网页实现一个简单的音乐播放器（大佬别看。(⊙﹏⊙)）

今天闲着无事，就想写点东西。然后听了下歌，就打算写个播放器。 于是乎用h5 audio的加上js简单的播放器完工了。 演示地点演示 html代码如下` music 这个年纪 七月的风 音乐 ` 然后就是css`*{ margin: 0; padding: 0; text-decoration: none; list-...

微信支付崩溃了，但是更让马化腾和张小龙崩溃的竟然是……

loonggg读完需要3分钟速读仅需1分钟事件还得还原到昨天晚上，10 月 29 日晚上 20:09-21:14 之间，微信支付发生故障，全国微信支付交易无法正常进行。然...

Python十大装B语法

Python 是一种代表简单思想的语言，其语法相对简单，很容易上手。不过，如果就此小视 Python 语法的精妙和深邃，那就大错特错了。本文精心筛选了最能展现 Python 语法之精妙的十个知识点，并附上详细的实例代码。如能在实战中融会贯通、灵活使用，必将使代码更为精炼、高效，同时也会极大提升代码B格，使之看上去更老练，读起来更优雅。

数据库优化 - SQL优化

以实际SQL入手，带你一步一步走上SQL优化之路！

2019年11月中国大陆编程语言排行榜

2019年11月2日，我统计了某招聘网站，获得有效程序员招聘数据9万条。针对招聘信息，提取编程语言关键字，并统计如下： 编程语言比例 rank pl_ percentage 1 java 33.62% 2 cpp 16.42% 3 c_sharp 12.82% 4 javascript 12.31% 5 python 7.93% 6 go 7.25% 7 p...

通俗易懂地给女朋友讲：线程池的内部原理

餐盘在灯光的照耀下格外晶莹洁白，女朋友拿起红酒杯轻轻地抿了一小口，对我说：“经常听你说线程池，到底线程池到底是个什么原理？”

《奇巧淫技》系列-python！！每天早上八点自动发送天气预报邮件到QQ邮箱

将代码部署服务器，每日早上定时获取到天气数据，并发送到邮箱。 也可以说是一个小型人工智障。 知识可以运用在不同地方，不一定非是天气预报。

经典算法（5）杨辉三角

杨辉三角 是经典算法，这篇博客对它的算法思想进行了讲解，并有完整的代码实现。

英特尔不为人知的 B 面

从 PC 时代至今，众人只知在 CPU、GPU、XPU、制程、工艺等战场中，英特尔在与同行硬件芯片制造商们的竞争中杀出重围，且在不断的成长进化中，成为全球知名的半导体公司。殊不知，在「刚硬」的背后，英特尔「柔性」的软件早已经做到了全方位的支持与支撑，并持续发挥独特的生态价值，推动产业合作共赢。 而对于这一不知人知的 B 面，很多人将其称之为英特尔隐形的翅膀，虽低调，但是影响力却不容小觑。 那么，在...

腾讯算法面试题：64匹马8个跑道需要多少轮才能选出最快的四匹？

昨天，有网友私信我，说去阿里面试，彻底的被打击到了。问了为什么网上大量使用ThreadLocal的源码都会加上private static？他被难住了，因为他从来都没有考虑过这个问题。无独有偶，今天笔者又发现有网友吐槽了一道腾讯的面试题，我们一起来看看。 腾讯算法面试题：64匹马8个跑道需要多少轮才能选出最快的四匹？ 在互联网职场论坛，一名程序员发帖求助到。二面腾讯，其中一个算法题：64匹...

面试官：你连RESTful都不知道我怎么敢要你？

干货，2019 RESTful最贱实践

刷了几千道算法题，这些我私藏的刷题网站都在这里了！

遥想当年，机缘巧合入了 ACM 的坑，周边巨擘林立，从此过上了"天天被虐似死狗"的生活… 然而我是谁，我可是死狗中的战斗鸡，智力不够那刷题来凑，开始了夜以继日哼哧哼哧刷题的日子，从此"读题与提交齐飞， AC 与 WA 一色 "，我惊喜的发现被题虐既刺激又有快感，那一刻我泪流满面。这么好的事儿作为一个正直的人绝不能自己独享，经过激烈的颅内斗争，我决定把我私藏的十几个 T 的，阿不，十几个刷题网...

为啥国人偏爱Mybatis，而老外喜欢Hibernate/JPA呢？

关于SQL和ORM的争论，永远都不会终止，我也一直在思考这个问题。昨天又跟群里的小伙伴进行了一番讨论，感触还是有一些，于是就有了今天这篇文。 声明：本文不会下关于Mybatis和JPA两个持久层框架哪个更好这样的结论。只是摆事实，讲道理，所以，请各位看官勿喷。 一、事件起因 关于Mybatis和JPA孰优孰劣的问题，争论已经很多年了。一直也没有结论，毕竟每个人的喜好和习惯是大不相同的。我也看...

白话阿里巴巴Java开发手册高级篇

不久前，阿里巴巴发布了《阿里巴巴Java开发手册》，总结了阿里巴巴内部实际项目开发过程中开发人员应该遵守的研发流程规范，这些流程规范在一定程度上能够保证最终的项目交付质量，通过在时间中总结模式，并推广给广大开发人员，来避免研发人员在实践中容易犯的错误，确保最终在大规模协作的项目中达成既定目标。 无独有偶，笔者去年在公司里负责升级和制定研发流程、设计模板、设计标准、代码标准等规范，并在实际工作中进行...

SQL-小白最佳入门sql查询一

不要偷偷的查询我的个人资料，即使你再喜欢我，也不要这样，真的不好；

项目中的if else太多了，该怎么重构？

介绍 最近跟着公司的大佬开发了一款IM系统，类似QQ和微信哈，就是聊天软件。我们有一部分业务逻辑是这样的 if (msgType = "文本") { // dosomething } else if(msgType = "图片") { // doshomething } else if(msgType = "视频") { // doshomething } else { // doshom...

Nginx 原理和架构

Nginx 是一个免费的，开源的，高性能的 HTTP 服务器和反向代理，以及 IMAP / POP3 代理服务器。Nginx 以其高性能，稳定性，丰富的功能，简单的配置和低资源消耗而闻名。 Nginx 的整体架构 Nginx 里有一个 master 进程和多个 worker 进程。master 进程并不处理网络请求，主要负责调度工作进程：加载配置、启动工作进程及非停升级。worker 进程负责处...

YouTube排名第一的励志英文演讲《Dream(梦想)》

Idon’t know what that dream is that you have, I don't care how disappointing it might have been as you've been working toward that dream,but that dream that you’re holding in your mind, that it’s po...

“狗屁不通文章生成器”登顶GitHub热榜，分分钟写出万字形式主义大作

一、垃圾文字生成器介绍 最近在浏览GitHub的时候，发现了这样一个骨骼清奇的雷人项目，而且热度还特别高。 项目中文名：狗屁不通文章生成器 项目英文名：BullshitGenerator 根据作者的介绍，他是偶尔需要一些中文文字用于GUI开发时测试文本渲染，因此开发了这个废话生成器。但由于生成的废话实在是太过富于哲理，所以最近已经被小伙伴们给玩坏了。 他的文风可能是这样的： 你发现，...

程序员：我终于知道post和get的区别

是一个老生常谈的话题，然而随着不断的学习，对于以前的认识有很多误区，所以还是需要不断地总结的，学而时习之，不亦说乎

《程序人生》系列-这个程序员只用了20行代码就拿了冠军

你知道的越多，你不知道的越多 点赞再看，养成习惯GitHub上已经开源https://github.com/JavaFamily，有一线大厂面试点脑图，欢迎Star和完善 前言 这一期不算《吊打面试官》系列的，所有没前言我直接开始。 絮叨 本来应该是没有这期的，看过我上期的小伙伴应该是知道的嘛，双十一比较忙嘛，要值班又要去帮忙拍摄年会的视频素材，还得搞个程序员一天的Vlog，还要写BU...

加快推动区块链技术和产业创新发展，2019可信区块链峰会在京召开

11月8日，由中国信息通信研究院、中国通信标准化协会、中国互联网协会、可信区块链推进计划联合主办，科技行者协办的2019可信区块链峰会将在北京悠唐皇冠假日酒店开幕。 　　区块链技术被认为是继蒸汽机、电力、互联网之后，下一代颠覆性的核心技术。如果说蒸汽机释放了人类的生产力，电力解决了人类基本的生活需求，互联网彻底改变了信息传递的方式，区块链作为构造信任的技术有重要的价值。 　　1...

相关热词 c# clr dll c# 如何orm c# 固定大小的字符数组 c#框架设计 c# 删除数据库 c# 中文文字 图片转 c# 成员属性 接口 c#如何将程序封装 16进制负数转换 c# c#练手项目