- 博客(106)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 Python与数据库迁移过程中问题解决
a.对于models.py/migrations放在总目录下的：python manage.py inspectdb > /models.py。 b.对于models.py/migrations放在各app下的：将所有model.py文件中的字段，表全部对着已有数据库改一下(繁琐)。在navicat中删除了数据库中某表的字段。然后进行迁移即可(注:数据需要重新录入)4.修改models.py中要更新的内容。1.更改Models内容。2.删除所有 迁移记录。
2023-03-23 13:58:00
1053
1
原创 Method *** Not Allowed 解决办法集锦
使用DRF框架进行接口测试时，出现“method \PUT\（或\\DELETE\） not allowed!
2023-03-16 10:47:14
2694
原创 轨迹相似性度量方法总结
轨迹相似性度量方法总结基于点的度量基于形状的度量基于分段基于特定任务基于点的度量1.欧氏距离优点：线性计算时间缺点：轨迹长度要相同2.DTW是对时间序列距离测量的改进优点：考虑到时间差；比欧式距离效果好缺点：对噪音比较敏感３.LCSS优点：对噪音有一定的鲁棒性缺点:阈值不好定义4.EDR优点：对噪音有一定的鲁棒性缺点:阈值不好定义EDR和LCSS的比较:共同点:他们都是基于点的EDR计算操作代价时需要考虑未匹配的点不同点：LCSS代价高，EDR代价低基于形状的度量
2021-06-19 14:31:54
5369
原创 带你走进和声搜索算法（Harmony search ）的世界！
和声搜索算法的理论和应用一、HS算法简介二、HS算法的基本理论和应用三、HS应用一、HS算法简介和声搜索（HS）算法首先由Geem等人在2001年提出，和其他元启发式算法一样，它受到音乐家即兴和声的基本原则的启发。该算法简单、搜索效率高。已成功应用于函数优化、机械结构设计、管网优化和数据分类系统优化等领域。二、HS算法的基本理论和应用音乐家在谱写和声时，通常会尝试记忆存储中各种音调的可能组合。这种寻找完美和声的过程实际上类似于寻找工程问题的最优解的过程。HS方法实际上是受和声即兴创作的工作原理的启
2021-04-10 11:34:45
2743
原创 聊聊用于特征处理的tsfresh
tsfresh闪亮登场了！tsfresh简介tsfresh是用于提取时序数据特征的Python包，可以自动计算大量的时序数据特征。可以自动从时序数据中提取100多个特征，包含多种特征提取方法和一种稳健的特征选择方法，还包含对于回归或分类任务时评估这些特征的重要方法。特点：tsfresh可自动计算大量时序特征，通过假设检验来讲特征消减到最能解释趋势的特征，然后使用这些特征集在时序数据上构造统计或机器学习模型。利用tsfresh提取的特征可用于描述或聚类时间序列，此外，用来建立模型，对时间序列执行分
2021-04-08 08:58:48
1594
原创 windows10环境tensorflow下载安装
windows10环境tensorflow下载安装网上好多安装版本都是在anacoda下安装的，我实在不想下载anacoda了，于是找到如下教程：我所使用的是 Python：3.7.3 需要是64位的安装成功会提示：tensorflow安装去下面的网址找到需要的包：https://www.lfd.uci.edu/~gohlke/pythonlibs/这里以tensorflow为例，下载一个对应版本的TensorFlow我下载的是图中所画的版本。然后cmd进入到你下载的路径，pip安
2021-04-06 10:16:30
322
原创 小波阈值去噪原理及实现
小波阈值去噪原理及实现1.小波阈值去噪的基本原理2.小波阈值去噪需要考虑的问题3.小波阈值的实现1.小波阈值去噪的基本原理将信号通过小波变换（采用Mallat算法）后，信号产生的小波系数含有信号的重要信息，将信号经小波分解后小波系数较大，噪声的小波系数较小，并且噪声的小波系数要小于信号的小波系数，通过选取一个合适的阀值，大于阀值的小波系数被认为是有信号产生的，应予以保留，小于阀值的则认为是噪声产生的，置为零从而达到去噪的目的。其实质为抑制信号中无用的部分、增强有用部分。其基本步骤为：（1）分解：选
2021-03-25 09:48:38
36171
13
原创 python：No module named ‘pywt‘解决办法
如果你运行过程中出现以下情况此时直接pip的话，会出现下列警告解决办法就是：如果其他地方没有错误的话，这样程序就可以运行了。大功告成！！！参考：https://blog.csdn.net/baidu_33256174/article/details/90179513?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.control&dist_request_id=&a
2021-03-24 10:04:39
11213
3
原创 轨迹相似性度量之基于Hausdorff与LCSS的理解
1. 对于Hausdorff距离的理解Hausdorff距离：描述两组点集之间相似程度的一种度量。假设两组集合A={a1,a2,.....ap},B={b1,b2.....bp},则这两个点集之间的Hausdorff距离定义为：H(A,B)=max（h(A,B),h(A,B)） (1)其中，h(A,B)=max(a∈A) min(b∈B) ||a-b|| (2)， h(B,A)=max(b∈B) min(a∈A) ||b-a|| ...
2021-03-15 20:59:24
2731
原创 Python中两个浮点数的简单运算
为什么浮点数不能直接比大小呢？简单的来说就是计算机里面的数字是由二进制保存的，在计算机内部有些数字不能准确的保存，于是就保存一个最靠近的数字。在十进制中也会存在这样的问题，数字不能准确地表示像1/3这样的数字，所以你必须舍入到0.33之类的东西 - 你不要指望0.33 + 0.33 + 0.33加起来就是1。因此我们在比较两个float是否相等时，不能仅仅依靠 == 来进行判断，而是当他们两者的差小于一个我们可以容忍的小值时，就可以认为他们就是相等的。那么Python是如何解决的呢？第一种方法：
2021-03-15 17:09:55
3467
原创 TypeError: cannot convert the series to ＜class ‘float‘＞问题解决
原来的出错代码是这样的getDistance(p[3][0],p[3][1],L[j]['lat'],L[j]['lng'])报错：TypeError: cannot convert the series to <class 'float'>我的解决办法是 lat=L[j]['lat'][0] lng=L[j]['lng'][0] d1=getDistance(p[0][0],p[0][1],lat,lng)此时运行出来了。之前尝试过（1）astype()转为float
2021-03-15 15:06:07
13415
原创 经纬度坐标与距离的相互转换及其实现
经纬度坐标与距离的相互转换1.经纬度与距离角度的换算关系：2 Python代码实现1.经纬度与距离角度的换算关系：a）在纬度相等的情况下：经度每隔0.00001度，距离相差约1米；每隔0.0001度，距离相差约10米；每隔0.001度，距离相差约100米；每隔0.01度，距离相差约1000米；每隔0.1度，距离相差约10000米。b）在经度相等的情况下：纬度每隔0.00001度，距离相差约1.1米；每隔0.0001度，距离相差约11米；每隔0.001度，距离相差约111米；每隔0.0
2021-03-13 23:08:47
19757
2
原创 运行差分灰狼时出现 关于“索引超出数组元素的数目(0)和矩阵维度问题以及图例的问题”的解决办法
看截图，上面注释掉的libsvmpredict是出错的，下面一句是修改后的。[~,~,fitness]=libsvmpredict(output_test,input_test,model);参考：https://www.ilovematlab.com/thread-585780-1-1.html
2021-01-11 21:29:36
5726
13
原创 空间插值方法对比整理
本来整理了一上午，已经整理好了，谁料手贱，没来得及保存就彻底没有了。算了 ，幸好其他的还没关闭。不错的PPT资源https://wenku.baidu.com/view/7f794d3ca88271fe910ef12d2af90242a895ab99.html插值方法对比整理版https://wenku.baidu.com/view/7f794d3ca88271fe910ef12d2af90242a895ab99.html空间插值https://geodoer.blog.csdn.net/artic
2021-01-08 11:18:56
3125
3
原创 不同插值方法的比较
不同插值方法的比较1.多项式插值2.分段插值1.多项式插值多项式插值：以一个多项式的形式来刻画经过一系列点的曲线。拉格朗日插值：简单易用，即每增加一个新的插值点时，整个基函数就需要重新构建，这大大增加了运算量。为此，我们需要寻找一种新的基函数，其能够在节点增加时，只需要在原有的基函数上增加一些新的基函数即可，而无需对原始的基函数进行重构。牛顿插值：也是n次多项式插值，是构造插值多项式的另一种方法，它具有继承性和易变化节点的特点。该基函数的一个优点是当增加一个新的插值节点 时，只需在原有基函数的基础上
2021-01-06 21:16:06
16391
原创 支持向量机（SVM） VS 支持向量回归机(SVR)
线性支持向量回归1.SVM分类器2.支持向量回归于支持向量机的不同之处3. SVM 算法小结1.SVM分类器SVM 擅长解决复杂的中小规模的非线性问题，甚至在特征多余训练样本时也能有非常好的表现。但是随着样本量的增加，SVM模型的计算复杂度会呈m^2或m^3增加。SVM 算法涉及到非常多的概念：间隔、支持向量、核函数、对偶、凸优化等。在两类样本线性可分的情况下，感知机可以保证找到一个解，完全正确的区分这两类样本。但是解不唯一，（如图2）而且这些决策边界的质量也不相同，直观上来看这条线两边的间隔
2021-01-06 09:51:32
9602
2
原创 优化算法笔记|萤火虫算法理解及实现
萤火虫算法一、萤火虫算法背景知识二、萤火虫算法三、萤火虫算法实现四、算法分析一、萤火虫算法背景知识萤火虫算法(Firefly Algorithm, FA)是基于萤火虫的闪光行为，它是一种用于全局优化问题的智能随机算法，由Yang Xin-She（2009）提出。萤火虫通过下腹的一种化学反应-生物发光（bioluminescence）。这种生物发光是萤火虫求偶仪式的重要组成部分，也是雄性萤火虫和雌性萤火虫交流的主要媒介，发出光也可用来引诱配偶或猎物，同时这种闪光也有助于保护萤火虫的领地，并警告捕食者远离栖
2021-01-05 12:59:54
4715
1
原创 优化算法笔记|飞蛾扑火优化算法理解及实现
飞蛾扑火算法一、飞蛾扑火算法背景知识二、飞蛾扑火算法原理三、算法流程总结四、飞蛾扑火算法Python实现一、飞蛾扑火算法背景知识飞蛾扑火优化（Moth-flame optimization，MFO）是一种启发式搜索算法，由由Seyedali Mirjalili在2015年提出。该算法具有并行优化能力强，全局性优且不易落入局部极值的性能特征，逐渐引起了学术界和工程界的关注。飞蛾在夜间有一种特殊的导航方式：横向定向。即它会与月亮(光源)保持一定的角度飞行，从而能够保持直线的飞行路径，但是，这种方式只在光源
2021-01-05 09:43:46
3864
2
原创 优化算法|布谷鸟算法原理及实现
布谷鸟算法一、布谷鸟算法背景知识二、布谷鸟算法思想简介三、布谷鸟算法流程四、布谷鸟算法的Python实现五、布谷鸟算法matlab实现一、布谷鸟算法背景知识2009年，Xin-She Yang 与Suash Deb在《Cuckoo Search via Levy Flights》一文中提出了布谷鸟算法(简称CS)。假设每只布谷鸟一次只产一枚卵 ，并且宿主鸟发现外来鸟蛋后，就舍弃该鸟窝，另寻他地建造新的鸟窝 ，那么可以认为 ：鸟窝=卵蛋=解，卵蛋是否能够成功被宿主鸟孵化并茁长成长是衡量解好坏的唯一标准 。
2021-01-04 20:54:34
10628
原创 优化算法|蚁群算法的理解及实现
蚁群算法1. 蚁群算法基本原理2. 蚁群算法实现1. 蚁群算法基本原理蚁群算法（Ant Colony Algorithm, ACA）由Marco Dorigo于1992年提出。蚁群原理：蚁群算法的基本原理来源于自然界觅食的最短路径原理。根据昆虫学家的观察，蚂蚁可以在没有任何提示的情况下找到从食物源到巢穴的最短路径，并且能在环境发生变化(如原有路径上有了障碍物)后,自适应地搜索新的最佳路径。蚂蚁是怎么做到这一点的呢？蚁群算法有自己的优化策略：正反馈的信息机制、信息素浓度的更新、蚂蚁对能够访问的路径
2021-01-03 22:19:57
7480
原创 算法优化笔记|蝙蝠算法的理解及实现
蝙蝠算法（Bat Algorithm,BA ）理解及实现一、蝙蝠算法背景介绍二、蝙蝠算法原理三、蝙蝠模型构建四、蝙蝠算法的Python实现五、总结一、蝙蝠算法背景介绍蝙蝠算法是2010年杨教授基于群体智能提出的启发式搜索算法，是一种搜索全局最优解的有效方法。该算法基于迭代优化，初始化为一组随机解，然后迭代搜寻最优解，且在最优解周围通过随机飞行产生局部新解，加强局部搜索速度。该算法具有实现简单、参数少等特点。二、蝙蝠算法原理将种群中的蝙蝠个体映射为D维问题空间中的NP个可行解,将优化过程和搜索模拟
2021-01-03 10:49:11
11494
原创 MATLAB安装libsvm工具箱的方法
具体见网页参考链接 https://www.cnblogs.com/ran-chen/p/9462825.html
2021-01-02 22:19:10
423
原创 优化算法笔记|灰狼算法理解及Python实现
灰狼优化算法的理解和应用一、背景介绍二、算法原理三、构建算法数学模型四、Python实现GWO一、背景介绍灰狼优化算法（Grey Wolf Optimizer，GWO）由澳大利亚格里菲斯大学学者 Mirjalili 等人于2014年提出来的一种群智能优化算法。该算法受到了灰狼捕食猎物活动的启发而开发的一种优化搜索方法，它具有较强的收敛性能、参数少、易实现等特点。近年来受到了学者的广泛关注，它己被成功地应用到了车间调度、参数优化、图像分类等领域中。二、算法原理狼群中有α、β、γ三只狼做头狼，其中α是狼
2021-01-02 14:58:38
20779
31
原创 优化算法笔记|粒子群算法理解及Python实现
粒子群算法的理解及Python实现1.粒子群算法概述2 基本PSO算法流程图3 粒子群算法的Python实现1.粒子群算法概述粒子群算法 来源于对鸟群捕食模型的修正。假设在一个n维空间中，有一群鸟（m只）在捕食，食物位于n维空间的某个点上。假设鸟每次都能够判断离食物更近还是更远了，这样鸟在捕食的过程中会根据自己的经验以及鸟群中的 其他鸟的位置决定自己的速度，根据当前的位置和速度，可得下一刻的位置，这样每只鸟通过向自己和鸟群学习不断更新自己的速度和位置，直到最终获得食物，或者是离食物足够近。对于某
2021-01-01 10:14:31
1069
原创 最小二乘支持向量机的分析与改进及Python实现
WLSSVM最小二乘支持向量机1. LSSVM的简单理解2. WLSSVM3. WLSSVM的Python实现1. LSSVM的简单理解LSSVM通过训练数据学习回归方程，将自变量映射到更高维特征空间。LSSVM回归模型的优化思想是使离回归平面距离最大的样本与回归平面之间的距离最小。优化问题就转化为：因此，LSSVM回归模型输出为：LSSVM模型的缺点：缺少稀疏性，对于每一次预测都需要所有训练数据参与。因为LSSVM模型求解中的Lagrange乘子都是非零数值，只有当误差变量ei的分布符合
2020-12-31 11:48:49
3045
5
原创 最小二乘支持向量机分类器（LSSVM）及Python实现
最小二乘支持向量机分类器1.支持向量机分类2.最小二乘支持向量机3.LSSVM的Python实现在这篇文章中，我们讨论支持向量机(SVM)分类器的最小二乘版本。由于公式中的相等类型约束。解是由解一组线性方程得出的。而不是经典的支持向量机的二次规划。本文针对两类分类问题，提出了支持向量机的最小二乘模型。对于函数估计问题，支持向量解释边缘回归。在(Saunders et al.， 1998)中，它考虑了等式类型的约束，而不是经典的支持向量机方法中的不等式。在这里，我们也考虑了在最小二乘意义下的公式分类问题的
2020-12-31 11:23:56
10922
13
原创 Mysql数据库使用及其问题合集一
问题一：解决办法：mysql登录修改登录密码navicat显示连接成功这里要注意，密码更新下，修改为你刚才新设置的密码！！！问题二：这种情况 提示里说是语法错误，就应该根据你的mysql版本，修改你的sql语句。我的mysql 8.0 使用的运行正确的SQL语句查看新建表：问题三：在已有连接上编辑时，可以连接成功，但关闭时会出现“”connection is being used“”这种情况新建连接即可。问题四：显示数据表双击创建的新连接，选择表，在需要显示的表上
2020-12-23 16:57:19
172
原创 Vondrak滤波原理详解及Matlab实现
Vondrak滤波原理详解及Matlab实现一.Vondrak基本思想：二、Vondrak平滑法的原理：三、Vondrak滤波平滑公式：四、Vondrak滤波应用五、Matlab实现一.Vondrak基本思想：通过选择不同的而平滑因子控制数据平滑的程度，在观测数据的绝对拟合与绝对平滑之间选择一条折衷的曲线，保留有用信号，滤除噪声信号。这种方法 对于等间距的观测数据、不等间距的观测数据均适用。Vondrak滤波的本质是通过确定合理的平滑因子在观测数据的绝对拟合和决定平滑之间寻求一条折衷的曲线。它
2020-12-07 10:01:04
2104
5
原创 Python ValueError: could not convert string to float: ‘-‘ 解决办法
写主成分分析程序时，遇到 ValueError: could not convert string to float: ‘105001 2512.6143 11857.8736’ 的问题此时我的程序是这样的：def loadDataSet(fileName, delim='\t'): fr = open(fileName) stringArr = [line.strip().split(delim) for line in fr.readlines()] datArr =
2020-11-13 20:43:52
9916
原创 厦门大学林子雨教授大数据技术原理及应用课程问题处理集锦
问题一：关于“ Classorg.apache.hadoop.hdfs.DistributedFileSystem not found ”的问题解决办法：参考网址一参考网址二问题二：hdfs命令行上传文件报错org.apache.hadoop.ipc.RemoteException(java.io.IOException)解决问题参考网址：解决办法网址...
2020-11-12 21:16:37
729
原创 解决“Class org.apache.hadoop.hdfs.DistributedFileSystem not found“问题
部署完分布式系统后，写了个测试类，运行出现"Class org.apache.hadoop.hdfs.DistributedFileSystem not found " ，搜索查询一番后， 在这个博客上”灵感链接“找到一丝灵感，于是试了下，果然有效，问题解决了。原来是因为jar包导入不全，于是在hadoop-hdfs-client-2.8.1中找到了这个类，添加依赖jar包，运行成功！！！碎碎念：好多时候就在你快要放弃的时候，哪怕再坚持一点点，就成功了。所以遇到问题不要怕，耐心去查询解决就可以了
2020-11-12 17:33:59
5865
1
原创 主成分分析原理及Python实现
主成分分析（Principal Components Analysis, PCA）是一种常用的数据分析手段，是图像处理过程中常用到的降维方法。对于一组不同维度之间可能存在线性相关关系的数据，PCA能够把这组数据通过正交变换变成各个维度之间线性无关的数据，通过剔除方差小的那些维度上的数据，达到数据降维的目的。PCA从原始变量出发，通过旋转变化（即原始变量的线性组合）构建出一组新的，互不相关的新变量，这些变量尽可能多的解释原始数据之间的差异性（即数据内在的结构），他们就成为原始数据的主成分。由于这些变量不相关
2020-10-27 15:16:26
5447
2
原创 厦门大学林子雨教授大数据课程软件安装
http://dblab.xmu.edu.cn/blog/285/该网址包含linux选择、虚拟机安装及Hadoop安装下面网址可供参考：https://blog.csdn.net/baidu_36336788/article/details/81019309
2020-10-24 16:09:32
664
原创 详解Python的内置函数eval（）
前几天写一个项目中，遇到一个需要把列表原样输出的问题，几经周折，找到了eval()函数，不得不说，eval()是真的好用！现在就让我们一起了解下eval()的强大之处吧！下面请尽情欣赏eval():eval函数的作用：将字符串列表转换为列表将字符串元组转换为元组将字符串字典转换为字典综上所述:eval函数的用法就是把字符串对象转换为能够具体的对象。链接1了解eval（）的强大与危害：链接2https://blog.csdn.net/liuchunming033/article/det
2020-09-12 09:34:07
277
原创 总结的若干关于RecursionError: maximum recursion depth exceeded问题的解决办法
情形一：pyinstaller打包时遇到，RecursionError: maximum recursion depth exceeded是递归错误,大概率是自己调用自己太多次导致的。解法一：具体见链接https://blog.csdn.net/xiqi4145/article/details/103875917还有其他博客解决办法，下面列出来仅供参考：解法二：这种方法我试过了，不会出现运行错误，但程序仍然是有问题的，不会报错而已。解法三：最简单，我也是用这种方法解决的：直接在程序前
2020-09-08 17:01:55
19544
2
原创 期望最大化算法
多次见到，今天特此记录下！期望最大化算法是基于质心得一个聚类算法，它依赖于距离的某种度量，通常是欧几里得距离。如果预先指定了簇数n，则首先从随机选择n个记录作为n个簇的质心开始。数据集中的每个记录都分配给它最近的质心，因此分配给它的质心代表的簇。在下一轮中，每个质心都移动到属于该群集的所有记录的均值的位置。同样，每个记录都分配给它最近的质心，因此也分配给相应的簇。重复此过程，直到基于所有点到质心的平方距离的某种误差测量值降至某个阈值以下。现在，每个记录已分配给一个群集。 k均值的变化不仅估计每个聚类的
2020-09-06 10:16:33
471
原创 搜索关键字字符串NSSCanner:scanString（）详解
搜索关键字字符串NSSCanner:scanString（）用来查找某段文本中某个关键字出现的位置。NSScanner类用于在字符串中扫描指定的字符，尤其是把它们翻译/转换为数字和别的字符串。可以在创建NSScaner时指定它的string属性，然后scanner会按照你的要求从头到尾地扫描这个字符串的每个字符。scanner默认情况下会忽略空白字符和换行符。注意：对于忽略字符，大小写是敏感的。看下面的代码：(NSString*)extractBodyFromMessage:(NSString* )
2020-09-05 20:22:16
383
原创 很有用很有效的操作之批量操作一组图片
下面代码是批量读取图片，统一图片尺寸，并将其转换为统一格式RGB输出，保存。from PIL import Imageimport os.pathimport globdef convertjpg(jpgfile,outdir,width=500,height=500): img=Image.open(jpgfile) try: new_img = img.resize((width, height), Image.BILINEAR) if new_i
2020-08-25 21:13:01
282
1
原创 HOG特征提取及应用详解
HOG检测器默认属性，RGB颜色空间，无伽马校正； [−1,0,1]梯度滤波器，无平滑；线性梯度投票在0◦–180◦中的9个方向仓中；四个8×8像素单元的16×16像素块; σ= 8像素的高斯空间窗； L2-Hys（Lowe样式修剪的L2范数）块归一化；块间距为8个像素（因此每个单元的覆盖率为4倍）； 64×128检测窗口；线性SVM分类器。图1总结了各种HOG参数对整体检测性能的影响。这些将在下面详细讨论。主要结论是，为了获得良好的性能，应使用精细比例的导数（基本上不进行平滑处理），多个方向框以及中
2020-08-24 12:38:54
5127
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人