基于大型语言模型的高效时间序列预测模型选择
时间序列预测在金融、医疗、能源等多个领域具有重要意义,其结果对于决策和规划起到关键作用。然而,选择合适的预测模型往往需要丰富的领域知识和大量计算资源。Abdallah等(2022)的研究表明,没有单一算法能在所有预测任务中一统天下,这使得对每个数据集暴力遍历所有候选模型成为不切实际的方案。传统统计方法通常依赖于对多个数据集和模型的全面评估(如平均排名法),计算成本极高且难以适应数据的多样性。
近年来涌现出了元学习策略,尝试根据时间序列数据的元特征自动预测最佳模型。然而几乎所有元学习方案都依赖事先构建性能矩阵,即对成百上千的模型–数据集对进行预先评估,这一过程耗费大量资源和时间,现有模型选择方法在效率和可扩展性上仍存在明显局限。
创新方法
针对上述挑战,本文作者提出了一种基于大型语言模型(LLM)的模型选择范式。核心思想是利用LLM(如LLaMA 3.2、GPT-4o、Gemini 2.0)在零样本推理中的知识和推理能力,代替传统的性能矩阵来直接推荐最优模型。该方法无需耗费昂贵的计算资源构建性能矩阵,而是通过设计合理的提示(prompt)让LLM输出最适合当前数据集的预测模型配置。作者在实验中使用了MetaAI提供的LLaMA 3.2-3B、OpenAI的GPT-4o和Google的Gemini 2.0 Flash等先进LLM进行测试。实际结果表明,这一LLM驱动的方法在命中率(hit@k)和预测误差等指标上明显优于随机选择、流行模型选择及传统元学习策略,并且极大降低了计算开销。
方法实现
作者将时间序列预测模型选择任务形式化为将数据集映射到候选预测模型空间的过程。整个流程主要包括以下三个步骤:
提示构造:根据输入数据集生成结构化提示。作者设计了四种提示模板,内容可包括原始时间序列值、可选的统计元特征(meta-features)以及可选的链式思考提示(CoT)。例如一种模板可能只输入序列值,另一种同时包含该序列的元特征信息,还有的在提示末尾附加“让我们一步步推理”的CoT指令以引导推理过程。
LLM模型选择:将构造好的提示输入到LLM中进行推理。LLM会按照预定义的输出格式(通常为JSON结构)给出推荐的预测模型、对应的超参数以及数据处理方式。在实验中,模型空间由Abdallah等(2022)提供的322个候选配置构成,涵盖了7种主流预测算法及其多种超参数和数据预处理方式。与传统元学习将模型空间离散化不同,本方法允许超参数取任意实数值,使搜索空间更加连续和灵活。
预测与评估:根据LLM返回的最佳模型配置,在对应时间窗口上进行时间序列预测,并计算相应的评估指标(如均方误差)。通过此方式,可以在无需训练新模型的前提下完成模型选择过程。
图1. 模型选择流程示意图(来自论文第4页)。该流程将测试数据集按设计的提示结构传递给LLM,并从LLM的输出中解析出推荐的模型及其超参数。最后,根据选出的模型在相应时间窗口上进行预测并计算评估指标,从而实现无矩阵的快速模型选择。
实验设计与结果
作者在实验中采用了与Abdallah等(2022)相同的基准测试集——共包含321个真实时间序列数据集,涵盖金融、物联网、能源等领域。每个数据集通过随机采样固定长度时间窗口形成测试样本。评估指标包括hit@k准确率和平均均方误差(MSE),其中hit@k用于衡量LLM推荐的模型是否处于真实排名前k之内。同时,作者记录了各方法的训练时间、推理时间以及提示语令牌消耗,以评估计算效率。实验使用的模型空间与基线一致,共包含322个候选配置。在结果评估中,作者借助Abdallah等(2022)预先构建的性能矩阵计算各模型的真实MSE,用于与LLM选出的模型进行对比。
对比基线方面,作者选取了多种策略:包括不进行模型选择时的固定配置(如随机选择和流行模型Prophet)以及性能最好的单一SOTA模型配置;以及两种典型的元学习方法:ISAC和MLP回归器。其中,随机选择方法每次随机采样一个模型,流行模型基线使用社区热度最高的Prophet,SOTA模型基线则选取在所有训练数据上平均表现最优的配置。元学习基线方面,ISAC根据聚类的方式在训练数据集的元特征空间选模型,MLP则将数据集元特征映射到各模型性能。
从实验结果来看,所提LLM方法在hit@k准确率和MSE两个指标上均明显优于所有基线。例如,使用LLaMA3.2时,选出的模型在hit@10上比分别比随机选择、Prophet、ISAC、MLP等方法高出约100%、93%、77%和61%。在预测性能方面,LLM推荐的模型取得了第二低的MSE,仅次于最好的元学习方法,且优于传统的SOTA模型。值得注意的是,与需要训练过程并依赖性能矩阵的元学习方法不同,LLM方法可以即时选出模型,无需额外训练。
在计算效率方面,LLM方法也表现出显著优势。实验结果显示,LLaMA3.2在大多数数据集上的中位推理时间约为6.7秒,而对比的朴素方法需要对所有模型进行遍历评估,耗时远超LLM方法。此外,与朴素方法相比,LLaMA、GPT和Gemini的推理速度分别快约14倍、18倍和89倍,如图2所示。同时作者还评估了令牌消耗,发现链式思考提示虽然引导了LLM的推理,但显著增加了时间和令牌使用。添加CoT提示后推理时间至少增加2倍,输出令牌使用量增加约4倍,这表明CoT在本任务中的收益有限而成本较高。
图2. 各方法的平均训练时间(蓝色)和推理时间(橙色)对比(来自论文第8页)。从图中可见,传统的朴素方法、ISAC和MLP需要显著的训练时间,而LLM方法几乎无需训练,仅在推理阶段耗时很少。这些结果表明,LLM方法在训练成本上具有明显优势。
图3. 各方法相对于朴素模型选择方式的推理时间加速倍数(中位数)(来自论文第8页)。图中蓝线表示时间加速倍数的中位值,可见LLaMA3.2、GPT-4o和Gemini2.0的推理速度分别为朴素方法的约14倍、18倍和89倍。这进一步证明了LLM方法在推理效率上的显著提升。
消融实验与讨论
为了进一步分析提示设计和不同LLM的影响,作者还进行了消融实验。研究发现,加入元特征可以为LLM提供数据集的统计信息,但相比仅使用原始序列数据,其提升有限。相反,添加链式思考提示会使LLM生成更长的推理过程,显著增加计算开销,但并未显著提高模型选择质量。在启用CoT时,推理时间至少增加约2倍,输出令牌使用量增加约4倍,反而在某些设置下出现性能下降的情况。这表明模型选择任务可能更依赖于直接的模式匹配而非深度推理。
不同LLM在稳定性方面也存在差异。如图4所示,LLaMA3.2尽管取得了最高的选择准确率,但输出无效或不规范模型配置的次数最多(约41次);相比之下,Gemini2.0 Flash输出稳定,从未出现无效模型,但其预测性能最弱,甚至在某些提示下不如随机选择;GPT-4o表现均衡,准确率高于大部分基线且仅有少量(约12次)输出了候选空间外的模型。这说明不同LLM在处理结构化输出时具有各自的优势和缺陷,需要在精度和鲁棒性之间权衡。
图4. 不同LLM生成无效模型输出的平均次数(来自论文第9页)。LLaMA3.2虽然选择准确率最高,但无效输出最多(约41次);Gemini2.0 Flash始终输出有效模型,而GPT-4o偶尔(约12次)输出了候选空间外的模型。
局限与未来方向
尽管取得了有前景的结果,该方法仍存在一些局限性。首先,目前的实验仅在单变量时间序列数据集上进行了验证,尚未考虑多变量或跨模态的预测任务。此外,由于LLM并非专门为时间序列设计,其内部决策机制不透明,一些情况下会输出不符合预定义模型空间的结果。未来的工作可以在更广泛的数据集上验证这一方法,并探索更加有效的提示策略或后处理技术,以进一步提高结果的稳定性和可解释性。同时,研究者也可以尝试将这一框架扩展到多变量预测,甚至结合LLM进行联合建模,以应对更复杂的预测场景。
总结
这篇研究提出了一种基于大型语言模型的时间序列预测模型选择范式,通过利用LLM的零样本推理能力直接推荐最优预测模型,无需构建昂贵的性能矩阵。实验表明,该方法在命中率和预测误差指标上显著优于随机选择、流行模型选择及传统元学习策略,同时将推理速度提升14-89倍。尽管LLaMA 3.2取得了最高准确率但稳定性较差,而GPT-4o和Gemini 2.0在稳定性和性能上各有优势。该方法目前主要应用于单变量时间序列,未来可扩展至多变量预测和跨模态任务,为时间序列模型选择提供了一种高效且实用的新思路。
论文:
https://avoid.overfit.cn/post/fbfdf97f49c747f39ae152f5cbeafd89
相关文章:
基于大型语言模型的高效时间序列预测模型选择
时间序列预测在金融、医疗、能源等多个领域具有重要意义,其结果对于决策和规划起到关键作用。然而,选择合适的预测模型往往需要丰富的领域知识和大量计算资源。Abdallah等(2022)的研究表明,没有单一算法能在所有预测任…...
2025 EAU UTUC指南学习笔记③:诊断策略精读——从症状到活检,如何科学判断治疗路径?
👋 欢迎关注我的学习专栏~ 如果觉得文章有帮助,别忘了点赞、关注、评论,一起学习 本文聚焦UTUC的诊断策略,全面梳理影像学检查、尿液学检测、内镜评估与活检手段,并结合指南推荐等级,提出科研视角的思考。 …...
【Ubuntu】Netplan静态网络配置
1.配置文件 # 默认配置文件:/etc/netplan/*.yaml# 本机 rootubuntu-server:~# vim /etc/netplan/50-cloud-init.yaml 2.DHCP network: ethernets:ens33:dhcp4: trueversion: 2 3.静态IP设置 注意:netplan 说明文件格式存储在下列路径下…...
【SQLSERVER】Ubuntu 连接远程 SQL Server(MSSQL)
Ubuntu 连接远程 SQL Server(MSSQL) 引言 在企业级开发环境中,跨平台的数据库连接是常见需求。虽然 SQL Server 通常在 Windows 服务器上运行,但在 Ubuntu 上连接远程 SQL Server 也非常重要。本文将详细介绍如何在 Ubuntu 上通…...
GuPPy-v1.2.0安装与使用-生信工具52
GuPPy:Python中用于光纤光度数据分析的免费开源工具 01 背景 Basecalling 是将原始测序信号转换为碱基序列的过程,通俗地说,就是“把碱基识别出来”。这一过程在不同代测序技术中各不相同: 一代测序是通过解析峰图实现࿱…...
Mysql-OCP PPT课程讲解并翻译
#跳过介绍,直接从干货开始记录 第一章 安装mysql...
maven 依赖冲突异常分析
异常如下 Description:An attempt was made to call a method that does not exist. The attempt was made from the following location:com.google.common.cache.CacheBuilder.initialCapacity(CacheBuilder.java:353)The following method did not exist:com.google.common…...
【软件设计师:软件工程】9.软件开发模型与方法
一、软件危机与软件工程 软件危机与软件工程是计算机科学发展中密切相关的两个概念。 1.软件危机(Software Crisis) 背景:20世纪60年代至80年代,随着计算机硬件性能提升,软件规模与复杂度剧增,传统开发方法难以应对,导致大量项目失败。 表现: 成本失控:开发周期长、…...
用uniapp在微信小程序实现画板(电子签名)功能,使用canvas实现功能
效果: 功能:实现重签 退出 保存 等功能 解决的问题: 电子签名画布抖动问题解 注意: 保存的时候上传到自己的服务器地址,后端返回图片地址 代码: <template><view><view class"signature&qu…...
旅游设备生产企业的痛点 质检系统在旅游设备生产企业的应用
在旅游设备制造行业,产品质量直接关系到用户体验与企业口碑。从景区缆车、观光车到水上娱乐设施,每一件设备的安全性与可靠性都需经过严苛检测。然而,传统质检模式常面临数据分散、流程不透明、合规风险高等痛点,难以满足旅游设备…...
为什么使用Less替代原始CSS?
What is Less? Less 是一种 CSS 预处理器,它在 CSS 的基础上添加了许多有用的特性,提供了更高效、更灵活的方式来编写样式代码。 特性: 1、变量(Variables) 优势: 可以定义一个值并在整个样…...
C++ - 类和对象 #日期类的实现
文章目录 前言 一、导言 二、构造 三、比较大小 1、实现大于 2、等于 3、大于等于 4、小于 5、小于等于 6、不等于 二、加减 1、加与加等 2、减与减等 3、、-- 4、日期-日期 三、流提取、流插入 1、流插入 2、流提取 四、日期类所有代码汇总 总结 前言 路…...
6:点云处理—QT三维窗口显示
1.编写halcon显示程序 导出C格式 *读取三维点云 dev_get_window(WindowHandle)dev_open_window(0, 0, 512, 512, black, WindowHandle1)*512, 512 CamParam : [0.01,0,7e-6,7e-6,512/2, 512/2,512, 512] DisPose:[30.427, -1.05274, 97.8798, 8.29326, 356.416, 99.016, 0]*彩…...
css3伸缩盒模型第三章(伸缩相关)
伸缩盒模型第三章(伸缩) 介绍了伸缩性的伸缩提现到哪些方面,以及flex 居中的小技巧,视觉差异等 flex 水平垂直居中伸缩性flex 复合式属性项目排序侧轴单独对齐 flex 水平居中 我们可以使用flex 使元素居中对齐,当然也可以用 margin 等进行…...
【Ubuntu】安裝向日葵远程控制
前言 在Ubuntu 24.04.2下安装向日葵远程控制出错,少了一些依赖,需要安装一些依赖。 1.安装gconf2-common wget http://mirrors.kernel.org/ubuntu/pool/universe/g/gconf/gconf2-common_3.2.6-6ubuntu1_all.deb sudo dpkg -i gconf2-common_3.2.6-6ub…...
Screeps Arena基础入门
本文主要内容 JavaSsript语法使用VScode编译环境Screeps Arena游戏规则 JavaSsript语法使用 基本数据类型 // String, Numker,Boolean,null, undefined const username "John"; const age 30; const rate 4.5; const iscool true; const x null; #表示值为…...
docker 安装 sqlserver2022 和注意点
一、前言 1、可以直接参考微软官方文档 快速入门:使用 Docker 运行 SQL Server Linux 容器映像,这里主要是说一些注意点和坑 二、安装 1、拉取镜像 docker pull mcr.microsoft.com/mssql/server:2022-latest2、创建挂载目录,这里只是比官方…...
Centos系统详解架构详解
CentOS 全面详解 一、CentOS 概述 CentOS(Community Enterprise Operating System) 是基于 Red Hat Enterprise Linux(RHEL) 源代码构建的免费开源操作系统,专注于稳定性、安全性和长期支持,广泛应用于服…...
Git实战经验分享:深入掌握git commit --amend的进阶技巧
一、工具简介 git commit --amend是Git版本控制系统的核心补救命令,主要用于修正最近一次提交的元数据。该命令不会产生新的提交记录,而是通过覆盖原提交实现版本历史的整洁性,特别适合在本地仓库进行提交优化。 二、核心应用场景 提交信息…...
基于LSTM与SHAP可解释性分析的神经网络回归预测模型【MATLAB】
基于LSTM与SHAP可解释性分析的神经网络回归预测模型【MATLAB】 一、引言 在数据驱动的智能时代,时间序列预测已成为许多领域(如金融、气象、工业监测等)中的关键任务。长短期记忆网络(LSTM)因其在捕捉时间序列长期依…...
C++卡特兰数讲解
前情提要,参考资料:卡特兰数 - OI Wiki 一、定义 卡特兰数(Catalan number)是一个在组合数学中经常出现的数列,应用范围很广,例如括号匹配问题、出栈顺序问题、多边形三角剖分问题等。在 C 中,可以使用多种…...
【数据融合实战手册·应用篇】“数字孪生+视频融合”让智慧城市拥有空间感知
一、视频融合技术如何破局城市治理? #从"碎片监控"到"上帝视角" 传统视频监控系统画面分散,监管人员需要观看多个分镜头画面,难以将零散的分镜头视频与其实际地理位置对应,容易产生信息孤岛,同时…...
[数据库之十一] 数据库索引之联合索引
执行数据库查询时,通常查询条件是多对个属性进行判断和约束,对于这种类型的查询,如果存在多个索引则使用多个索引,或者使用建立在多属性搜索码上的索引,这样能提高查询效率。 一、使用多个单码索引 假设数据表 instruc…...
【Linux】Linux工具(1)
3.Linux工具(1) 文章目录 3.Linux工具(1)Linux 软件包管理器 yum什么是软件包关于 rzsz查看软件包——yum list命令如何安装软件如何卸载软件补充——yum如何找到要安装软件的下载地址 Linux开发工具Linux编辑器-vim使用1.vim的基…...
微信小程序使用腾讯云COS SDK实现用户头像上传
引入与初始化COS SDK (从官网下载cos-wx-sdk-v5.js文件,本地上传) const COS require(../../../static/utils/cos-wx-sdk-v5.js) as any;//实例化一个cos对象 const cos new COS({SecretId: AK***********************VedSJ, //idSecretK…...
什么是HTML、CSS 和 JavaScript?
HTML、CSS 和 JavaScript 是构建网页的三大核心技术,它们分工明确又紧密协作。接下来我将分别介绍三者的定义、功能,并阐述它们如何共同构成网页,最后推荐学习资源。 一、HTML:网页的骨架与内容基础 HTML(HyperText …...
兼具直连存储与分布式存储优势的混合存储方案
兼具直连存储与分布式存储优势的混合存储方案 一、分层存储架构 热数据本地直存 将高频访问的热数据(如数据库事务日志、实时计算中间结果)存储在DAS本地SSD中利用DAS的低延迟特性提升实时性要求高的业务性能 温冷数据分布式存储 低频访问的温…...
App Store支付新政重构跨境电商生态:eBay卖家的突围之道
2024年4月,美国联邦法院对苹果应用商店支付体系的裁决掀起全球电商海啸。这场源自Epic Games诉讼案的制度变革,正在跨境电商领域掀起超预期的蝴蝶效应。本文将深入剖析政策变革对eBay生态的冲击路径,揭示跨境卖家转型升级的核心策略。 一、支…...
Rust 开发环境搭建与插件
生成完整文章 用户请求写一篇完整的CSDN文章,要求根据之前的建议生成。文章要包含结构清晰、标题、代码示例、常见提示、跨平台Rust工具链安装差异等内容。文章需准确,包括插件和使用提示,CLI程序示例等。主要内容包括:介绍、Rus…...
Axios替代品Alova
介绍alova | Alova.JS Multipart 实体请求 | Axios中文文档 | Axios中文网 1. 极致的轻量与性能 Tree-shaking优化:仅打包使用到的功能模块 零依赖:基础包仅 4KB(Axios 12KB) 2. 智能请求管理(开箱即用࿰…...
【C语言】文件操作(续)
目录 复习: 一⽂件的顺序读写 例子: 前言: 在上篇文章中介绍了文件的类型,文件指针,流,操作的函数。 在本篇文章继续为大家带来文件细节分享,如 顺序读写等等。 复习: fopen是…...
Angular 面试常见问题
1. 请阐述 Angular 的工作原理 Angular 的工作流程涉及多个关键环节,从组件交互到浏览器渲染,以下是其核心流程: 组件交互:当用户触发特定事件(如点击按钮)时,组件会响应这些交互,…...
数据库(MySQL)基础
一、登录数据库 在linux系统中登录数据库的指令 mysql -h 127.48.0.236 -P 3306 -u root -p -h:填写IP地址,指明要连接的主机。如果不加该字段表示本地主机-P:填写端口号,指明进程。 如果不加该字段会使用默认的端口号。-u&…...
【Java ee 初阶】文件操作和IO(上)
一、文件 文件在计算机中,是保存到“硬盘”上的。操作系统,把硬盘操作进行了抽象封装,使得编程的时候,是不会直接操作硬盘的,而是通过“文件”的概念来进行间接操作。 文件有哪些操作?——>打开文件&a…...
微信小程序备案的一些记录
小程序如果没有备案是搜索不到小程序的。 小程序备案需要填写主体负责人的信息,需要主体负责人的手机号验证码, 需要填写管理员的信息,同样也需要验证手机号码, 填写完毕之后,提交进行初审,初审之后会打…...
leetcode0279. 完全平方数-medium
1 题目:完全平方数 官方标定难度:中 给你一个整数 n ,返回 和为 n 的完全平方数的最少数量 。 完全平方数 是一个整数,其值等于另一个整数的平方;换句话说,其值等于一个整数自乘的积。例如,1…...
2018机械行业ERP软件发展趋势
随着互联网经济的发展,实体的经济将来很有发展的优势,管理的信息化工具,也要随着市场需求的改变而改变。 以前的ERP管理系统,管理管控的方向。 1、以物料管理为核心,通过ERP管理系统,将企业的物料管理清楚&…...
限制布局大小,实现文本自适应
实现数字部分自适应 适配后 使用页需绑定ref <div class"setting-bind-text" ref"element" :style"{ transform: scale(${scale}) }">{{ coin }}</div> script部分引入使用 import { useTextScale } from /hooks/useTextScale; c…...
涨薪技术|0到1学会性能测试第52课-Tomcat调优技术
前面的推文我们掌握了Tomcat服务器的3种监控技术知识。今天给大家分享Tomcat调优技术。后续文章都会系统分享干货,带大家从0到1学会性能测试。 在对Tomcat进行调优之前,需要对Tomcat的结构体系有一个清楚的了解,这对调优起到至交重要的作用,Tomcat结构体系图,如图10-20所示…...
Arm核的Ubuntu系统上安装Wireshark
Arm核的Ubuntu系统上安装Wireshark 一、安装wireshark 安装命令: sudo apt-get install wireshark-qt 如下图所示: 安装过程弹出如下界面: 鼠标选择Yes,点回车键确认 安装完成。 二、打开wireshark 输入命令行打开wireshark …...
C++模板【上篇】 —详解模板基础语法
文章目录 前言1. 泛型编程2. 模板的类别2.1 函数模板2.2 类模板 3. 模板的实例化3.1 函数模板的实例化3.1.1 隐式实例化* 编译器实例化原理3.1.2 显示实例化 3.2 类模板的实例化 前言 在这篇文章中,主要介绍一些模板的基础的语法和一些细节,同时了解泛型…...
谈谈Redis缓存和数据库一致性
目录 1、缓存问题 2、更新缓存 3、删除缓存 4、最终方案 5、缓存分类 5.1、缓存穿透 5.2、缓存击穿 5.2、缓存雪崩 6、示例 前言 Redis 作为缓存与数据库之间的通信模式能够显著提升系统性能,减少数据库的压力。 通过合理使用 Redis 进行数据存取ÿ…...
JWT深度解析:现代Web身份验证的通行证-优雅草卓伊凡
# JWT深度解析:现代Web身份验证的通行证 ## 一、JWT的本质与构成 ### 1.1 JWT的定义解析 JWT(JSON Web Token)是一种**开放标准(RFC 7519)**,用于在各方之间安全地传输信息作为JSON对象。这种信息可以被…...
VTK|.obj文件数据处理+Jet/Viridis/CoolToWarm/Grayscale/Rainbow/风格颜色渲染
文章目录 处理OBJ文件Jet渲染风格Viridis渲染风格CoolToWarm渲染风格Grayscale渲染风格Rainbow渲染风格切换风格按钮槽函数(可优化)相关代码github链接 将 .obj 数据进行 Elevation 着色并可视化渲染的完整流程 和.ply文件处理方式一样 处理OBJ文件 vo…...
如何通过服务主体获取 Azure 凭据
本文详细讲解如何通过 Azure 服务主体生成凭据,使应用程序能够安全访问 Azure 资源(如部署 Container Apps)。以下步骤基于 Azure Portal 操作,适用于自动化部署、CI/CD 等场景。 步骤 1:登录 Azure Portal 访问 Azure 门户。使用 Azure 账户(需具备订阅管理员权限)登录…...
Kubernetes探针生产环境实战指南
一、探针的本质:应用健康的智能体检系统 想象你的应用是一个高空走钢丝的演员,Kubernetes探针就像三位安全员: 启动探针:检查演员是否站稳(应用是否完成初始化)就绪探针:确认演员准备好表演&a…...
node.js 实战——express图片保存到本地或服务器(七牛云、腾讯云、阿里云)
本地 ✅ 使用formidable 读取表单内容 npm i formidable ✅ 使用mime-types 获取图片后缀 npm install mime-types✅ js 中提交form表单 document.getElementById(uploadForm).addEventListener(submit, function(e){e.preventDefault();const blob preview._blob;if(!blob)…...
线代第二章矩阵第五、六、七节矩阵的转置、方阵的行列式、方阵的伴随矩阵
文章目录 矩阵的转置转置性质对称矩阵与反对称矩阵 方阵的行列式方阵的伴随矩阵(重要) 矩阵的转置 转置性质 (1) (2) (3) (4)注意这个: 扩展&a…...
经验:从CAN到以太网为主的车载网络架构升级
引言 新能源汽车智能化与网联化的进程中,传统CAN总线已难以满足高带宽、低延迟的通信需求,车载以太网逐步成为新一代电子架构的核心骨干。本文基于工程实践,系统性解析车载以太网的核心技术、协议栈、拓扑设计及工具链升级策略,助…...
基于FPGA婴儿安全监护系统(蓝牙小程序监测)
基于FPGA婴儿安全监护系统 前言一、芯片手册阅读二、代码分析1.温湿度驱动2.转速等级设置模块3.电机转速控制模块 总结视频演示 前言 实时监测车内温湿度数据(DTH11温湿度模块)----实时控制风扇驱动速度(结合温湿度进行控制)----…...