第25周：文献阅读
目录
摘要
Abstract
文献阅读
现有问题
提出方法
创新点
方法论
实验研究
数据集
数据预处理
仿真实验
评价指标
实验结果分析
总结
摘要
本篇论文提出了一种基于深度学习框架的风速预测方法——SSA-BiLSTM网络，旨在提高风速预测的精确性。研究使用了中国内蒙古自治区风电场2012年冬季采集的风速数据。通过对比SSA-BiLSTM方法与其他四种风速预测方法（支持向量机回归算法、K-最近邻算法、典型LSTM方法和BiLSTM方法），实验结果表明，SSA-BiLSTM方法在MAE、RMSE、MAPE和R四个评价指标上均取得更好的效果，验证了其在风速预测上的有效性和准确性。该方法结合了奇异谱分析法（SSA）和双向长短期记忆网络（BiLSTM），利用SSA进行数据预处理提取趋势信息和去噪，然后通过BiLSTM进行风速预测，为风力发电和电力系统运行稳定性提供了一种新的预测工具。
Abstract
This paper presents a wind speed prediction method based on a deep learning framework, SSA-BiLSTM network, aiming to improve the accuracy of wind speed prediction. The study used wind speed data collected from wind farms in Inner Mongolia Autonomous Region, China, in the winter of 2012. By comparing the SSA-BiLSTM method with four other wind speed prediction methods (Support Vector Machine Regression Algorithm, K-Nearest Neighbor Algorithm, Typical LSTM Method, and BiLSTM Method), the experimental results show that the SSA-BiLSTM method achieves better results in the four evaluation indexes, namely, MAE, RMSE, MAPE, and R, and verifies its effectiveness in wind speed prediction and accuracy. The method combines singular spectrum analysis (SSA) and bi-directional long and short-term memory network (BiLSTM), utilizes SSA for data preprocessing to extract trend information and denoising, and then performs wind speed prediction by BiLSTM, which provides a new prediction tool for the stability of wind power generation and power system operation.
文献阅读
本周阅读的文献是《基于深度学习框架 SSA-BiLSTM 网络的风速预测》
现有问题
- 风速的高度随机性特点导致风电预测的精度和风力发电的稳定性受到影响。
- 现有的风速预测算法和模型，如物理模型、统计模型和人工智能模型等，存在不同的缺陷，如工作量大、模型推广难、容易陷入局部极小值、对历史数据要求高等问题。
提出方法
在这篇论文中，作者提出了一种新颖的风速预测方法，该方法基于深度学习框架，融合了奇异谱分析（SSA）和双向长短期记忆网络（BiLSTM）。这一方法利用SSA对历史风速数据进行预处理，以提取关键的趋势信息并去除噪声，从而增强数据的质量和预测模型的准确性。随后，通过BiLSTM网络，该模型能够同时捕获风速数据序列中每个数据点的过去和未来信息，这在传统LSTM模型中是难以实现的。通过这种结合，所提出的SSA-BiLSTM网络在风速预测任务中展现出了更高的精确度，有效提升了风电预测的可靠性和稳定性。
创新点
- 结合了SSA和BiLSTM网络，利用SSA进行数据预处理，提高风速预测的精确度。
- 采用BiLSTM网络，使得模型能够同时考虑风速数据的过去和未来信息，提高了预测的准确性。
方法论
1.SSA模型：用于对时间序列进行分析，提取趋势信息和去除噪声。
2.RNN模型：基础的循环神经网络模型，用于解决时间序列问题。
3.LSTM模型：RNN的变体，能够学习时间和长期相关性，解决传统模型无法兼顾数据的时序 线性和非线性关系的问题。
典型的LSTM细胞单元如下所示：
包含输入门、输出门、遗忘门三个部分，典型 LSTM 模型训练过程采用 BPTT 算法，与经典反向传播算法（Back Propagation，BP）类似。典型LSTM有以下的4个步骤：
4.BiLSTM模型：在LSTM的基础上，使用两层相互分离的细胞单元，分别处理正向和反向的 数据序列。
实验研究
数据集
本文使用的数据集来源于中国内蒙古自治区风电场2012年冬季11月的风速数据，采样高度为60米，时间间隔为10分钟，共收集了1008个数据点。数据被划分为70%的训练集和30%的测试集。数据统计显示风速最小值为1米/秒，最大值为17.1米/秒，平均值为9.41米/秒。这些数据为评估提出的SSA-BiLSTM风速预测模型提供了实际的测试基础。
数据预处理
为了避免设备故障和采样间隔噪声等因素造成的数据缺失，研究者采用了平均插值法对缺失数据进行填补，确保了数据的完整性。预处理后的数据被划分为训练集和测试集，其中训练集占70%，测试集占30%，用于训练和验证所提出的SSA-BiLSTM风速预测模型。
平均插值法：是一种数据预处理技术，通过计算已知数据点的平均值来填补数据集中的缺失值，其操作简单且计算效率高，适用于处理数据缺失问题，尤其是在数据缺失不严重且数据分布相对均匀时效果较好。
仿真实验
SSA
SSA奇异谱分析法：包含分解和重构两大部分。是一种强大的时间序列分析工具，它通过将时间序列转化为矩阵形式，然后利用矩阵的奇异值分解（SVD）来提取序列中的主要特征成分。SSA能够有效地将复杂的时间序列分解为多个本征模态函数（IMFs）和一个趋势项，从而揭示信号的内在结构和动态特性。
SSA用于数据处理的部分，是在进入BiLSTM之前的应用。由于该文献的数据集未公开，我采用公开数据集——美国某站点2024年的风速监测
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pyts.decomposition import SingularSpectrumAnalysis# 读取CSV文件
file_path = 'new_file.csv' # CSV文件的路径# 使用header=0来读取列标题，这会自动跳过第0行
df = pd.read_csv(file_path, header=0, sep=',')
print(df.head())
# 将WDSP列转换为数值类型
df['WDSP'] = df['WDSP'].astype(float)# 检查是否有数据
if df.empty:raise ValueError("No data found in the file.")# 将WDSP列转换为NumPy数组，用于SSA
X = df['WDSP'].values.reshape(1, -1) # 重塑为1个样本，多个时间点# 参数
window_size = min(15, X.shape[1]) # 确保窗口大小不超过时间点数量
groups = [np.arange(i, i + 5) for i in range(0, min(11, X.shape[1]), 5)]# 奇异谱分析
ssa = SingularSpectrumAnalysis(window_size=window_size, groups=groups)
X_ssa = ssa.fit_transform(X)# 展示结果
plt.figure(figsize=(16, 6))ax1 = plt.subplot(121)
ax1.plot(X[0], 'o-', label='Original')
ax1.legend(loc='best', fontsize=14)ax2 = plt.subplot(122)
for i in range(len(groups)):ax2.plot(X_ssa[0, i], 'o--', label='SSA {}'.format(i + 1))
ax2.legend(loc='best', fontsize=14)plt.suptitle('Singular Spectrum Analysis', fontsize=20)
plt.tight_layout()
plt.subplots_adjust(top=0.88)
plt.show()
在奇异谱分析（SSA）中，SSA1、SSA2、SSA3分别指代通过SVD分解得到的主要特征模式，其中SSA1通常是最主要的趋势或周期性成分，SSA2是次要的周期性成分，而SSA3则是更次要的成分或可能的噪声，它们共同揭示了时间序列的内在结构和动态特性。
LSTM风速预测
SSA分解后得到的各个成分（SSA1、SSA2、SSA3等）代表了时间序列中的不同特征，例如趋势、周期性、随机波动等。这些成分可以被单独考虑或组合使用，以形成BiLSTM模型的输入特征集
SSA分解得到的主要成分进行重构，以恢复时间序列的某些特性。这种重构的数据可以作为BiLSTM的输入，帮助模型捕捉到时间序列的动态变化。
预测的结果类似与下面“实验结果分析”部分。
评价指标
实验结果分析
1、风速预测结果SSA-BiLSTM与其他4种方法的对比
2、各个风速预测模型的误差图
3、各个风速预测模型的评价指标
4、各个风速预测模型的未来几小时风速预测
未来4小时风速预测
未来2小时风速预测
总结
本文提出了SSA-BiLSTM风速预测模型，利用内蒙古风电场数据，通过平均插值法处理缺失值并划分训练测试集，实验证明该模型在风速预测上具有较高的精确度和有效性。 实验研究是通过对比SSA-BiLSTM模型与其他几种预测模型的结果，验证了SSA-BiLSTM在风速预测上的优越性能，这对于风力发电和电力系统运行稳定性具有重要的实际意义。
相关文章：
第25周：文献阅读
目录 摘要 Abstract 文献阅读 现有问题 提出方法 创新点 方法论 实验研究 数据集 数据预处理 仿真实验 评价指标 实验结果分析 总结 摘要 本篇论文提出了一种基于深度学习框架的风速预测方法——SSA-BiLSTM网络，旨在提高风速预测的精确性。研究使…...
BiTCN-BiGRU基于双向时间卷积网络结合双向门控循环单元的数据多特征分类预测（多输入单输出）
Matlab实现BiTCN-BiGRU基于双向时间卷积网络结合双向门控循环单元的数据多特征分类预测（多输入单输出） 目录 Matlab实现BiTCN-BiGRU基于双向时间卷积网络结合双向门控循环单元的数据多特征分类预测（多输入单输出）分类效果基本描述…...
docker数据卷
什么是数据卷？ 在容器中是无法通过vi命令对一个容器中的资源做修改的，这个时候就需要通过数据卷将文件中的内容映射到宿主机，在宿主机修改的文件会更新到容器中，并且容器被删除后不会把数据卷删除，数据卷中的数据会被持…...
Linux下基于最新稳定版ESP-IDF5.3.2开发esp32s3入门任务间的通讯-信号量【入门三】
继续上一篇任务创建 【Linux下基于最新稳定版ESP-IDF5.3.2开发esp32s3入门任务创建【入门二】-CSDN博客】 今天要实现再创建一个任务。【二值和互斥都进行测试】 ①、通过任务A发送一个信号量，另一个任务得到信号量后再发送helloworld。 ②、两个任务通过互斥信…...
使用C#绘制具有平滑阴影颜色的曼德布洛特集分形
示例使用复数类在 C# 中轻松绘制曼德布洛特集分形解释了如何通过迭代方程绘制曼德布洛特集：...
Unittest01|TestCase
一、入门 1、新建测试文件 打开pycharm→左上角新建项目→选择项目路径→选择python解释器→创建→点击新建好的项目，右键新建python文件→测试文件（py文件）命名必须以test开头 2、创建测试用例 定义测试类：导入unittest模块→…...
Django实现异步视图asyncio请求
随着现代Web应用程序对性能和响应速度的需求不断增加，开发者们越来越倾向于采用异步编程来提升应用的效率和用户体验。在传统的Web开发框架中，通常采用同步请求方式，这意味着每一个请求都需要等待前一个请求完成后才能继续处理。对于高并发的请求，可能会出现性能瓶颈。而Dj…...
Apache Samza开源的分布式流处理框架
Apache Samza 是一个开源的分布式流处理框架，用于处理实时数据流和分布式任务。它最初由 LinkedIn 开发，并在 2014 年捐赠给 Apache 软件基金会。Samza 的设计目标是为开发人员提供一个易用、可靠、高效的流处理工具。以下是其关键特点和架构的简介： 核心特点 简单的编程模…...
Linux实验报告5-shell脚本编程进阶
目录 一：实验目的 二：实验内容 1 编写脚本，实现将当前目录中所有子目录的名称输出到屏幕上。 2 首先以你的姓氏的拼音为开头在当前用户的主目录下新建3个文件和2个子目录，如zi1，zi2，zi3以及子目录zi.d和…...
——损失函数推导与其他优化项)
YOLO系列正传（四）YOLOv3论文精解(下)——损失函数推导与其他优化项
系列文章 YOLO系列基础 YOLO系列基础合集——小白也看得懂的论文精解-CSDN博客 YOLO系列正传 YOLO系列正传（一）类别损失与MSE损失函数、交叉熵损失函数-CSDN博客 YOLO系列正传（二）YOLOv3论文精解(上)——从FPN到darknet-53-C…...
【漏洞复现】CVE-2023-37461 Arbitrary File Writing
漏洞信息 NVD - cve-2023-37461 Metersphere is an opensource testing framework. Files uploaded to Metersphere may define a belongType value with a relative path like ../../../../ which may cause metersphere to attempt to overwrite an existing file in the d…...
【OpenCV计算机视觉】图像处理——平滑
本篇文章记录我学习【OpenCV】图像处理中关于“平滑”的知识点，希望我的分享对你有所帮助。 目录 一、什么是平滑处理 1、平滑的目的是什么？ 2、常见的图像噪声 （1）椒盐噪声 编辑（2） 高斯噪声 &a…...
【java面向对象编程】第七弹----Object类、类变量与类方法
笔上得来终觉浅,绝知此事要躬行 🔥 个人主页：星云爱编程 🔥 所属专栏：javase 🌷追光的人，终会万丈光芒 🎉欢迎大家点赞👍评论📝收藏⭐文章 目录 一、Object类 1.1equa…...
大模型微调---Prompt-tuning微调
目录 一、前言二、Prompt-tuning实战2.1、下载模型到本地2.2、加载模型与数据集2.3、处理数据2.4、Prompt-tuning微调2.5、训练参数配置2.6、开始训练 三、模型评估四、完整训练代码 一、前言 Prompt-tuning通过修改输入文本的提示（Prompt）来引导模型生…...
Connecting to Oracle 11g Database in Python
# encoding: utf-8 # 版权所有 2024 涂聚文有限公司 # 许可信息查看：言語成了邀功盡責的功臣，還需要行爲每日來值班嗎 # 描述：python -m pip install oracledb # python -m pip install cx_Oracle --upgrade # pip install cx_Oracle # Autho…...
16.2、网络安全风险评估技术与攻击
目录 网络安全风险评估技术方法与工具 网络安全风险评估技术方法与工具 资产信息收集，可以通过调查表的形式把我们各类的资产信息进行一个统计和收集，掌握被评估对象的重要资产分布，进而分析这些资产关联的业务面临的安全威胁以及存在的安全…...
Windows脚本清理C盘缓存
方法一：使用power文件.ps1的文件 脚本功能 清理临时文件夹： 当前用户的临时文件夹（%Temp%）。系统临时文件夹（C:\Windows\Temp）。 清理 Windows 更新缓存： 删除 Windows 更新下载缓存࿰…...
ChromeOS 131 版本更新
ChromeOS 131 版本更新 1. ChromeOS Flex 自动注册 在 ChromeOS 131 中，ChromeOS Flex 的自动注册功能现已允许大规模部署 ChromeOS Flex 设备。与 ChromeOS 零接触注册类似，自动注册将通过组织管理员创建的注册令牌嵌入到 ChromeOS Flex 镜像中。这将…...
PDF24 Creator免费版
PDF点击上方"蓝字"关注我们 01、前言 >>> 官网：https://tools.pdf24.org/zh/creator PDF24 Creator完全免费，没有任何限制。企业也能免费用。 不可以，PDF24 Creator只能装在Windows系统上。目前不支持Linux和Mac。 PDF24…...
网络安全之访问控制
简介 同一分布式环境下，同一用户可能具有多个应用服务器的访问授权，同一应用服务器也有多个授权访问的用户，同一用户在一次事务中可能需要访问多个授权访问的应用服务器，应用服务器可能还需要对访问用户进行身份鉴别。为了实现这…...
vtie项目中使用到了TailwindCSS，如何打包成一个单独的CSS文件（优化、压缩）
在不依赖 Vite 或其他构建工具的情况下，使用 TailwindCSS CLI 快速生成独立的 CSS 文件是一种简单高效的方法，适合需要纯样式文件的场景。 这个项目中，使用到了tailwindCss, 需要把里面的样式打包出来，给其他项目用。 使用命令生…...
前端登录注册页面springboot+vue2全开发！
需求目标： 有“登录界面”和“注册界面”以及“功能操作界面”： 我们打开程序会自动进入“登录界面”，如果密码输入正确则直接进入“功能操作界面”，在“登录界面”我们可以点击注册进入“注册页面”，注册好了可以再跳…...
批量提取zotero的论文构建知识库做问答的大模型（可选）——含转存PDF-分割统计PDF等
文章目录 提取zotero的PDF上传到AI平台保留文件名代码分成20个PDF视频讲解 提取zotero的PDF 右键查看目录 发现目录为 C:\Users\89735\Zotero\storage 写代码： 扫描路径‘C:\Users\89735\Zotero\storage’下面的所有PDF文件，全部复制一份汇总到"C:\Users\89735\Downl…...
3 JDK 常见的包和BIO,NIO,AIO
JDK常见的包 java.lang:系统基础类 java.io:文件操作相关类，比如文件操作 java.nio:为了完善io包中的功能，提高io性能而写的一个新包 java.net:网络相关的包 java.util:java辅助类，特别是集合类 java.sql:数据库操作类 IO流 按照流的流向分…...
 PHP/7.2.18 Server at localhost Port 80问题)
解决Apache/2.4.39 (Win64) PHP/7.2.18 Server at localhost Port 80问题
配置一下apache里面的配置文件：httpd.conf 和 httpd.vhosts.conf httpd.conf httpd-vhosts.conf 重启服务 展示： 浏览器中中文乱码问题：...
带有 Elasticsearch 和 Langchain 的 Agentic RAG
作者：来自 Elastic Han Xiang Choong 讨论并实现 Elastic RAG 的代理流程，其中 LLM 选择调用 Elastic KB。 更多阅读：Elasticsearch：基于 Langchain 的 Elasticsearch Agent 对文档的搜索。 简介 代理是将 LLM 应用于实际用例的…...
【数据结构与算法】深度优先搜索：树与图的路径探寻之道
一、引言 在计算机科学领域，树与图的路径搜索是一个基础且重要的问题，而深度优先搜索算法（Depth First Search，简称 DFS）则是解决此类问题的经典算法之一。深度优先搜索算法通过从起始节点开始，沿着一条路径…...
vue3项目结合Echarts实现甘特图（可拖拽、选中等操作）
效果图： 图一：选中操作 图二：上下左右拖拽操作 本案例在echarts示例机场航班甘特图的基础上修改 封装ganttEcharts组件，测试数据 airport-schedule.jsonganttEcharts代码: 直接复制粘贴可测…...
【EXCEL 逻辑函数】AND、OR、XOR、NOT、IF、IFS、IFERROR、IFNA、SWITCH
目录 AND：当所有条件都为真时返回 TRUE，否则返回 FALSE OR：当任一条件为真时返回 TRUE，否则返回 FALSE XOR：当奇数个条件为真时返回 TRUE，否则返回 FALSE NOT ：反转逻辑值 IF：根…...
单片机长耗时前后台任务优化
代码： void Task_10ms(void) {... }//改 void Task_2ms(void) {static uint8_t s_state 0switch(s_state){case 0:....s_state 1;break;case 1:....s_state 2;break;case 3:....s_state 1;break;default: //此段可以去除s_state 0;break; } } 参考链接 MCU长…...
java引入jedis并且关于开放redis端口问题
博主主页: 码农派大星. 数据结构专栏:Java数据结构 数据库专栏:数据库 JavaEE专栏:JavaEE 软件测试专栏:软件测试 关注博主带你了解更多知识 目录 1. 引入jedis 编辑 2. 关于java客户端开放redis端口问题 3. 连接redis服务器 redis服务器在官网公开了使用的协议: resp…...
测试电脑是否真实多核CPU
测试电脑是否真实多核CPU 在CPU的描述上现在多数看到的是多核心/多内核，看上去就像是多CPU的样子。但核心是有分真实核心和虚拟核心。如果是真实的多核心，多线程是能够并行。如果不是多核心，多线程就只能够并发。 这里就直接采用多线程的应用…...
Ubuntu 安装实时内核指南
在运行需要高精度和低延迟响应的机器人驱动程序时，安装一个具备实时内核（Real-Time Kernel）的 Ubuntu 系统是至关重要的。若缺乏实时系统的支持，高频率的控制指令可能会导致机器人运动轨迹不流畅，甚至产生抖动现象。以…...
LeetCode：1387. 将整数按权重排序（记忆化搜索 Java）
目录 1387. 将整数按权重排序 题目描述： 实现代码与解析： 记忆化搜索 原理思路： 1387. 将整数按权重排序 题目描述： 我们将整数 x 的 权重 定义为按照下述规则将 x 变成 1 所需要的步数： 如果 x 是偶数ÿ…...
)
某音最新滑块3.5.68(Web/App皆可支持)
某音滑块核心是 captchaBody 参数 难度较大 h5_sdk_version - 代表验证码的版本 如何代表通过验证了呢？ 1.web端 fp参数 - verify_m4zafhzb_yARRD6RZ_YwNj_4gjp_AdsL_yxw0thiqv0ub 2.移动端 did参数 - 1997744780462444 当该接口返回如下数据即通过验证码 该设…...
FFmpeg 框架简介和文件解复用
文章目录 ffmpeg框架简介libavformat库libavcodec库libavdevice库 复用（muxers）和解复用（demuxers）容器格式FLVScript Tag Data结构（脚本类型、帧类型）Audio Tag Data结构（音频Tag）V…...
观察者模式（sigslot in C++）
大家，我是东风，今天抽点时间整理一下我很久前关注的一个不错的库，可以支持我们在使用标准C的时候使用信号槽机制进行观察者模式设计，sigslot 官网： http://sigslot.sourceforge.net/ 本文较为详尽探讨了一种观察者模…...
git企业开发的相关理论（二）
目录 git企业开发的相关理论（一） 八.修改文件 九.版本回退 十.撤销修改 情况一(还没有add) 情况二(add后还没有commit) 情况三(commit后还没有push) 十一.删除本地仓库中的文件 方法一 方法二 十二.理解分支 1.常见的分支工作流程 2.合并冲…...
力扣-图论-70【算法学习day.70】
前言 ###我做这类文章一个重要的目的还是给正在学习的大家提供方向和记录学习过程（例如想要掌握基础用法，该刷哪些题？）我的解析也不会做的非常详细，只会提供思路和一些关键点，力扣上的大佬们的题解质量是非…...
jmeter中的prev对象
在jmeter中通过beanshell、JSR223的各种处理器编写脚本时，都会看到页面上有这样的说明 这些ctx、vars、props、OUT、sampler、prev等等都是可以直接在脚本中使用的对象，由jmeter抛出 今天主要讲一下prev的使用 SampleResult prev jmctx.getPreviousRe…...
机器学习中的密度聚类算法：深入解析与应用
在机器学习的广阔领域中，聚类算法作为一种无监督学习方法，扮演着至关重要的角色。其中，密度聚类算法以其独特的优势，在数据挖掘、图像分割、市场细分等多个领域得到了广泛应用。 一、密度聚类算法的基本原理 密度聚类算法是一种…...
简单分析一下 a,b,c=a+1,a+1,b+1 执行原理
在 Go 语言中，赋值表达式 a, b, c x, y, z 是同时进行的，但是其计算顺序是从左到右依次进行的。即在 a, b, c 被赋值之前，先计算 x, y, z 的值，并依次将它们赋值给 a, b, c。 例如：a, b, c a1, a1, b1，其…...
2025年前端面试热门题目——HTML|CSS|Javascript|TS知识
以下是对这些 HTML 面试问题的详细解答： 1. HTML 的 src 和 href 属性有什么区别? src (Source) 属性： 用于嵌入资源，例如图像、脚本或 iframe。加载资源时，当前页面的加载会暂停，直到资源加载完成。常用于 <img&g…...
将4G太阳能无线监控的视频接入电子监控大屏，要考虑哪些方面？
随着科技的飞速发展，4G太阳能无线监控系统以其独特的优势在远程监控领域脱颖而出。这种系统结合了太阳能供电的环保特性和4G无线传输的便捷性，为各种环境尤其是无电或电网不稳定的地区提供了一种高效、可靠的视频监控解决方案。将这些视频流接入大屏显示…...
【102. 二叉树的层序遍历 中等】
题目： 给你二叉树的根节点 root ，返回其节点值的 层序遍历 。 （即逐层地，从左到右访问所有节点）。 示例 1： 输入：root [3,9,20,null,null,15,7] 输出：[[3],[9,20],[15,7]] 示例…...
文件包含tomato靶机通关
靶机地址：192.168.152.152 注：靶机打开后在 kali 中扫描一下就能得到 打开网站 第一步信息收集 将网址放到 dirb 中扫描一下 得到了三个目录 我们挨个访问一下 第一个是主目录 第二个是主页面 第三个报错 第二步 我们在主目录页面继续访问 我们进行…...
oracle dblink 的创建及使用
Oracle Database Link（DB Link）是Oracle提供的一种功能，允许你在一个数据库中直接访问另一个远程或本地数据库的对象（如表、视图、序列等）。DB Link的设置简化了跨数据库操作，使得数据的集成和同步变得更加…...
java开发入门学习五-流程控制
流程控制语句 if， if...else， if..else if..else 与前端相同 略 switch case 与前端不同的是case不能使用表达式，使用表达式会报错 class TestSwitch {public static void main(String[] args) {// switch 表达式只能是特定的数据类型…...
【蓝桥杯——物联网设计与开发】拓展模块3 - 温度传感器模块
一、温度传感器模块 （1）资源介绍 🔅原理图 蓝桥杯物联网竞赛实训平台提供了一个拓展接口 CN2，所有拓展模块均可直接安装在 Lora 终端上使用； 图1 拓展接口 温度传感器模块电路原理图如下所示： 图2 …...
Zookeeper 底层原理解析
一、引言 在分布式系统的浩瀚星空中，Zookeeper 宛如一颗最为闪耀的导航星，为众多分布式应用指引方向、保驾护航。无论是大名鼎鼎的 Hadoop、HBase，还是其他各类复杂的分布式架构，Zookeeper 都扮演着不可或缺的关键角色。它如同一…...