当前位置：首页 > news >正文

Matlab 数据处理与可视化的多元拓展应用（具体代码分析）

news 来源：原创 2025/5/15 13:17:03

一、代码整体功能概述：
该代码主要实现了以下几个功能：

从文件（part1.txt）中读取数据，并提取第二列数据，将其存储在 originalColumnData 中。
对原始数据进行可视化，包括绘制置零前数据的折线图和直方图，并设置相应的图形属性（如标题、坐标轴标签、颜色、网格线等）。
对直方图进行从右往左的频数累加操作，找到满足一定累计频数（这里是 60000）的阈值，并将小于等于该阈值的数据置零，得到 columnData。
对置零后的数据再次进行可视化，绘制其折线图和直方图，同样设置相应的图形属性。
最后将置零后的数据存储为 CSV 文件（part1res_50000_2.csv），并使用 drawnow 强制更新图形窗口，确保图形及时显示。

二、代码详细解释：

数据读取：

data = dlmread('part1.txt','', 1, 0);
% 提取第二列数据
originalColumnData = -data(:, 2);

dlmread 函数用于从文本文件 part1.txt 中读取数据。第三个参数 1 表示从文件的第二行开始读取（因为 Matlab 中索引从 1 开始），第四个参数 0 表示从第一列开始读取。
data(:, 2) 表示提取 data 矩阵的第二列数据，前面的 - 表示对第二列数据取负。

设置直方图参数：

nBins = 100;

nBins 定义了直方图的区间数量，这里设置为 100。可以根据数据的分布情况和期望的展示效果进行调整。

绘制置零前数据的折线图（第一个子图）：

subplot(2, 2, 1);
dataIndex = 1:length(originalColumnData);
plot(dataIndex, originalColumnData);
title('置零前数据折线图');
xlabel('数据点序号');
ylabel('数值');
xlim([1, length(originalColumnData)]);
ylim([min(originalColumnData), max(originalColumnData)]);
grid on;

subplot(2, 2, 1) 表示将当前绘图区域划分为 2 行 2 列，并选择第一个子图进行绘制。
dataIndex 是一个与 originalColumnData 长度相同的向量，用于作为 x 轴的坐标，这里使用数据点的序号。
plot 函数绘制 originalColumnData 随 dataIndex 变化的折线图。
title、xlabel 和 ylabel 分别设置图的标题和坐标轴标签。
xlim 和 ylim 用于设置 x 轴和 y 轴的范围，确保能完整显示数据范围。
grid on 显示网格线，有助于观察数据趋势。

绘制置零前数据的直方图（第二个子图）：

subplot(2, 2, 2);
h1 = histogram(originalColumnData, nBins);
h1.FaceColor = [0.5, 0.5, 0.8]; 
h1.EdgeColor = 'black';

histogram 函数绘制 originalColumnData 的直方图，使用 nBins 个区间。
h1.FaceColor 和 h1.EdgeColor 分别设置直方图的填充颜色和边框颜色。

从右往左累加直方图频数找到阈值：

binEdges = h1.BinEdges;
binCounts = h1.Values;
cumulativeCount = 0;
targetCount = 60000;
n = numel(binCounts);
for i = n : -1 : 1cumulativeCount = cumulativeCount + binCounts(i);if cumulativeCount >= targetCountthreshold=binEdges(i + 1);break;end
end
columnData = originalColumnData;
columnData(columnData <= threshold) = 0;

h1.BinEdges 包含了直方图每个区间的边界值，h1.Values 存储了每个区间的频数。
从右往左对 binCounts 进行累加，当累加频数达到 targetCount（这里是 60000）时，找到对应的 binEdges 作为阈值。
最后将 originalColumnData 中小于等于该阈值的数据置零，得到 columnData。

绘制置零后数据的折线图（第三个子图）：

subplot(2, 2, 3);
dataIndex = 1:length(columnData);
plot(dataIndex, columnData);
title('置零后数据折线图');
xlabel('数据点序号');
ylabel('数值');
xlim([1, length(columnData)]);
ylim([min(columnData), max(columnData)]);
grid on;

与绘制置零前数据的折线图类似，只是使用的是置零后的数据 columnData。

绘制置零后数据的直方图（第四个子图）：

subplot(2, 2, 4);
h2 = histogram(columnData, nBins);
h2.FaceColor = [0.5, 0.5, 0.8]; 
h2.EdgeColor = 'black'; 
title('置零后数据直方图');
xlabel('数值');
ylabel('频数');
xlim([min(columnData), max(columnData)]); 
grid on;

与绘制置零前数据的直方图类似，只是使用的是置零后的数据 columnData。

存储置零后的数据并显示图形：

outputFileName = 'part1res_50000_2.csv'; 
csvwrite(outputFileName, columnData);
drawnow;

csvwrite 函数将 columnData 存储为 CSV 文件，文件名为 outputFileName。
drawnow 强制 Matlab 立即更新图形窗口，使图形能够及时显示。

三、具体延申应用

1. 基于时间序列数据的趋势预测与异常检测

趋势预测：
- 若原始数据 originalColumnData 是按时间顺序采集的时间序列数据（例如每日的股票价格、每月的销售额等），可以使用 ARIMA（自回归积分滑动平均）模型进行趋势预测。首先，需确保数据是平稳的，若不平稳，可通过差分等操作使其平稳。使用 autocorr 和 parcorr 函数来分析自相关和偏自相关函数，以辅助确定 ARIMA 模型的参数 p（自回归阶数）、d（差分阶数）和 q（滑动平均阶数）。
- 假设经过分析确定合适的参数为 p = 2，d = 1，q = 1，利用 arima 函数构建模型：

model = arima('ARIMA',[2, 1, 1]);
fitModel = estimate(model, originalColumnData);

然后，使用 forecast 函数对未来一段时间的数据进行预测，例如预测接下来 10 个时间点的数据：

numFuturePoints = 10;
[forecastedData, ~, forecastCI] = forecast(fitModel, numFuturePoints, 'Y0', originalColumnData);

将预测结果可视化，在原数据折线图基础上添加预测数据的折线图，用不同颜色区分，以便直观对比：

subplot(2, 2, 1);
plot(dataIndex, originalColumnData);
hold on;
futureIndex = dataIndex(end) + (1:numFuturePoints);
plot(futureIndex, forecastedData, 'r');
hold off;
title('时间序列数据及预测趋势');
xlabel('时间点');
ylabel('数值');
legend('原始数据', '预测数据');

异常检测：
- 对于时间序列数据，可结合滑动窗口和统计方法来检测异常值。定义一个滑动窗口大小，例如窗口大小为 20。
- 在每个窗口内，计算数据的均值 windowMean 和标准差 windowStd：

windowSize = 20;
for i = 1:length(originalColumnData) - windowSize + 1windowData = originalColumnData(i:i + windowSize - 1);windowMean(i) = mean(windowData);windowStd(i) = std(windowData);
end

设定一个异常阈值，通常为均值加上几倍的标准差（例如 3 倍），判断每个数据点是否为异常值：

threshold = 3;
anomalyIndex = false(size(originalColumnData));
for i = 1:length(originalColumnData)if i < windowSizecurrentWindowMean = mean(originalColumnData(1:i));currentWindowStd = std(originalColumnData(1:i));elsecurrentWindowMean = windowMean(i - windowSize + 1);currentWindowStd = windowStd(i - windowSize + 1);endif abs(originalColumnData(i) - currentWindowMean) > threshold * currentWindowStdanomalyIndex(i) = true;end
end

在折线图中将异常值用特殊标记（如红色星号）突出显示：

subplot(2, 2, 1);
plot(dataIndex, originalColumnData);
hold on;
plot(dataIndex(anomalyIndex), originalColumnData(anomalyIndex), 'r*');
hold off;
title('时间序列数据及异常检测');
xlabel('时间点');
ylabel('数值');

2. 多组实验数据对比与分析

假设进行了多组不同条件下的实验，每组实验得到的数据都存储在单独的文件中（如 experiment1.txt，experiment2.txt 等），现在需要对这些组数据进行综合对比分析。
首先，使用循环读取多组数据文件：

numExperiments = 3; % 假设有 3 组实验数据
allData = cell(numExperiments, 1);
for i = 1:numExperimentsdata = dlmread(['experiment', num2str(i), '.txt'], '', 1, 0);originalColumnData = -data(:, 2);allData{i} = originalColumnData;
end

计算每组数据的基本统计量，如均值、中位数、标准差等，并绘制统计图表进行对比：

stats = cell(numExperiments, 1);
for i = 1:numExperimentsstats{i}.mean = mean(allData{i});stats{i}.median = median(allData{i});stats{i}.std = std(allData{i});
end
subplot(2, 2, 1);
bar(1:numExperiments, [stats{:}.mean]);
title('多组实验数据均值对比');
xlabel('实验组别');
ylabel('均值');
subplot(2, 2, 2);
bar(1:numExperiments, [stats{:}.median]);
title('多组实验数据中位数对比');
xlabel('实验组别');
ylabel('中位数');
subplot(2, 2, 3);
bar(1:numExperiments, [stats{:}.std]);
title('多组实验数据标准差对比');
xlabel('实验组别');
ylabel('标准差');

进行假设检验，判断不同组数据之间是否存在显著差异。例如，使用 ttest2 函数进行两组数据之间的独立样本 t 检验，比较第一组和第二组数据是否来自具有相同均值的总体：

[h, p, ci, stats] = ttest2(allData{1}, allData{2});
if h == 1disp('第一组和第二组数据存在显著差异');
elsedisp('第一组和第二组数据无显著差异');
end

还可以对多组数据进行可视化叠加，将每组数据的折线图绘制在同一坐标轴上，使用不同颜色或线型加以区分，以便直观观察数据的分布和差异：

subplot(2, 2, 4);
for i = 1:numExperimentsplot(1:length(allData{i}), allData{i}, ['Color', num2str(i / numExperiments), '-']);hold on;
end
hold off;
title('多组实验数据折线图对比');
xlabel('数据点序号');
ylabel('数值');
legend({'实验 1', '实验 2', '实验 3'});

3. 结合机器学习算法进行数据分类与预测

以支持向量机（SVM）为例，对数据进行分类任务。假设 originalColumnData 是特征向量，并且有对应的类别标签存储在另一个向量 labels 中（例如，标签为 1 和 -1 代表两类不同的样本）。
首先，划分训练集和测试集，通常按照一定比例（如 80% 训练，20% 测试）随机抽取：

trainRatio = 0.8;
numSamples = length(originalColumnData);
trainIndex = randperm(numSamples, floor(trainRatio * numSamples));
trainData = originalColumnData(trainIndex);
trainLabels = labels(trainIndex);
testData = originalColumnData(setdiff(1:numSamples, trainIndex));
testLabels = labels(setdiff(1:numSamples, trainIndex));

使用 fitcsvm 函数训练 SVM 模型：

svmModel = fitcsvm(trainData, trainLabels);

对测试集进行预测，并计算预测准确率：

predictedLabels = predict(svmModel, testData);
accuracy = sum(predictedLabels == testLabels) / length(testLabels);
disp(['SVM 模型预测准确率：', num2str(accuracy)]);

可视化分类结果，对于二维特征数据，可以绘制散点图，用不同颜色表示不同的真实类别，同时用标记（如圆圈、星号等）表示预测类别，以便直观查看分类的准确性：

subplot(2, 2, 1);
scatter(testData(:, 1), testData(:, 2), 50, testLabels, 'filled');
hold on;
scatter(testData(:, 1), testData(:, 2), 30, predictedLabels, 'x');
hold off;
title('SVM 分类结果可视化');
xlabel('特征 1');
ylabel('特征 2');
legend('真实类别', '预测类别');

还可以尝试不同的核函数（如线性核、高斯核等）和参数调整，观察对分类结果的影响，通过多次试验找到最优的模型配置：

svmModelLinear = fitcsvm(trainData, trainLabels, 'KernelFunction', 'linear');
svmModelGaussian = fitcsvm(trainData, trainLabels, 'KernelFunction', 'rbf', 'KernelScale', 2);
% 分别对不同模型进行测试和评估，与上述过程类似

总结：
本文围绕一段给定的 Matlab 代码展开深入探讨，该代码涵盖了数据读取、可视化（折线图与直方图绘制）、数据处理（依据直方图频数置零）以及结果存储与图形显示等功能。在延伸应用方面：

数据来源与格式上，不仅可用 dlmread 读文本，还能用 readtable 读 CSV、xlsread 读 Excel、fread 处理二进制，以适应多样的数据获取需求。
数据处理逻辑多变，能依均值、标准差筛选，或借助 find 按条件查找数据，还可结合峰度、偏度等统计信息深入分析数据分布特征。
可视化优化包含添加图例对比数据、用散点图替代折线图、绘制三维图形展现二维数据全貌，还能制作动画呈现数据动态变化、进行交互式操作（如鼠标选阈值、滑块调参数），并导出高质量图形用于多场景。
特殊应用领域广泛，在信号处理里做傅里叶变换剖析频率成分、用 fitdist 拟合概率分布、以 boxplot 观察数据分布异常，还能处理图像（滤波、边缘检测、阈值分割）、文本（词频统计、相似度计算、分类）、地理空间（绘图、插值）、物联网（时序分析、异常检测、数据融合）数据，并且兼顾大数据分块处理、数据加密解密、跨平台交互共享、VR/AR 场景构建、动态交互故事板制作以及数据质量评估清洗等诸多任务。同时，针对时间序列数据能预测趋势与检测异常，多组实验数据可对比分析，结合机器学习算法（如 SVM）能实现分类预测，充分展现了 Matlab 在数据处理全流程各环节强大且丰富的拓展能力。

Matlab 数据处理与可视化的多元拓展应用（具体代码分析）

一、代码整体功能概述： 该代码主要实现了以下几个功能： 从文件（part1.txt）中读取数据，并提取第二列数据，将其存储在 originalColumnData 中。对原始数据进行可视化，包括绘制置零前数据的折线图…...

编程日记 2025/5/15 13:17:03

小程序与内嵌网页的数据通信

小程序与内嵌网页的数据通信前言微信小程序提供了web-view组件，允许开发者在小程序中嵌入网页。然而，由于小程序和网页运行在不同的环境中，它们之间的通信就需要依赖特定的机制来实现。然而我们日常的需求中，很多的时候都涉及…...

编程日记 2025/5/15 13:08:49

【学习笔记】数据结构（十一）

外部排序文章目录外部排序11.1 外存信息的存取11.2 外部排序的方法11.3 多路平衡归并的实现 - 增加k11.4 置换-选择排序 - 减少m11.5 最佳归并树外部排序指的是大文件的排序，即待排序的记录存储在外存储器上，在排序过程中需进行多次的内、外存之间的…...

编程日记 2025/5/15 13:04:19

【Logstash03】企业级日志分析系统ELK之Logstash 过滤 Filter 插件

Logstash 过滤 Filter 插件数据从源传输到存储库的过程中，Logstash 过滤器能够解析各个事件，识别已命名的字段以构建结构， 并将它们转换成通用格式，以便进行更强大的分析和实现商业价值。 Logstash 能够动态地转换和解析数据&a…...

编程日记 2025/5/15 13:10:59

深度学习模型部署——基于Onnx Runtime的深度学习模型CPU与GPU部署（C++实现）

1.概述许多机器学习和深度学习模型都是在基于 Python 的框架中开发和训练的，例如 PyTorch 和 TensorFlow 等。但是，当需要将这些训练好模型部署到生产环境中时，通常会希望将模型集成到生产流程中，而这些流程大多是用 C 编写的&a…...

编程日记 2025/5/7 6:58:02

Selenium 的四种等待方式及使用场景

Selenium 的四种等待方式及使用场景隐式等待（Implicit Wait）显式等待（Explicit Wait）自定义等待（Custom Wait）固定等待（Sleep） 1. 隐式等待定义： 隐式等待是为 WebD…...

编程日记 2025/5/15 13:13:30

攻防世界 ics-07

点击之后发现有个项目管理能进，点进去，点击看到源码，如下三段 <?php session_start(); if (!isset($_GET[page])) { show_source(__FILE__); die(); } if (isset($_GET[page]) && $_GET[page] ! index.php) { include(flag.php);…...

编程日记 2025/5/11 21:53:29

一文读懂「LoRA」：大型语言模型的低秩适应

LoRA: Low-Rank Adaptation of Large Language Models 前言 LoRA作为大模型的微调框架十分实用，在LoRA出现以前本人都是通过手动修改参数、优化器或者层数来“炼丹”的，具有极大的盲目性，但是LoRA技术能够快速微调参数，如果LoRA…...

编程日记 2025/5/15 13:09:56

新车月交付突破2万辆！小鹏汽车“激活”智驾之困待解

首次突破月交付2万辆规模的小鹏汽车，稳吗？ 本周，高工智能汽车研究院发布的最新监测数据显示，2024年11月，小鹏汽车在国内市场（不含出口）交付量（上险口径，下同&#xff09…...

编程日记 2025/5/13 17:07:39

dockerfile 中 #(nop)

在 Dockerfile 中，#(nop) 通常出现在 docker history 命令的输出中。以下是对它的详细解释： 背景当你使用 docker history <image_name> 命令查看 Docker 镜像的构建历史时，你可能会看到 #(nop) 这样的标记。这是因为 Docker 镜像由…...

编程日记 2025/5/14 0:24:12

升级 Spring Boot 3 配置讲解 —— 为何 SpringBoot3 淘汰了 JDK8？

学会这款 🔥全新设计的 Java 脚手架 ，从此面试不再怕！ 随着 Spring Boot 3 的发布，许多开发者发现了一个重要的变化：Spring Boot 3 不再支持 JDK 8。这一变化引发了不少讨论，尤其是对于那些仍然在使用 JDK …...

编程日记 2025/5/14 0:07:34

IT面试求职系列主题-人工智能（一）

想成功求职，必要的IT技能一样不能少，再从人工智能基础知识来一波吧。 1）您对人工智能的理解是什么？ 人工智能是计算机科学技术，强调创造能够模仿人类行为的智能机器。这里智能机器可以定义为能够像人一样行动、像人一…...

编程日记 2025/5/7 10:37:58

JVM 优化指南

JVM 优化指南 1. JVM 参数配置 1.1 基础参数配置设置堆内存大小 -Xms2048m -Xmx2048m 设置新生代大小 -Xmn1024m 设置元空间大小 -XX:MetaspaceSize256m -XX:MaxMetaspaceSize256m 设置线程栈大小 -Xss512k1.2 垃圾回收器配置使用 G1 垃圾回收器 -XX:UseG1GC 设置期望停顿…...

编程日记 2025/5/12 14:42:25

windows下编写的shell脚本在Linux下执行有问题解决方法

前言： 这个问题在实际工作中经常会遇到(非语法错误)，脚本来源有些是自己在windows系统编写的、有些是从别人那里copy来的，还有些原本是好的被别人拿到windows下修改了一些内容，总之各种场景，但是如果是一个内容比较多的…...

编程日记 2025/5/9 13:14:18

使用 SQL 和表格数据进行问答和 RAG（6）—将指定目录下的 CSV 或 Excel 文件导入 SQLite 数据库

将指定目录下的 CSV 或 Excel 文件导入 SQLite 数据库。以下是详细代码逻辑： 1. 类结构该类包含三个主要方法： _prepare_db：负责将文件夹中的 CSV 和 XLSX 文件转换为 SQL 表。_validate_db：用于验证 SQL 数据库中创建的表是否…...

编程日记 2025/4/27 21:26:17

【算法】算法大纲

这篇文章介绍计算机算法的各个思维模式。包括计数原理、数组、树型结构、链表递归栈、查找排序、管窥算法、图论、贪心法和动态规划、以及概率论：概率分治和机器学习。没有办法逐个说明，算法本身错综复杂，不同的算法对应着不同的实用场景，也需要根据具体情况设计与调整。…...

编程日记 2025/5/10 14:46:14

vue（2,3）, react (16及以上)开发者工具资源

在前端开发的广阔领域中，Vue.js 和 React.js 作为两大主流框架，各自拥有庞大的用户群体和丰富的生态系统。为了帮助开发者更高效地进行调试和开发，Vue Devtools 和 React 开发者工具应运而生，成为这两个框架不可或缺的辅助工具。本…...

编程日记 2025/5/14 3:28:20

系统编程(网络,文件基础)

网络链接虚拟机和主机之间网络连接的主要模式有三种，分别是桥接模式（Bridged）、网络地址转换模式（NAT）以及主机模式（Host-Only）。以下是这三种模式的详细解释： 一、桥接模式&…...

编程日记 2025/5/12 7:34:20

重温设计模式--13、策略模式

策略模式介绍文章目录策略模式介绍C 代码示例策略模式是一种行为设计模式，它允许在运行时选择算法的行为。该模式将算法的定义和使用分离开来，使得算法可以独立于使用它的客户端而变化，提高了代码的灵活性和可维护性。其主要包含以下几个…...

编程日记 2025/5/13 11:09:27

数字IC设计高频面试题

在数字IC设计领域，面试是评估候选人技术能力和问题解决能力的重要环节。数字IC设计的复杂性和要求在不断提高。面试官通常会提出一系列面试题，以考察应聘者在数字设计、验证、时钟管理、功耗优化等方面的专业知识和实践经验。这些题目不仅涉及理论知识…...

编程日记 2025/5/11 10:28:32

C#异步多线程——ThreadPool线程池

C#实现异步多线程的方式有多种，以下总结的是ThreadPool的用法。线程池的特点线程池受CLR管理，线程的生命周期，任务调度等细节都不需要我们操心了，我们只需要专注于任务实现，使用ThreadPool提供的静态方法把我们的任…...

编程日记 2025/5/11 23:27:21

矩母函数（MGF）

矩母函数（MGF）简介矩母函数（Moment Generating Function，MGF）是概率统计中描述随机变量分布特征的重要工具。MGF的主要用途是通过导数来计算随机变量的矩（比如均值、方差等），同时它…...

编程日记 2025/5/10 13:27:56

【技术支持】安卓无线adb调试连接方式

Android 10 及更低版本，需要借助 USB 手机和电脑需连接在同一 WiFi 下；手机开启开发者选项和 USB 调试模式，并通过 USB 连接电脑（即adb devices可以查看到手机）；设置手机的监听adb tcpip 5555;拔掉 USB 线…...

编程日记 2025/5/11 22:20:20

OpenCV相机标定与3D重建(46)将三维空间中的点投影到二维图像平面上函数projectPoints()的使用

操作系统：ubuntu22.04 OpenCV版本：OpenCV4.9 IDE:Visual Studio Code 编程语言：C11 算法描述将3D点投影到图像平面上。 cv::projectPoints 是 OpenCV 库中的一个函数，用于将三维空间中的点投影到二维图像平面上。这个过程涉及到…...

编程日记 2025/5/12 7:24:05

Android wifi常见问题及分析

参考 Android Network/WiFi 那些事儿前言本文将讨论几个有意思的网络问题，同时介绍 Android 上常见WiFi 问题的分析思路。网络基础Q & A 一. 网络分层缘由分层想必大家很熟悉，是否想过为何需要这样分层？ 网上大多都是介绍每一层…...

编程日记 2025/5/14 9:19:17

如何用 ESP32-CAM 做一个实时视频流服务器

文章目录 ESP32-CAM 概述ESP32-S 处理器内存Camera 模块MicroSD 卡槽天线板载 LED 和闪光灯其他数据手册和原理图ESP32-CAM 功耗 ESP32-CAM 引脚参考引脚排列GPIO 引脚哪些 GPIO 可以安全使用？GPIO 0 引脚MicroSD 卡引脚 ESP32-CAM 的烧录方式使用 ESP32-CAM-MB 编程…...

编程日记 2025/5/14 17:35:48

编译与汇编

本文来自《程序员的自我修养》编译过程是把预处理完的文件进行一系列词法分析，语法分析，语义分析以及优化后生成相应的汇编文件代码。现在版本的GCC把预编译和编译两个步骤合并为一个步骤。 gcc -S HelloWorld.c HelloWorld.sint main() {//test/* …...

编程日记 2025/5/11 15:52:24

Linux入门攻坚——43、keepalived入门-1

Linux Cluster（Linux集群的类型）：LB、HA、HPC，分别是负载均衡集群、高可用性集群、高性能集群。 LB：lvs，nginx HA：keepalived，heartbeat，corosync，cman HP&am…...

编程日记 2025/5/14 20:49:09

备考蓝桥杯：顺序表相关算法题

目录询问学号寄包柜移动0 颜色分类合并两个有序数组物品移动询问学号我们的思路：创建一个顺序表存储从1开始依次存放进入教室的学生学号，然后查询 #include <iostream> #include <vector> using namespace std; const int N 2…...

编程日记 2025/5/11 21:55:40

【STM32+QT项目】基于STM32与QT的智慧粮仓环境监测与管理系统设计（完整工程资料源码）

视频演示：基于STM32与QT的智慧粮仓环境监测与管理系统设计目录：目录视频演示：目录：前言：...

编程日记 2025/4/29 9:58:13

Vue3 自定义hook

文章目录 Vue3 自定义hook概述用法 Vue3 自定义hook 概述 Vue3推荐利用Vue的组合式API函数进行代码封装，这种封装方式统称为自定义hook。用法定义 hook/countHook.js： import {computed, ref, watch} from "vue";export default (initC…...

编程日记 2025/5/13 17:28:46

Sub CopyRowToColumn()On Error GoTo ErrorHandler 添加错误处理Application.ScreenUpdating FalseApplication.Calculation xlCalculationManualApplication.EnableEvents False 禁用事件处理Dim lastCol As LongDim lastRow As LongDim i As Long, colCount As LongDim …...

编程日记 2025/5/15 9:54:14

使用Llama 3.1创建合成数据集以调优你的大型语言模型

使用Llama 3.1创建合成数据集以调优你的大型语言模型在数据驱动的人工智能领域，数据是核心资产。开发高质量数据集既复杂又昂贵，因此很多实验室和开发者选择使用合成数据集。本文将介绍如何利用大型语言模型Llama 3.1 405B创建合成数据集，并…...

编程日记 2025/5/15 11:31:17

【Ubuntu22.04】VMware虚拟机硬盘扩容

1.首先打开虚拟机设置 2.根据需要对硬盘扩展这边提示我们还需要进入虚拟机在内部分区 3.安装界面化磁盘管理工具 # 安装 sudo apt install gparted# 启动 sudo gparted调整硬盘大小调整的时候会提示我们硬盘是只读的，因此还要进行操作新建终端重新挂载文件系…...

编程日记 2025/5/13 18:01:11

初学stm32 --- DMA直接存储器

目录 DMA介绍 STM32F1 DMA框图 DMA处理过程 DMA通道 DMA优先级 DMA相关寄存器介绍 F1 DMA通道x配置寄存器（DMA_CCRx） DMA中断状态寄存器（DMA_ISR） DMA中断标志清除寄存器（DMA_IFCR） DMA通道x传输…...

编程日记 2025/5/14 2:25:30

reactor中的并发

1. reactor中的并发有两种方式 1.1 flatmap，底层是多线程并发处理。在reactor的演讲中，flatmap对于io类型的并发效果较好. flamap有两个参数: int concurrency, int prefetch。分别代表并发的线程数和缓存大小注意凡是参数中有prefetch的，都…...

编程日记 2025/5/14 22:09:27

HTML - ＜script＞，＜noscript＞

编程日记 2025/5/12 8:01:18

C#语言的函数实现

C#语言的函数实现在现代编程语言中，函数（Function）是最基本也是最重要的组成部分之一。函数不仅提高了代码的复用性，还使得程序结构更清晰。C#作为一种多用途的编程语言，函数的知识是程序员必备的基本技能之一。本文…...

编程日记 2025/5/14 11:51:49

JAVA I/O流练习1

往D盘中的JAVA复习文件夹中写数据： 数据改了一下哈： import java.io.*; import java.util.Scanner; public class Test {public static void main(String[] args) throws IOException {String fileName"D:JAVA复习\\grade.txt";FileWriter w…...

编程日记 2025/5/11 14:38:12

HTML——75. 内联框架

<!DOCTYPE html> <html><head><meta charset"UTF-8"><title>内联框架</title><style type"text/css">iframe{width: 100%;height: 500px;}</style></head><body><!--iframe元素会创建包含…...

编程日记 2025/5/15 4:40:10

js获取当前浏览器地址，ip，端口号等等

前言： js获取当前浏览器地址，ip，端口号等等 window.location属性查询具体属性： 1、获取他的ip地址 window.location.hostname 2、获取他的端口号 window.location.port 3、获取他的全路径 window.location.origin 4、获取…...

编程日记 2025/5/12 2:15:52

C++虚函数（八股总结）

什么是虚函数虚函数是在父类中定义的一种特殊类型的函数，允许子类重写该函数以适应其自身需求。虚函数的调用取决于对象的实际类型，而不是指针或引用类型。通过将函数声明为虚函数，可以使继承层次结构中的每个子类都能够使用其自己的实现&a…...

编程日记 2025/5/7 17:20:08

【每日学点鸿蒙知识】跳转三方地图、getStringSync性能、键盘避让模式等

1、跳转三方地图导航页类似于Android 跳转到地图APP 导航页面： // 目标地点的经纬度和名称 double destinationLat 36.547901; double destinationLon 104.258354; String destinationName "目的地名称"; // 构建URI Uri uri Uri.parse("…...

编程日记 2025/5/9 23:01:41

【线性代数】通俗理解特征向量与特征值

这一块在线性代数中属于重点且较难理解的内容，下面仅个人学习过程中的体会，错误之处欢迎指出，有更简洁易懂的理解方式也欢迎留言学习。文章目录概念计算几何直观理解意义概念矩阵本身就是一个线性变换，对一个空间中的向量应用…...

编程日记 2025/5/13 5:53:29

C#设计模式（行为型模式）：备忘录模式，时光倒流的魔法

C#设计模式：备忘录模式，时光倒流的魔法在软件开发中，我们经常会遇到需要保存对象状态，并在未来某个时刻恢复的场景。例如： 撤销操作： 文本编辑器中的撤销功能，游戏中的回退操作。事务回滚&am…...

编程日记 2025/4/23 2:37:47

服务器信息整理：用途、操作系统安装日期、设备序列化、IP、MAC地址、BIOS时间、系统

文章目录引言I BIOS时间Windows查看BIOS版本安装日期linux查看BIOS时间II 操作系统安装日期LinuxWindowsIII MAC 地址IV 设备序列号Linux 查看主板信息知识扩展Linux常用命令引言信息内容：重点信息：用途、操作系统安装日期、设备序列化、IP、MAC地址、BIOS时间、系统 Linux…...

编程日记 2025/5/8 12:03:32

用OpenCV实现UVC视频分屏

分屏 OpencvUVC代码验证后话用OpenCV实现UVC摄像头的视频分屏。 Opencv opencv里有很多视频图像的处理功能。 UVC Usb 视频类，免驱动的。视频流格式有MJPG和YUY2。MJPG是RGB三色通道的。要对三通道进行分屏显示。代码 import cv2 import numpy as np video …...

编程日记 2025/5/15 12:27:25