CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测（Matlab完整源码和数据）
CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测（Matlab完整源码和数据）
目录
- CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测（Matlab完整源码和数据）
- 预测效果
- 基本介绍
- CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测
- 一、引言
- 1.1、研究背景和意义
- 1.2、研究现状
- 1.3、研究目的与内容
- 二、理论基础
- 2.1、时间序列预测概述
- 2.2、深度学习在时间序列预测中的应用
- 三、CNN-BiLSTM模型设计
- 3.1、模型架构详解
- 3.2、模型训练与优化
- 四、实验设计与结果分析
- 4.1、实验数据与预处理
- 4.2、实验设置
- 五、模型优化策略
- 5.1、参数优化方法
- 5.2、模型结构改进
- 六、案例分析
- 6.1、金融市场预测
- 6.2、气象预报
- 6.3、能源负荷预测
- 七、结论与展望
- 7.1、研究总结
- 7.2、研究展望
- 程序设计
- 参考资料
预测效果
基本介绍
CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测
一、引言
1.1、研究背景和意义
时间序列预测是数据分析中的一个重要领域，它涉及对一系列按时间顺序排列的数据进行建模，以预测未来的值。这种技术在金融、医疗、交通、能源等多个行业有着广泛的应用，例如股票价格预测、疾病传播趋势分析、交通流量预测和电力负荷预测等。随着数据量的不断增长和复杂性的增加，传统的统计方法如ARIMA（自回归积分滑动平均模型）和线性回归模型在处理这些数据时显得力不从心。这些方法通常假设数据是线性的且具有稳定的统计特性，而在实际情况中，时间序列数据往往具有非线性、非平稳性以及复杂的依赖关系。
1.2、研究现状
近年来，深度学习技术由于其在处理复杂数据方面的卓越表现，已经成为时间序列预测研究的热点。特别是循环神经网络（RNN），尤其是长短期记忆网络（LSTM），由于其能够有效捕捉时间序列中的长期依赖关系已被广泛应用于各种预测任务中。尽管如此，LSTM在处理长序列时仍然面临梯度消失和计算资源消耗大的问题。为了解决这些问题，研究者们提出了多种改进模型，如门控循环单元（GRU）和双向LSTM（BiLSTM）等。
1.3、研究目的与内容
本文旨在提出一种新的时间序列预测模型——CNN-BiLSTM模型，该模型结合了卷积神经网络（CNN）和双向长短期记忆网络的优势，通过利用CNN提取时间序列的局部特征和BiLSTM捕捉长期依赖关系，以提高预测的准确性。具体而言，本文将详细介绍CNN-BiLSTM模型的架构设计、训练过程，并通过实验验证其在不同领域时间序列预测中的应用效果。
二、理论基础
2.1、时间序列预测概述
时间序列预测是根据历史数据对未来数据点进行预测的统计方法。时间序列数据具有时间上的顺序性和相关性，即每个数据点都与前一个或多个数据点相关。这种相关性使得时间序列预测成为可能，但也增加了预测的复杂性。时间序列预测的主要挑战包括处理数据的非线性和非平稳性、捕捉长期依赖关系以及应对数据中的噪声和异常值。
2.2、深度学习在时间序列预测中的应用
深度学习通过多层神经网络自动提取和学习数据中的复杂特征，已在图像识别、语音识别等领域取得了显著成功。在时间序列预测中，深度学习模型如LSTM和GRU能够通过门控机制有效捕捉数据中的长期依赖关系。CNN则通过卷积操作提取数据的局部特征，特别适用于捕捉时间序列中的短期模式和周期性变化。将CNN与LSTM结合，可以同时利用两者的优势，提高预测模型的性能。
三、CNN-BiLSTM模型设计
3.1、模型架构详解
CNN-BiLSTM模型由卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）组成。模型首先使用CNN层对输入的时间序列数据进行卷积操作，提取数据的局部特征。卷积层通过多个卷积核扫描输入数据，每个卷积核负责提取特定尺度的特征，如短期波动或长期趋势。卷积操作后的特征图经过池化层（如最大池化）降维，以减少计算量和增强模型的鲁棒性。
接着，提取的特征被送入BiLSTM层进行处理。BiLSTM由两个方向的LSTM组成，一个向前处理输入序列，另一个向后处理，从而同时捕捉时间序列中的过去和未来信息。这种双向的结构使得模型能够更全面地理解数据中的依赖关系，特别适用于需要考虑上下文信息的预测任务。BiLSTM层的输出随后被送入全连接层进行非线性变换，最后通过输出层生成预测值。
3.2、模型训练与优化
模型的训练过程采用反向传播算法和Adam优化器进行。损失函数通常采用均方根误差（RMSE），以衡量预测值与实际值之间的差异。在训练过程中，为了防止过拟合，可以采用dropout正则化技术。此外，超参数的调整如学习率、批次大小、卷积核大小和数量等对模型性能有显著影响，通常通过网格搜索或随机搜索进行优化。
四、实验设计与结果分析
4.1、实验数据与预处理
为了验证CNN-BiLSTM模型的预测性能，本文选用了具有代表性的时间序列数据。数据预处理是提高模型预测性能的关键步骤，包括数据归一化和窗口划分等。
4.2、实验设置
实验模型的具体参数设置如下：卷积层包含卷积核，池化层采用最大池化；BiLSTM层；全连接层包含。优化器采用Adam，学习率，批次大小，训练轮数。
五、模型优化策略
5.1、参数优化方法
模型的性能很大程度上依赖于超参数的设置。为了找到最优的超参数组合，本文采用了网格搜索和随机搜索两种方法。网格搜索通过遍历预设的超参数组合来寻找最优解，而随机搜索则在超参数空间内随机采样，两者都能有效提高模型的预测性能。此外，使用学习率衰减策略可以在训练过程中动态调整学习率，从而加快模型的收敛速度并提高训练稳定性。
5.2、模型结构改进
为了进一步提升模型的性能，可以考虑对CNN-BiLSTM模型的结构进行改进。一种可能的改进是引入注意力机制，使得模型在处理时间序列数据时能够聚焦于重要的特征和时间步。注意力机制可以根据输入数据的重要性动态调整权重，从而提高模型对关键信息的捕捉能力。此外，可以探索将CNN-BiLSTM模型与其他深度学习模型如Transformer结合，以利用各自的优势，提高预测精度。
六、案例分析
6.1、金融市场预测
金融市场的时间序列数据通常具有高度的非线性和复杂性，包括股票价格、外汇汇率等。CNN-BiLSTM模型通过捕捉数据的短期波动和长期趋势，能够有效地预测股票价格的变动。实验结果表明，该模型在股票价格预测中表现出优异的性能，预测误差显著低于传统方法。这对于投资者来说具有重要意义，因为他们可以根据模型的预测结果做出更明智的投资决策。
6.2、气象预报
气象数据的时间序列预测对于农业、航空、能源等多个行业至关重要。CNN-BiLSTM模型通过提取气象数据中的局部特征和长期依赖关系，能够准确预测未来的温度、湿度、风速等气象要素。实验结果表明，该模型在气象预报中的应用效果显著优于传统方法，能够提供更准确和可靠的气象预测服务。
6.3、能源负荷预测
准确的能源负荷预测对于电力公司的运营和管理至关重要，可以帮助电力公司优化电力生产与分配，减少能源浪费。CNN-BiLSTM模型通过捕捉能源消耗数据中的周期性变化和趋势，能够有效预测未来的能源需求。实验结果表明，该模型在能源负荷预测中的应用效果显著优于传统方法，能够提供更准确和可靠的预测结果，从而帮助电力公司做出更明智的决策。
七、结论与展望
7.1、研究总结
本文提出了一种基于CNN-BiLSTM的时间序列预测模型，通过结合CNN和BiLSTM的优势，提高了预测的准确性。实验结果表明，该模型在金融市场、气象预报和能源负荷预测等不同领域的应用中均表现出优异的性能，显著优于传统预测方法。此外，通过参数优化和模型结构改进，进一步提升了模型的预测性能。
7.2、研究展望
尽管CNN-BiLSTM模型在时间序列预测中取得了显著成效，但仍有改进空间。未来的研究可以考虑引入更多先进的深度学习技术，如注意力机制和Transformer等，以进一步提升模型的性能。同时，探索模型在不同应用场景下的适用性和优化策略，也是未来研究的重要方向。
程序设计
- CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测（Matlab完整源码和数据）
1.Matlab实现CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测（Matlab完整源码和数据）。
2.输出MAE 、 MAPE、MSE、RMSE、R2多指标评价，运行环境Matlab2023及以上。
3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。
历时 12.001924 秒。
…………训练集误差指标…………
1.均方差(MSE)：13.2365
2.根均方差(RMSE)：3.6382
3.平均绝对误差（MAE）：1.8183
4.平均相对百分误差（MAPE）：15.5692%
5.R2：94.161%
…………测试集误差指标…………
1.均方差(MSE)：10.0106
2.根均方差(RMSE)：3.164
3.平均绝对误差（MAE）：1.6718
4.平均相对百分误差（MAPE）：15.7819%
5.R2：95.2569%
%% 清空环境变量
layers0 = [ ...% 输入特征sequenceInputLayer([numFeatures,1,1],'name','input') %输入层设置sequenceFoldingLayer('name','fold') %使用序列折叠层对图像序列的时间步长进行独立的卷积运算。% CNN特征提取convolution2dLayer([2,1],4,'Stride',[1,1],'name','conv1') %添加卷积层，64，1表示过滤器大小，10过滤器个数，Stride是垂直和水平过滤的步长batchNormalizationLayer('name','batchnorm1') % BN层，用于加速训练过程，防止梯度消失或梯度爆炸reluLayer('name','relu1') % ReLU激活层，用于保持输出的非线性性及修正梯度的问题% 池化层maxPooling2dLayer([2,1],'Stride',2,'Padding','same','name','maxpool') % 第一层池化层，包括3x3大小的池化窗口，步长为1，same填充方式% 展开层sequenceUnfoldingLayer('name','unfold') %独立的卷积运行结束后，要将序列恢复%平滑层flattenLayer('name','flatten')bilstmLayer(25,'Outputmode','last','name','hidden1') dropoutLayer(0.2,'name','dropout_1') % Dropout层，以概率为0.2丢弃输入fullyConnectedLayer(1,'name','fullconnect') % 全连接层设置（影响输出维度）（cell层出来的输出层） %regressionLayer('Name','output') ];lgraph0 = layerGraph(layers0);
lgraph0 = connectLayers(lgraph0,'fold/miniBatchSize','unfold/miniBatchSize');%% Set the hyper parameters for unet training
options0 = trainingOptions('adam', ... % 优化算法Adam'MaxEpochs', 150, ... % 最大训练次数'GradientThreshold', 1, ... % 梯度阈值'InitialLearnRate', 0.01, ... % 初始学习率'LearnRateSchedule', 'piecewise', ... % 学习率调整'LearnRateDropPeriod',70, ... % 训练100次后开始调整学习率'LearnRateDropFactor',0.01, ... % 学习率调整因子'L2Regularization', 0.001, ... % 正则化参数'ExecutionEnvironment', 'cpu',... % 训练环境'Verbose', 1, ... % 关闭优化过程'Plots', 'none'); % 画出曲线
% % start training
% 训练
tic
net = trainNetwork(trainD,targetD',lgraph0,options0);
toc
%analyzeNetwork(net);% 查看网络结构
% 预测
t_sim1 = predict(net, trainD);
t_sim2 = predict(net, testD);
参考资料
[1] https://blog.csdn.net/kjm13182345320/article/details/127626816
[2] https://blog.csdn.net/kjm13182345320/article/details/127179100
相关文章：
CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测（Matlab完整源码和数据）
CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测（Matlab完整源码和数据） 目录 CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测（Matlab完整源码和数据）预测效果基本介绍 CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测一…...
数字图像处理：实验七
uu们！这是我们目前数字图像系列的最后一张，之后有关人工智能结合的数字图像处理咸鱼哥正在学习和创作中，所以还请大家给咸鱼哥点时间，同时也提前预祝大家2025年新春快乐！（咸鱼哥真诚的祝愿每一个人…...
Excel分区间统计分析（等步长、不等步长、多维度）
在数据分析过程中，可能会需要统计不同数据区间的人数、某个数据区间的平均值或者进行分组区间统计，本文从excel函数到数据透视表的方法，从简单需求到复杂需求，采用不同的方法进行讲解，尤其是通过数据透视表的强大功能大…...
QWindow类使用介绍与代码演示
深入浅出C++ Qt开发技术专栏 https://blog.csdn.net/yao_hou/category_9276099.html?spm=1001.2014.3001.5482 文章目录 QWindow主要功能和特性常用的函数示例代码适用场景QWindow父类QSurface`QSurface` 类概述主要功能和特性常用的函数相关的子类示例代码`QSurface` 的实际应…...
函数——详解)
OpenCV图像显示imshow()函数——详解
OpenCV图像显示imshow()函数——详解 本文目录： 零、时光宝盒 一、OpenCV 图像显示使用imshow()函数语法 二、imshow()显示图片时发生图片显示不全的解决方法 解决办法（1） 解决办法（2） 总结 三、imshow()图像显…...
Oracle 12c 中的 CDB和PDB的启动和关闭
一、简介 Oracle 12c引入了多租户架构，允许一个容器数据库（Container Database, CDB）托管多个独立的可插拔数据库（Pluggable Database, PDB）。本文档旨在详细描述如何启动和关闭CDB及PDB。 二、容器数据库 (CDB) 2.1…...
二次封装的方法
二次封装 我们开发中经常需要封装一些第三方组件，那么父组件应该怎么传值，怎么调用封装好的组件原有的属性、插槽、方法，一个个调用虽然可行，但十分麻烦，我们一起来看更简便的方法。 二次封装组件，属性怎…...
【BQ3568HM开发板】如何在OpenHarmony上通过校园网的上网认证
引言 前面已经对BQ3568HM开发板进行了初步测试，后面我要实现MQTT的工作，但是遇到一个问题，就是开发板无法通过校园网的认证操作。未认证的话会，学校使用的深澜软件系统会屏蔽所有除了认证用的流量。好在我们学校使用的认证系统和…...
安装Ubuntu22.04
1.引用教程 如何安装Ubuntu Server 22.04 LTS_ubuntu22.04 server-CSDN博客 2.空间分配 要使用 docker 比较多所以分别的 docker 空间大...
Charles 4.6.7 浏览器网络调试指南：流量过滤与分析（六）
1. 概述 在网络调试和优化过程中，Charles 不仅可以实现简单的网络抓包操作，还支持更高级的抓包技巧和流量分析功能。这些功能能够帮助开发者深入挖掘网络请求的细节，为复杂问题提供有效的解决方案。本文将重点讲解 Charles 的过滤规则、自定…...
浅拷贝（Shallow Copy）和深拷贝（Deep Copy）
浅拷贝（Shallow Copy）和深拷贝（Deep Copy）是对象复制的两种方式，它们在处理对象内部引用类型成员时有不同的行为。下面我将详细解释这两种拷贝的区别，并提供具体的 Java 示例代码。 浅拷贝（Shal…...
解决双系统引导问题：Ubuntu 启动时不显示 Windows 选项的处理方法
方法 1：检查 GRUB 引导菜单是否隐藏 启动进入 Ubuntu 系统。打开终端，输入以下命令编辑 GRUB 配置文件：sudo nano /etc/default/grub检查以下配置项： GRUB_TIMEOUT0：如果是 0，将其改为一个较大的值&#x…...
宏_wps_宏修改word中所有excel表格的格式_设置字体对齐格式_删除空行等
需求： 将word中所有excel表格的格式进行统一化，修改其中的数字类型为“宋体， 五号，右对齐， 不加粗，不倾斜”，其中的中文为“宋体， 五号， 不加粗，不倾斜” 数…...
行政办公管理系统的需求设计和实现
前言： 总裁办/综合部，作为综合行政管理部门服务于整个公司，工作职责包含从最基础的行政综合到协调督办、对外政务、品牌建设等等，工作量繁多而且琐碎。如何通过信息化来实现标准化和常态化的管理手段，确保总裁办的各项…...
996引擎 - NPC-动态创建NPC
996引擎 - NPC-动态创建NPC 创建脚本服务端脚本客户端脚本参考资料有个小问题，创建NPC时没有控制朝向的参数。所以。。。自己考虑怎么找补吧。 创建脚本 服务端脚本 Mir200\Envir\Market_Def\test\test001-3.lua -- NPC入口函数 function main(player)-- 获取玩家的用户名…...
HTML＜hgroup＞标签
例子： 使用hgroup元素标记标题和段落是相关的： <hgroup> <h2>Norway</h2> <p>The land with the midnight sun.</p> </hgroup> 定义和用法： 标签<hgroup>用于包围标题和一个或多个<p&g…...
GIS 中的 SQLAlchemy：空间数据与数据库之间的桥梁
利用 SQLAlchemy 在现代应用程序中无缝集成地理空间数据导言 地理信息系统（GIS）在管理城市规划、环境监测和导航系统等各种应用的空间数据方面发挥着至关重要的作用。虽然 PostGIS 或 SpatiaLite 等专业地理空间数据库在处理空间数据方面非常出色&#…...
机试题——最小矩阵宽度
题目描述 给定一个矩阵，包含 N * M 个整数，和一个包含 K 个整数的数组。 现在要求在这个矩阵中找一个宽度最小的子矩阵，要求子矩阵包含数组中所有的整数。 输入描述 第一行输入两个正整数 N，M，表示矩阵大小。 接下…...
【C++图论】1761. 一个图中连通三元组的最小度数|2005
本文涉及知识点 C图论 LeetCode1761. 一个图中连通三元组的最小度数 给你一个无向图，整数 n 表示图中节点的数目，edges 数组表示图中的边，其中 edges[i] [ui, vi] ，表示 ui 和 vi 之间有一条无向边。 一个 连通三元组 指的是 …...
【力扣：新动计划，编程入门 —— 题解 ③】
—— 25.1.26 231. 2 的幂 给你一个整数 n，请你判断该整数是否是 2 的幂次方。如果是，返回 true ；否则，返回 false 。 如果存在一个整数 x 使得 n 2x ，则认为 n 是 2 的幂次方。 示例 1： 输入：…...
「全网最细 + 实战源码案例」设计模式——工厂方法模式
核心思想 简单工厂模式是一种创建者模式，它通过一个工厂类负责创建不同类型的对象，根据传入的参数决定实例化的具体类，也被称为“静态工厂方法”模式，因为工厂方法通常是静态的。 结构 1. 工厂类： 提供一个静态方法…...
SpringBoot使用MockMVC通过http请求controller控制器调用测试
说明 在Spring Boot中编写测试控制器调用是一个常见的需求，通常使用Spring的测试框架来完成。Spring Boot提供了多种方式来测试控制器，包括使用MockMvc进行模拟HTTP请求和响应的测试。 基本示例 1. 创建Spring Boot项目 首先，确保你已经创建了一个Spring Boot项目。如果…...
电子应用设计方案105：智能家庭AI拖把系统设计
智能家庭 AI 拖把系统设计 一、引言 智能家庭 AI 拖把系统旨在为用户提供更高效、便捷和智能化的地面清洁解决方案，减轻家务劳动负担。 二、系统概述 1. 系统目标 - 自动清洁地面，包括吸尘、拖地和擦干功能。 - 智能识别地面材质和污渍程度，…...
Android13源码下载和编译过程详解
前言 作为Android开发者人人都应该有一份自己Android源码,这样我们就可以随时对自己有疑惑的地方通过亲手调试来加强理解 一 源码下载 1.1 配置要求 官方推荐配置请参考：AOSP使用入门文档，重点有如下几项： 1.1.1 硬件配置要求 至少需要…...
Greenplum临时表未清除导致库龄过高处理
1.问题 Greenplum集群segment后台日志报错 2.回收库龄 master上执行 vacuumdb -F -d cxy vacuumdb -F -d template1 vacuumdb -F -d rptdb 3.回收完成后检查 仍然发现segment还是有库龄报警警告信息发出 4.检查 4.1 在master上检查库年龄 SELECT datname, datfrozen…...
SD-WAN站点和客户端的区别
很多用户在使用比扬云SD-WAN的时候不清楚站点和员工客户端的区别，尤其是很多从ZeroTier迁移过来的用户，这篇文章我们会详细介绍比扬云SD-WAN的站点和客户端使用场景。 ZeroTier只有客户端，没有站点，但是有路由配置，允…...
Arduino大师练成手册 -- 控制 MH-SD 卡模块
要在 Arduino 上控制 MH-SD 卡模块，你可以按照以下步骤进行： 硬件连接 VCC：连接到 Arduino 的 3.3V 或 5V 引脚（根据模块的要求）。 GND：连接到 Arduino 的 GND 引脚。 CS：连接到 Arduino 的…...
【MQ】RabbitMq的可靠性保证
消息队列中的可靠性主要是分为三部分： 消息不丢失：确保消息从生产者发送到消费者消息不丢失消息不重复：确保消息不被重复消费消息顺序性：确保消费的顺序性 解决方案主要有以下几部分： 消息不丢失 生产者确认机制持久…...
自签证书的dockerfile中from命令无法拉取镜像而docker的pull命令能拉取镜像
问题现象： docker pull images拉取镜像正常 dockerfile中的from命令拉取镜像就会报出证书错误。报错信息如下： [bjxtbwj-kvm-test-jenkins-6-243 ceshi_dockerfile]$ docker build . [] Building 0.4s (3/3) FINISHED …...
LAPD协议
实现LAPD（Link Access Procedure on the D-channel）协议的具体步骤和代码示例会比较复杂，通常涉及到底层网络编程和对ISDN协议的深入理解。以下是一个更详细的实现指导，主要集中在C/C环境中。 环境准备 确保你有一个支持ISDN的开发…...
jupyter版本所引起的扩展插件问题
文章目录 如何永久切换python安装源为https://mirrors.aliyun.com/pypi/simple方法一：通过配置文件永久设置（推荐）步骤 1：创建或修改 pip 配置文件步骤 2：验证配置是否生效 方法二：通过命令行直接配置效果验…...
连接 OpenAI 模型：基础操作
在这一部分中，我们将介绍如何连接 OpenAI 模型，设置 API 密钥，并使用 Spring AI 的 ChatClient 与 OpenAI 模型进行简单的对话。Spring AI 为集成 OpenAI 模型提供了方便的工具，使得开发者能够更轻松地与 GPT 系列模型进行交互。 …...
Vue.js组件开发-实现对视频预览
在 Vue 中实现视频文件预览 实现步骤 创建 Vue 组件：构建一个 Vue 组件用于处理视频文件的选择和预览。文件选择：添加一个文件输入框，允许用户选择视频文件。读取文件：监听文件选择事件，使用 FileReader API 读取所选…...
基于 Arduino Uno 和 RFID-RC522 的 RFID 卡号读取技术详解
引言 射频识别（RFID）技术因其非接触式、高效性和低成本的特点，广泛应用于门禁系统、物流管理和智能设备等领域。本文将通过 Arduino Uno 和 MFRC522 RFID 模块，手把手教你实现 RFID 卡号的读取，并提供完整的代码解析和…...
AI Agent的测试与监控：保障稳定性的实战经验
在前面的文章中，我们讨论了 AI Agent 的各个核心模块。今天，我想聊聊如何保障 AI Agent 的稳定性。说实话，这个话题我一直很关注，因为在生产环境中，稳定性往往比功能更重要。 从一次线上事故说起 还记得去年一个深夜…...
Servlet项目依赖管理
一、Servlet 相关技术选型 思路: 先选择 Servlet 容器，再找支持当前 JDK 版本的 Servlet 容器版本。 已知Servlet容器有两种市场占用率较高，Tomcat&Jetty。接下来分别按照上述思路进行选择容器版本。 Tomcat 官网: https://tomcat.apache.org/ 版本…...
戴尔电脑设置u盘启动_戴尔电脑设置u盘启动多种方法
最近有很多网友问，戴尔台式机怎么设置u盘启动，特别是近两年的戴尔台式机比较复杂，有些网友不知道怎么设置，其实设置u盘启动有两种方法，下面小编教大家戴尔电脑设置u盘启动方法。 戴尔电脑设置u盘启动方法一、戴尔进入b…...
大数据治理实战指南：数据质量、合规与治理架构
📝个人主页🌹：一ge科研小菜鸡-CSDN博客 🌹🌹期待您的关注 🌹🌹 引言 随着企业数字化转型的加速，大数据已成为驱动业务决策的核心资产。然而，数据治理的缺失或不完善&…...
2025年01月26日Github流行趋势
项目名称：onlook 项目地址url：https://github.com/onlook-dev/onlook项目语言：TypeScript历史star数：4871今日star数：207项目维护者：Kitenite, drfarrell, iNerdStack, abhiroopc84, apps/dependabot项目简…...
)
03-画P封装(制作2D+添加3D)
画P封装的方法2D制作3D添加 使用P封装自己画0603格式的电阻的P封装1. 看规格书,找参数2. 创建一个新的P封装3. 灯泡两侧放焊盘4.设置焊盘大小和形状5.根据坐标定义中间间隔: L/2原则6. 画最外层丝印(丝印层直接围住即可)7.在平面的P封装上,添加3D立体封装库 立创商城下载P封装向…...
WPF5-x名称空间
1. x名称空间2. x名称空间内容3. x名称空间内容分类 3.1. x:Name3.2. x:Key3.3. x:Class3.4. x:TypeArguments 4. 总结 1. x名称空间 “x名称空间”的x是映射XAML名称空间时给它取的名字（取XAML的首字母），里面的成员（如x:Class、…...
UDP 广播组播点播的区别及联系
1、网络IP地址的分类 组播地址是分类编址的IPv4地址中的D类地址，又叫多播地址，他的前四位必须是1110，所以网络地址的二进制取值范围是11100000~11101111对应的十进制为 224~~239。所以以224~239开头的网络地址都是组播地址。 组播地址的功能…...
 MyBatis两种SQL配置方式及其对比)
SSM开发(二) MyBatis两种SQL配置方式及其对比
目录 一、MyBatis两种SQL配置方式 二、使用XML映射文件配置SQL语句 三、使用注解配置SQL语句 四、两种方式对比 总结 1、注解 2、XML配置 五、MyBatis多数据源的两种配置方式 参考 一、MyBatis两种SQL配置方式 MyBatis 提供了两种方式来配置SQL语句：注解（如 @Select…...
leetcode——删除链表的倒数第N个节点（java）
给你一个链表，删除链表的倒数第 n 个结点，并且返回链表的头结点。 示例 1： 输入：head [1,2,3,4,5], n 2 输出：[1,2,3,5] 示例 2： 输入：head [1], n 1 输出：[] 示例 3…...
SpringBoot支持动态更新配置文件参数
前言 博主介绍：✌目前全网粉丝3W，csdn博客专家、Java领域优质创作者，博客之星、阿里云平台优质作者、专注于Java后端技术领域。 涵盖技术内容：Java后端、大数据、算法、分布式微服务、中间件、前端、运维等。 博主所有博客文件…...
DeepSeek-R1，用Ollama跑起来
# DeepSeek-R1横空出世，超越OpenAI-o1，教你用Ollama跑起来 使用Ollama在本地运行DeepSeek-R1的操作指南。 DeepSeek-R1作为第一代推理模型，在数学、代码和推理任务上表现优异，与OpenAI-o1模型不相上下。 将此类模型部署到本地&am…...
基于OpenCV实现的答题卡自动判卷系统
一、图像预处理 🌄 二、查找答题卡轮廓 📏 三、透视变换 🔄 四、判卷与评分 🎯 五、主函数 六、完整代码+测试图像集 总结 🌟 在这篇博客中，我将分享如何使用Python结合OpenCV库开发一个答题卡自动判卷系统。这个系统能够自动从扫描的答题卡中提取信…...
VS Code i18n国际化组件代码code显示中文配置 i18n ally
VUE项目做i18n国际化之后，代码中的中文都变成了code这时的代码就会显得非常难读，如果有一个插件能把code转换成中文显示就好了 vscode插件搜索“i18n ally” 在项目根文件夹下创建文件：.vscode/settings.json settings.json 内容如下 {"…...
后盾人JS--闭包明明白白
延伸函数环境生命周期 <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><meta name"viewport" content"widthdevice-width, initial-scale1.0"><title>Document</title> <…...
[ Spring ] Spring Cloud Alibaba Aliyun OSS 2025
文章目录 Declare PluginsIntroduce DenpendenciesOSS ApplicationOSS ConfigOSS Controller Declare Plugins pluginManagement {repositories {gradlePluginPortal()google()mavenCentral()} }dependencyResolutionManagement {repositoriesMode RepositoriesMode.PREFER_S…...