当前位置: 首页 > news >正文

时间序列分析(四)——差分运算、延迟算子、AR(p)模型

此前篇章:

时间序列分析(一)——基础概念篇

时间序列分析(二)——平稳性检验

时间序列分析(三)——白噪声检验


一、差分运算

差分运算的定义:差分运算是一种将非平稳时间序列转换为平稳时间序列的常用方法。

p阶差分:对于一个时间序列 {Xt​},其一阶差分序列为 \triangledown X_{t} = X_{t}-X_{t-1};二阶差分序列是在一阶差分的基础上再次进行一阶差分,二阶差分序列为 \triangledown^{2} X_{t} = \triangledown X_{t}-\triangledown X_{t-1},以此类推得到p阶差分。

作用:可以消除时间序列中的趋势和季节性成分,使其满足平稳性的要求,从而可以应用平稳时间序列的分析方法进行建模和预测。例如,对于一个具有线性趋势的时间序列,经过一阶差分后,通常可以消除趋势的影响,使其均值、方差等统计特性在时间上保持稳定。

二、延迟算子

延迟算子的定义:延迟算子 L 是一种用于表示时间序列滞后值的算子,定义为 X_{t-1}=LX_{t}​,即 L 作用于 Xt​ 上,得到的是 Xt​ 的前一期值。一般地,X_{t-k}=L^{k}X_{t }​,表示 Xt​ 的前 k 期值。

作用: 延迟算子可以方便地表示时间序列模型中的滞后项,简化模型的表达式

三、线性差分方程

这部分内容涉及到线性代数的相关知识。简单提一提,了解一下。

定义:线性差分方程是描述时间序列与其过去值和过去误差项之间线性关系的方程。

一般形式:X_{t}+a_{1}X_{t-1}+\cdot \cdot \cdot +a_{p}X_{t-p}=h(t),其中h(t)为关于 t 的函数,a为常数。

  • 齐次方程:等式右边为零,解由特征根决定。

  • 非齐次方程:包含外部项(如白噪声 ϵt​),解为齐次解与特解之和。

3.1 齐次线性差分方程的解

形式:

X_{t}+a_{1}X_{t-1}+\cdot \cdot \cdot +a_{p}X_{t-p}=0

假设解为指数形式 X_{p}=r^{p},得到其特征方程

r^{p}+a_{1}r^{p-1}+\cdot \cdot \cdot +a_{p}=0 

这是一个p次线性方程,应该有p个非零根,称为特征方程的特征根,假设为 r1、r2、...、rp。

特征方程:特征方程是通过将给定的方程转换成多项式方程来帮助我们找到解的一个工具。

特征根 ≠ 方程的解

  • 特征根是解的基底参数:特征根本身不是方程的解,但通过特征根可以构造出齐次方程的通解。

  • 示例:AR(2)模型的特征方程为 ,若得到两个实根 r1,r2,则齐次解为:

     

    这里 r1,r2​ 是特征根,而通解是它们的线性组合。

根据特征根的类型构造通解

  • 所有根都为实根且无重根:每个实根 ri 对应一项 ,通解为:

  • 重根(相同取值的根):若 r 是 k 重根,通解中包含多项式项为:

  • 复根:复根(复数形式,包含实部和虚部)以共轭对形式出现 α±βii,转换为极坐标r=\rho ^{\pm i\omega },通解中包含的对应项为:

平稳性条件:齐次解中每个项的收敛性由特征根 ri 的模长 ∣ri∣ 决定 

平稳性要求:特征根在单位圆内,即所有特征根的模长 ∣ri∣<1

  • 当 ∣ri∣<1 时,r_{i}^{t}​ 随时间指数衰减,序列趋于平稳。

  • 若存在 ∣ri∣≥1,解会发散或震荡不衰减,导致非平稳。

特征根的作用

(1)确定解的数学形式

特征根决定了齐次解的形式(指数、三角函数等):

  • 实根:解为指数函数的线性组合。对应指数增长或衰减的分量。

  • 复根:解表现为阻尼震荡,对应周期性波动,体现时间序列的周期行为。

  • 重根:解包含多项式项,引入多项式时间项,如t^{k}r^{t},反映多重动态效应。

(2) 判断模型的平稳性

  • 平稳性条件:当所有特征根的模(绝对值)严格小于1时(即位于复平面的单位圆内),齐次解会随时间指数衰减至零,系统趋于平稳。若存在特征根模≥1,解不收敛,序列非平稳,如随机游走。

  • 应用场景:在拟合AR(p)或ARMA模型后,需检查特征根是否满足平稳性条件。例如,若特征方程有根接近单位圆(如 ∣r∣=0.95),序列可能呈现缓慢衰减的自相关性。

(3) 揭示时间序列的动态行为

  • 衰减速率:特征根的模长决定序列记忆效应的持久性。模越接近0,衰减越快(短期记忆);模接近1,衰减越慢(长期记忆)。

  • 周期性:复根对应的频率 ω 决定了序列的周期长度 T=2π/ωT=2π/ω。例如,季度数据可能对应 ω=π/2,周期 T=4T=4。

  • 爆炸性或震荡性:模>1的根导致序列发散(如 r=1.1时,Xt 指数增长);复根的模>1则导致振幅递增的震荡。

为什么必须结合特征根分析?

数学必然性:无特征根则无法求解差分方程,更无法理解模型动态。

工程必要性:特征根是验证模型合理性(平稳性、可逆性)的核心工具。

解释性需求:通过特征根的位置和类型,可直观解释序列的周期性、趋势性及衰减模式。

预测与控制:特征根的衰减速率直接影响预测精度和置信区间,帮助优化模型选择。

3.2 非齐次线性差分方程的解

非齐次线性差分方程的形式为:

X_{t}+a_{1}X_{t-1}+\cdot \cdot \cdot +a_{p}X_{t-p}=h(t)

 其中右边 h(t) 包含外部扰动项(如白噪声 ϵt)

通解的结构:

Xt​ = 齐次解(瞬态) + 特解(稳态)

  • 齐次解:对应方程右边为零时的解(由特征根决定)。

  • 特解:针对非齐次项 h(t) 构造的特殊解。

理解长期行为与短期动态:

  • 长期行为:特解(由噪声驱动)主导稳态响应。
  • 短期动态:齐次解(由初始条件驱动)反映瞬态响应,其衰减速率由特征根决定。

3.3 时间序列模型与线性差分方程的联系

核心工具:线性差分方程是AR、MA、ARMA等经典时间序列模型的数学基础。

动态特性:通过特征根分析,可判定序列的平稳性、周期性及衰减速率。

四、AR模型(自回归模型)

AR模型是时间序列分析中的核心模型之一,通过历史观测值的线性组合预测当前值。

模型的一般形式:AR(p) 模型表示当前值 Xt​ 与其前 p 个历史值的线性关系,加上随机扰动项(白噪声ϵt​)

参数含义:

  • ϕ1,ϕ2,…,ϕp​:自回归系数,反映过去值对当前值的影响。

  • p:模型阶数,表示依赖的历史步长。

  • ϵt​:独立同分布的白噪声,均值为0,方差为 σ2。

一般形式下的特征方程:

自回归系数多项式

AR(p)模型的另一种模型形式(基于延迟算子),称为自回归系数多项式:

X_{t-1}=LX_{t},AR(p) 模型可以写成:

忽略误差项,令 z = L,特征方程变为:

对比两种模型形式的特征方程,可以得到一条重要的性质:特征根(一般形式)和自回归系数多项式的根成倒数。

基于以上性质,由于特征根和自回归系数多项式的根成倒数关系,AR(p)模型平稳的等价条件是自回归系数多项式方程的所有根 z 的模长都大于1,即 ∣z∣>1(恰好相反)。

注:没提到 “自回归系数多项式” 时,模型默认用一般形式来定义。

4.1 AR模型的性质

(1)平稳性条件:AR(p) 模型的特征方程所有根的模长需严格小于1(位于单位圆内)。若根在单位圆内,历史影响随时间指数衰减,序列趋于平稳;若存在根在单位圆外,序列发散(非平稳)。

(2) 自相关函数(ACF)与偏自相关函数(PACF)【之前文章有讲】

  • ACF(拖尾性):

    • AR(p) 模型的自相关系数逐渐衰减至零,表现为拖尾(指数或震荡衰减)。

    • 物理意义:所有历史值对当前值的间接影响随滞后阶数增加而减弱。

  • PACF(截尾性):

    • 偏自相关系数在滞后 p 阶后突然截尾(接近零),这是识别 AR(p) 模型阶数的关键特征。

    • 原因:PACF 消除了中间变量的影响,仅保留当前值和某一历史值的直接相关性。

4.2 AR(1) 和 AR(2) 的平稳域判别

平稳域方法是通过系数的约束条件来判别 AR 模型的平稳性,只适用于低阶模型。(推导过程略)

  • 对于AR(1)模型,

平稳域条件为:

  •  对于AR(2)模型,

 平稳域条件为:

4.3  平稳AR(p)模型的统计特性

(1)均值:平稳 AR(p) 模型的均值是常数。

实际上,AR(p)模型可以再加上一个常数项\phi _{0}

平稳 AR(p) 模型的均值为常数,记为 μ ,计算公式为 :

推导过程如下, 对模型等式两边取期望:

由于期望是线性的,可以将其拆分:

由于过程是平稳的,所有时间点的期望值都相同,即 E[Xt−k​]=μ,且对于白噪声,有 E[ϵt​]=0,则:

最终得到结果:

(2)方差:平稳 AR(p) 模型的方差是有限且不依赖于时间的 。

# 文章如有错误,欢迎大家指正。我们下期再见叭

相关文章:

时间序列分析(四)——差分运算、延迟算子、AR(p)模型

此前篇章&#xff1a; 时间序列分析&#xff08;一&#xff09;——基础概念篇 时间序列分析&#xff08;二&#xff09;——平稳性检验 时间序列分析&#xff08;三&#xff09;——白噪声检验 一、差分运算 差分运算的定义&#xff1a;差分运算是一种将非平稳时间序列转换…...

OpenCV机器学习(6)朴素贝叶斯分类器(Naive Bayes Classifier)cv::ml::NormalBayesClassifier的使用

操作系统&#xff1a;ubuntu22.04 OpenCV版本&#xff1a;OpenCV4.9 IDE:Visual Studio Code 编程语言&#xff1a;C11 算法描述 cv::ml::NormalBayesClassifier 是 OpenCV 机器学习模块中的一部分&#xff0c;用于实现朴素贝叶斯分类器&#xff08;Naive Bayes Classifier&a…...

Nginx 反向代理 MinIO 及 ruoyi-vue-pro 配置 MinIO 详解

目录 前言1. nginx配置2. 配置minio(Demo要点)3. 实战要点3.1 前端配置3.2 后端配置3.3 应用前言 如何在ruoyi-vue-pro上使用minio上传文件,通过Ngnix再次转发路径 相关的minio推荐阅读: 云服务器中的MinIO 配置 HTTPS 过程(图文)详细分析Java中的Minio类各API(附win配…...

python黑帽子第二版netcat分析

源码 import argparse import socket import shlex import subprocess import sys import textwrap import threadingdef execute(cmd):cmd cmd.strip()if not cmd:returnoutput subprocess.check_output(shlex.split(cmd), stderrsubprocess.STDOUT)return output.decode()…...

【Android开发】华为手机安装包安装失败“应用是非正式版发布版本,当前设备不支持安装”问题解决

问题描述 我们将Debug版本的安装包发送到手机上安装&#xff0c;会发现华为手机有如下情况 解决办法 在文件gradle.properties中粘贴代码&#xff1a; android.injected.testOnlyfalse 最后点击“Sync now”&#xff0c;等待重新加载gradle资源即可 后面我们重新编译Debug安装…...

dify实现分析-rag-文档内容提取

dify实现分析-rag-文档内容提取 概述 在文章《dify实现原理分析-上传文件创建知识库总体流程》中已经介绍了&#xff0c;文件上传后索引构建的总体流程&#xff0c;本文介绍其中的“Extract: 提取文档内容:这里会按段落或整页来获取文档内容”步骤的实现。 这一步的主要功能…...

腾讯云API+chatbox

腾讯云的限时免费接口&#xff1a;知识引擎原子能力 对话-原子能力相关接口-API 中心-腾讯云 本接口调用DeepSeek系列模型限时免费。即日至北京时间2025年2月25日23:59:59&#xff0c;所有腾讯云用户均可享受DeepSeek-V3、DeepSeek-R1模型限时免费服务&#xff0c;单账号限制接…...

sql查询null的时候

SELECT * FROM scm_sku_stock WHERE SKU_CODEGOS2310251620452226 and CONSIGNOR_USER_CODE is null 在 SQL 中&#xff0c;NULL 是一个特殊的值&#xff0c;表示“没有值”或“未知值”。在比较时&#xff0c;NULL 不能直接用 或 ! 来比较。相反&#xff0c;你需要使用 IS N…...

BitLocker技巧与经验

初级代码游戏的专栏介绍与文章目录-CSDN博客 BitLocker是windows默认的存储加密方案&#xff0c;用好了很安全&#xff0c;用错了完蛋。以下来自我的使用经验。 目录 可以加密移动设备 可以加密操作系统分区 TPM是个坑 一定要用微软账号登录并将密钥保存在账号里 不建议使…...

Electron 客户端心跳定时任务调度库调研文档 - Node.js 任务调度库技术调研文档

Electron 客户端心跳定时任务调度库调研文档 - Node.js 任务调度库技术调研文档 本文将对七个流行的定时任务调度库&#xff1a;node-cron、rxjs、bull、node-schedule、agenda、bree、cron。这些库都可以用来处理定时任务&#xff0c;但它们的特点和适用场景有所不同。我们将从…...

数据结构——二叉树(2025.2.12)

目录 一、树 1.定义 &#xff08;1&#xff09;树的构成 &#xff08;2&#xff09;度 2.二叉树 &#xff08;1&#xff09;定义 &#xff08;2&#xff09;二叉树的遍历 &#xff08;3&#xff09;遍历特性 二、练习 1.二叉树 &#xff08;1&#xff09;创建二叉树…...

OpenCV机器学习(5)逻辑回归算法cv::ml::LogisticRegression

OpenCV版本&#xff1a;OpenCV4.9 IDE:Visual Studio Code 编程语言&#xff1a;C11 算法描述 cv::ml::LogisticRegression 是 OpenCV 机器学习模块中的一个类&#xff0c;用于实现逻辑回归算法。逻辑回归是一种广泛应用于分类问题的统计方法&#xff0c;特别适合二分类任务。…...

matlab 汽车abs的模糊pid和pid控制仿真

1、内容简介 matlab145-汽车abs的模糊pid和pid控制仿真 可以交流、咨询、答疑 2、内容说明 略 3、仿真分析 略 4、参考论文 略基于模糊控制的汽车ABS系统仿真研究_刘志敏.caj 汽车ABS模糊控制方法的分析与仿真_李林.caj 汽车ABS模糊控制方法的研究_王文竹.pdf 汽车ABS…...

Flutter 正在推进全新 PlatformView 实现 HCPP, 它又用到了 Android 上的什么黑科技

跨平台开发里的 PlatformView 实现一直是一个经久不衰的话题&#xff0c;在之前的 《深入 Flutter 和 Compose 的 PlatformView 实现对比》 我们就详细聊过 Flutter 和 Compose 在 PlatformView 实现上的异同之处&#xff0c;也聊到了 Compose 为什么在相同实现上对比 Flutter …...

VAS1260IB05E 集成内部开关驱动器的汽车级LED硬灯带高效解决方案

VAS1260IB05E LED芯片是一种连续模式电感降压转换器&#xff0c;设计用于从高于LED电压的电压源高效驱动单个或多个串联连接的LED。该设备在5V至60V之间的输入电源下工作&#xff0c;并提供高达1.2A的外部可调输出电流。包括输出开关和高侧输出电流感测电路&#xff0c;该电路使…...

5.【线性代数】—— 转置,置换和向量空间

五 转置&#xff0c;置换和向量空间 1. 置换矩阵2. 转置矩阵3. 对称矩阵4. 向量空间4.1 向量空间4.2 子空间 1. 置换矩阵 定义&#xff1a; 用于行互换的矩阵P。 之前进行ALU分解时&#xff0c;可能存在该行主元为0&#xff0c;要进行行互换&#xff0c;即PALU 性质&#xff1…...

前端如何实现一个五星评价,鼠标滑动,前边星星颜色的变黄,后边的不变;

直接上代码 <!DOCTYPE html> <html> <head> <style> .star-rating {display: flex;padding: 10px 0; }.star {position: relative;width: 40px;height: 40px; }.half {position: absolute;top: 0;width: 20px;height: 40px;overflow: hidden;font-siz…...

等差数列有几项--INT_MAX【#include <climits>】

等差数列 题目代码INT_MAX的使用 题目 代码 #include <iostream> #include <vector> #include <string> #include <algorithm> #include <math.h> #include <queue> #include <climits> // 包含INT_MAX常量 #include <cctype&g…...

Linux /dev/null

/dev/null 是 Linux 和类 Unix 系统中一个特殊且非常有用的设备文件&#xff0c;也被称为空设备。下面为你详细介绍它的特点、用途和使用示例。 特点 写入丢弃&#xff1a;当向 /dev/null 写入数据时&#xff0c;这些数据会被立即丢弃&#xff0c;不会被保存到任何地方&#…...

计算机视觉-尺度不变区域

一、尺度不变性 1.1 尺度不变性 找到一个函数&#xff0c;实现尺度的选择特性。 1.2 高斯偏导模版求边缘 1.3 高斯二阶导 用二阶过零点检测边缘 高斯二阶导有两个参数&#xff1a;方差和窗宽&#xff08;给定方差可以算出窗宽&#xff09; 当图像与二阶导高斯滤波核能匹配…...

串的基本操作--数据结构

目录 一、串的基本概述 二、串的存储结构 2.1定义属性存储结构 串长有两种表示方法: 1、用一个额外的变量length来存放串的长度&#xff1b; 2、串值后面加一个不计入串长的结束标记字符“\0”&#xff0c;此时的串长为隐含值。 2.2堆的顺序存储结构 三、串的基本操…...

C++17 数学特殊函数:探索标准库中的强大工具

文章目录 1. 什么是数学特殊函数&#xff1f;2. C17 中的特殊函数2.1 贝塞尔函数2.2 勒让德函数2.3 椭圆积分2.4 伽马函数2.5 误差函数 3. 实际应用场景3.1 科学计算3.2 工程应用3.3 数据分析 4. 总结 在 C17 中&#xff0c;标准库引入了一系列数学特殊函数&#xff0c;这些函数…...

多模态特征提取与融合助力高光谱+LiDAR数据分类性能飞跃

目录 论文解读 总体架构 CMIIE 模块工作模式 MLFFC模块工作模式 论文解读 提出了一种新的多模态特征提取模块CMIIE,可以捕获高光谱和LiDAR数据之间的互补信息。设计了一个多层特征融合分类模块MLFFC,通过对不同层级的特征进行融合来提高分类性能。使用对抗学习策略来指导网…...

内容中台重构企业内容管理流程驱动智能协作升级

内容概要 内容中台作为企业数字化转型的核心基础设施&#xff0c;通过技术架构革新与功能模块整合&#xff0c;重构了传统内容管理流程的底层逻辑。其核心价值在于构建动态化、智能化的内容生产与流转体系&#xff0c;将分散的创作、存储、审核及分发环节纳入统一平台管理。基…...

网络安全攻防演练——RT实战技巧篇

前言 又是一年hw招聘季&#xff0c;每年hw行动都会吸引大量网络安全从业者参加。同时也会有很多热爱网络安全但无从下手的网安爱好者参与。笔者旨在对网络安全有想法但是没有方向的师傅做一个简单的方向的了解&#xff0c;让师傅有方向去学习。 RT(红队) 1.引入 首先红队的…...

【MySQL】第六弹---数据库表约束详解:从空属性到主键的全方位指南

✨个人主页&#xff1a; 熬夜学编程的小林 &#x1f497;系列专栏&#xff1a; 【C语言详解】 【数据结构详解】【C详解】【Linux系统编程】【MySQL】 目录 1. 表的约束 1.1 空属性 1.2 默认值 1.3 列描述 1.4 zerofill 1.5 主键 1. 表的约束 真正约束字段的是数据类型&…...

JMeter工具介绍、元件和组件的介绍

Jmeter功能概要 JDK常用文件目录介绍 Bin目录&#xff1a;存放可执行文件和配置文件 Docs目录&#xff1a;是Jmeter的API文档&#xff0c;用于开发扩展组件 printable_docs目录&#xff1a;用户帮助手册 lib目录&#xff1a;存放JMeter依赖的jar包和用户扩展所依赖的Jar包…...

vue3 在element-plus表格使用render-header

在vue2中 element表格render-header 源码是有返回h()函数的 在vue3 element-plus 表格源码 render-header函数没有返回h函数了 所以需要用render-header方法中创建虚拟DOM节点的话需要引用h方法 <el-table-column header-align"right" align"right" …...

IM 即时通讯系统-04-聊一聊 IM 要如何进行技术选型

IM 系列 IM 文档开源库 首先&#xff0c;后端技术选型是Java。Java有很多优势&#xff0c;比如跨平台性、丰富的生态系统、高性能和成熟稳定。这些都是为什么选择Java的原因。接下来&#xff0c;前端选用了Vue&#xff0c;因为它具有渐进式框架的特点、响应式数据绑定、组件化…...

机器学习_19 集成学习知识点总结

集成学习&#xff08;Ensemble Learning&#xff09;是一种强大的机器学习范式&#xff0c;通过组合多个模型的预测结果来提高整体性能和泛化能力。它在分类、回归和特征选择等任务中表现出色&#xff0c;广泛应用于各种实际问题。今天&#xff0c;我们就来深入探讨集成学习的原…...

自动驾驶---基于深度学习模型的轨迹预测

1 背景 自动驾驶任务中&#xff0c;轨迹预测一直以来是一个难题。 在复杂交通场景中&#xff0c;即使驾驶员最终意图确定&#xff0c;但决策过程中其他车辆的动态行驶路径的即时变化会导致自车路径呈现多模态属性&#xff0c;即车辆的未来轨迹有多种可能性。对车辆的多模态轨迹…...

线性模型 - 二分类问题的损失函数

在二分类问题中&#xff0c;损失函数用于量化模型预测与真实标签之间的差异&#xff0c;以指导模型参数的调整。本文&#xff0c;我们来一起学习一下常见的损失函数及其直观解释。 一、核心二分类损失函数及通俗理解 1. 0-1损失&#xff08;Zero-One Loss&#xff09; 公式&…...

string类详解(上)

文章目录 目录1. STL简介1.1 什么是STL1.2 STL的版本1.3 STL的六大组件 2. 为什么学习string类3. 标准库中的string类3.1 string类3.2 string类的常用接口说明 目录 STL简介为什么学习string类标准库中的string类string类的模拟实现现代版写法的String类写时拷贝 1. STL简介 …...

c# —— StringBuilder 类

StringBuilder 类是 C# 和其他一些基于 .NET Framework 的编程语言中的一个类&#xff0c;它位于 System.Text 命名空间下。StringBuilder 类表示一个可变的字符序列&#xff0c;它是为了提供一种比直接使用字符串连接操作更加高效的方式来构建或修改字符串。 与 C# 中的 stri…...

今日行情明日机会——20250217

2025年02月17日行情 后续投资机会分析 根据最新盘面信息&#xff0c;以下板块和个股具备潜在投资机会&#xff0c;需结合市场动态和基本面进一步验证&#xff1a; 1. 腾讯系AI&#xff08;18家涨停&#xff09; 核心逻辑&#xff1a;涨停家数最多&#xff08;18家&#xff0…...

Openshift或者K8S上部署xxl-job

本案例以版本2.3.0为例 1. 源码编译成jar包 source code: https://github.com/xuxueli/xxl-job/blob/2.3.0/ 这里我们会得到两个jar包&#xff1a;xxl-job-admin-2.3.0.jar和xxl-job-executor-sample-springboot-2.3.0.jar 2. 初始化mysql数据库 sql code: https://github.…...

vite+vue3开发uni-app时低版本浏览器不支持es6语法的问题排坑笔记

重要提示&#xff1a;请首先完整阅读完文章内容后再操作&#xff0c;以免不必要的时间浪费&#xff01;切记&#xff01;&#xff01;&#xff01;在使用vitevue3开发uni-app项目时&#xff0c;存在低版本浏览器不兼容es6语法的问题&#xff0c;如“?.” “??” 等。为了方便…...

使用 Apache PDFBox 提取 PDF 中的文本和图像

在许多应用中&#xff0c;我们需要从 PDF 文件中提取文本内容和嵌入的图像。为了实现这一目标&#xff0c;Apache PDFBox 是一个非常实用的开源工具库。它提供了丰富的 API&#xff0c;可以帮助我们轻松地读取 PDF 文件、提取其中的文本、图像以及其他资源。 本文将介绍如何使…...

centos7arm架构安装mysql服务

1.安装新版mysql前&#xff0c;需将系统自带的mariadb卸载 rpm -qa|grep mariadb //查找mariadb的rpm包 rpm -e mariadb-libs-5.5.56-2.el7.x86_64 //卸载mariadb包 2.去官网下载对应mysq包https://downloads.mysql.com/archives/community/ 3.解压下载包&…...

【个人开发】deepspeed+Llama-factory 本地数据多卡Lora微调

文章目录 1.背景2.微调方式2.1 关键环境版本信息2.2 步骤2.2.1 下载llama-factory2.2.2 准备数据集2.2.3 微调模式2.2.3.1 zero-3微调2.2.3.2 zero-2微调2.2.3.3 单卡Lora微调 2.3 踩坑经验2.3.1 问题一&#xff1a;ValueError: Undefined dataset xxxx in dataset_info.json.2…...

后端生成二维码,前端请求接口生成二维码并展示,且多个参数后边的参数没有正常传输问题处理

一、后端代码 1、controller GetMapping("/generateQRCode/{url}")ApiOperation(value "生成url链接二维码",notes "生成url链接二维码")public JsonResult<NewsQRCodeVo> generateQRCode(PathVariable String url,HttpServletRespons…...

NBT群落物种级丰度鉴定新方法sylph

文章目录 简介为什么选择Sylph&#xff1f;Sylph的工作原理 Install使用解析成gtdb格式sylph 能做什么&#xff1f;sylph 不能做什么&#xff1f;ANI定义如何使用 sylph-utils 生成包含分类信息的配置文件耗时&#xff1a;66个样本耗时1h 转成easymicroplot可用数据 简介 Sylp…...

长视频生成、尝试性检索、任务推理 | Big Model Weekly 第56期

点击蓝字 关注我们 AI TIME欢迎每一位AI爱好者的加入&#xff01; 01 COMAL:AConvergent Meta-Algorithm for Aligning LLMs with General Preferences 许多对齐方法&#xff0c;包括基于人类反馈的强化学习&#xff08;RLHF&#xff09;&#xff0c;依赖于布拉德利-特里&#…...

使用右侧值现象来处理一个word导入登记表的需求

需求也简单&#xff0c;导word文件用户登记表&#xff0c;有各部门的十几个版本&#xff08;为什么这么多&#xff1f;不知道&#xff09;。这里说下谈下我的一些代码做法&#xff1a; 需求分析&#xff1a; 如果能解决java字段和各项填的值怎么配对的问题&#xff0c;那么就…...

FRRouting配置与OSPF介绍,配置,命令,bfd算法:

文章目录 1、frrouting的配置&#xff1a;2、ospf2.1、检测和维护邻居关系2.2、ospfDR和BDR2.3、odpf邻居表2.4、ospf常用命令2.5、bfd配置 1、frrouting的配置&#xff1a; sudo service zebra start sudo service ospfd start telnet localhost 2604 en configure termina…...

基于ThinkPHP 5~8兼容的推荐算法类实现,

在现代推荐系统中&#xff0c;随着用户量和物品量的增长&#xff0c;传统的推荐算法可能会面临性能瓶颈。本文将介绍如何基于 ThinkPHP 实现一个高性能的推荐系统&#xff0c;结合显性反馈&#xff08;如兴趣选择&#xff09;、隐性反馈&#xff08;如观看时长、评论、点赞、搜…...

使用Python爬虫实时监控行业新闻案例

目录 背景环境准备请求网页数据解析网页数据定时任务综合代码使用代理IP提升稳定性运行截图与完整代码总结 在互联网时代&#xff0c;新闻的实时性和时效性变得尤为重要。很多行业、技术、商业等领域的新闻都可以为公司或者个人发展提供有价值的信息。如果你有一项需求是要实时…...

kong身份认证插件详解之Basic Auth插件

1.3、Basic Authentication 支持基于用户名和密码的基本认证&#xff0c;通常用于简单的身份验证场景。 1.3.1、环境准备 1.3.1.1、创建一个服务&#xff0c;basic-auth-service curl -i -s -X POST http://localhost:8001/services \--data namebasic-auth-service \--dat…...

Copilot基于企业PPT模板生成演示文稿

关于copilot创建PPT&#xff0c;咱们写过较多文章了&#xff1a; Copilot for PowerPoint通过文件创建PPT Copilot如何将word文稿一键转为PPT Copilot一键将PDF转为PPT&#xff0c;治好了我的精神内耗 测评Copilot和ChatGPT-4o从PDF创建PPT功能 Copilot for PPT全新功能&a…...

用React实现一个登录界面

使用React来创建一个简单的登录表单。以下是一个基本的React登录界面示例&#xff1a; 1. 设置React项目 如果你还没有一个React项目&#xff0c;你可以使用Create React App来创建一个。按照之前的步骤安装Create React App&#xff0c;然后创建一个新项目。 2. 创建登录组…...