数据人的自我救赎
数据人的自我救赎

【抽样调查】CH3 分层随机抽样

目录

前言

一、概述

1.相关定义

（1）层

（2）分层抽样

2.分层随机抽样的步骤

3.分层抽样优于简单随机抽样的理由

4.分层原则

5.例

（1）

（2）

6.符号

二、简单估计量及其性质

1.总体均值的估计

2.总体均值估计的性质

（1）【定理3.1】 

（2）【定理3.2】

（3）【定理3.3】

 （4）【定理3.4】

（5）【推论3.1】

3.【例3.1】

三、比率估计量及其性质

四、回归估计量及其性质

五、各层样本量的分配

六、总样本量的确定

七、分层抽样的其他方面

前言

        为什么采用分层抽样？

  • 当总体规模N和样本量n都较大时，总体单位之间差异也较大，容易使随机抽出的不具有代表性。此时进行简单随机抽样成本高，精度低
  • 如调查北京市大一学生的平均身高，由于男生一般比女生高，用简单随机抽样可能大多抽到男生或女生，出现过于偏向某一部分的不平衡情况，使样本不具有代表性，使估计结果偏高或偏低。应以性别为分层变量，采用分层抽样的方法

        解决方法？

  • 在保证估计精度的前提下，设法缩小总体规模N与需要抽取的样本数n，通过将总体划分为若干层达到该目的
  • 尽量使样本总体与目标总体结构相似，方法是将总体依照与调查研究关注的变量高度相关的指标划分成几个层，使满足层内差异小、层间差异大的分层原则。例如研究居民收入，可用年龄、性别、学历等作为分层变量

一、概述

【抽样调查】CH3 分层随机抽样_第1张图片

1.相关定义

（1）层

        如果一个包含N个单位总体可以分成互不交叉（“不重不漏”）的L个子总体，即每个单元必属于且仅属于一个子总体，则称这样的子总体为层（stratum）。

        设L个子总体包含的单位数分别为N_{1},N_{2},\cdots,N_{L}，则有N_{1}+N_{2}+\cdots+N_{L}=N。

（2）分层抽样

         在每一层中独立进行简单随机抽样，所得到的样本称为分层样本。总的样本由各层样本组成，总体参数则根据各层样本参数汇总做出估计，这种抽样就成为分层抽样(stratified sampling)。

        如果每层都是独立地按照简单随机抽样进行，那么这样的分层抽样称为分层随机抽样。

        设总的样本量为n，从L个子总体中所抽取的样本量分别为n_{1},n_{2},\cdots,n_{L}，则有n_{1}+n_{2}+\cdots+n_{L}=n。

2.分层随机抽样的步骤

  • 将抽样总体划分为层
  • 在各层内独立地进行简单随机抽样，估计出层的参数
  • 将各层参数的估计值按各层样本量在总体中所占比例（层权）进行加权，汇总得到总体参数的估计

3.分层抽样优于简单随机抽样的理由

  • 每层都抽样，样本更具有代表性；样本结构与总体结构更相似（例如调查我国人口出生性别比，如采用简单随机抽样，一些人口少的地区可能没有单元入样，分层抽样保证各地区都有样本入样）
  • 抽样在各层独立进行，一则可以在各层选择合适本层的不同抽样方法，二则可以同时对各层进行参数估计（例如全国性居民收入状况调查，以各省居民为子总体进行分层抽样，不仅可以得到全国居民收入水平，而且可以同时得到各省居民收入水平）
  • 分层抽样的抽样效率较高。也就是说分层抽样的估计精度较高，是因为分层抽样估计量的方差只和层内方差成正比，和层间方差无关
  • 各层抽样方法可以不同，而且便于因地制宜组织抽样工作

4.分层原则

        分层随机抽样中，划分层的指标应与关心的调查变量有较强相关性。

  • 估计：层内单元具有相同性质，通过按调查对象的不同类型进行划分
  • 精度：尽可能使层内单元的指标值相近，层间单元的差异尽可能大，从而达到提高抽样估计精度的目的
  • 估计和精度：既按类型，又按层内单元指标值相近的原则进行分层，同时达到估计类值以及提高估计精度的目的
  • 实施：为抽样组织实施的方便，常按行政管理机构设置进行分层

5.例

（1）

对全国范围汽车运输的抽样调查，调查目的不仅要推算全国货运汽车完成的运量，还要推算不同经济成分（国有、集体、个体）汽车完成的运量

  • 为组织方便，首先将货运汽车总体按省分层，由各省运输管理部门负责省内的调查工作
  • 各省再将省内拥有的汽车按经济成分分层

（2）

某高校对学生在宿舍使用电脑的情况进行调查，根据经验，本科生和研究生使用电脑的状况差异较大

  • 在抽样前对学生按本科生和研究生进行分层是有必要的

6.符号

层号 h=1,2,\cdots,L
第h层单元总数 N_{h}
第h层样本单元数 n_{h}
第h层第i个样本单元取值 y_{hi}
第h层的层权 W_{h}=\frac{N_{h}}{N}
第h层的抽样比 f_{h}=\frac{n_{h}}{N_{h}}
第h层的总体均值 \bar{Y}_{h}=\frac{1}{N_{h}}\sum_{i=1}^{N_{h}}Y_{hi}
第h层的样本均值 \bar{y}_{h}=\frac{1}{n_{h}}\sum_{i=1}^{n_{h}}y_{hi}
第h层的总体方差 S_{h}^2=\frac{1}{N_{h}-1}\sum_{i=1}^{N_{h}}(Y_{hi}-\bar{Y}_{h})^2
第h层的样本方差 s_{h}^2=\frac{1}{n_{h}-1}\sum_{i=1}^{n_{h}}(y_{hi}-\bar{y}_{h})^2

二、简单估计量及其性质

1.总体均值的估计

【注】分层抽样中，所有总体参数的估计量都采用下标“st”以示区别

        分层简单随机样本，总体均值\bar{Y}_{st}的简单估计为

{\color{Red} \bar{y}_{st}=\sum_{h=1}^{L}W_{h}\bar{y}_{h}=\frac{1}{N}\sum_{h=1}^{L}N_{h}\bar{y}_{h}}

2.总体均值估计的性质

（1）【定理3.1】 

        对于分层随机抽样，\bar{y}_{st}是\bar{Y}的无偏估计。

（2）【定理3.2】

        对于分层抽样，有V(\bar{y}_{st})=\sum_{h=1}^{L}W_{h}^2V(\bar{y}_h)。

{\color{Blue} proof:}

{\color{Blue} E(\bar{y}_{h})=\bar{Y}_{h}\Rightarrow E(\bar{y}_{st})=E(\sum_{h=1}^{L}W_{h}\bar{y}_{h})=\sum_{h=1}^{L}W_{h}E(\bar{y}_{h})=\sum_{h=1}^{L}W_{h}\bar{Y}_{h}=\frac{1}{N}\sum_{h=1}^{L}N_{h}\bar{Y}_{h}=\frac{1}{N}\sum_{h=1}^{L}Y_{h}=\frac{Y}{N}=\bar{Y}}

{\color{Blue} V(\bar{y}_{st})=V(\sum_{h=1}^{L}W_{h}\bar{y}_{h})=\sum_{h=1}^{L}\sum_{k=1}^{L}Cov(W_{h}\bar{y}_h,W_{k}\bar{y}_k)=\sum_{h=1}^{L}\sum_{k=1}^{L}W_{h}W_{k}Cov(\bar{y}_h,\bar{y}_k)=\sum_{h=1}^{L}W_{h}^2V(\bar{y}_{h}){\color{Red} +2\sum_{h=1}^{L}\sum_{k>h}^{L}W_{h}W_{k}Cov(\bar{y}_h,\bar{y}_k)}=\sum_{h=1}^{L}W_{h}^2V(\bar{y}_{h})}

  • 只要对各层估计量无偏，则总体估计量也无偏
  • 由于各层独立抽取，上式中红色部分为0 

（3）【定理3.3】

        对于分层随机抽样，\bar{Y}的估计量\bar{y}_{st}具有如下性质

  • E(\bar{y}_{st})=\bar{Y}
  • V(\bar{y}_{st})=\sum_{h=1}^{L}W_{h}^2\frac{1-f_{h}}{n_{h}}S_{h}^2=\sum_{h=1}^{L}\left ( \frac{1}{n_{h}}-\frac{1}{N_{h}} \right )W_{h}^2S_{h}^2=\sum_{h=1}^{L}\frac{W_{h}^2S_{h}^2}{n_{h}}-\sum_{h=1}^{L}\frac{W_{h}^2S_{h}^2}{N_{h}}

{\color{Blue} proof:}

{\color{Blue} V(\bar{y}_{h})=\frac{1-f_{h}}{n_{h}}S_{h}^2}

 （4）【定理3.4】

        对于分层随机抽样，\bar{y}_{st}的方差V(\bar{y}_{st})的无偏估计量为

v(\bar{y}_{st})=\sum_{h=1}^{L}W_{h}^2\frac{1-f_{h}}{n_{h}}s_{h}^2=\sum_{h=1}^{L}\left ( \frac{1}{n_{h}}-\frac{1}{N_{h}} \right )W_{h}^2s_{h}^2=\sum_{h=1}^{L}\frac{W_{h}^2s_{h}^2}{n_{h}}-\sum_{h=1}^{L}\frac{W_{h}^2s_{h}^2}{N_{h}}

其中，s_{h}^2=\frac{1}{n_{h}-1}\sum_{h=1}^{L}(y_{hi}-\bar{y}_h)^2是第h层的样本方差。

{\color{Blue} proof:}

        各层内独立进行简单随机抽样，由定理2.4E(s_{h}^2)=S_{h}^2。

（5）【推论3.1】

         对于分层随机抽样，\hat{Y}_{h}为Y_{h}的无偏估计。总体总量Y的估计量\hat{Y}_{st}有如下性质：

  • {\color{Red} E(\hat{Y}_{st})=}E(N\bar{y}_{st})=N\sum_{h=1}^{L}W_{h}E(\bar{y}_{h})=N\sum_{h=1}^{L}W_{h}\bar{Y}_{h}=\sum_{h=1}^{L}N_{h}\bar{Y}_{h}={\color{Red} Y}
  • {\color{Red} V(\hat{Y}_{st})=}N^2V(\bar{y}_{st})=N^2\sum_{h=1}^{L}W_{h}^2V(\bar{y}_h)=N^2\sum_{h=1}^{L}W_{h}^2\frac{1-f_{h}}{n_{h}}S_{h}^2=N^2\sum_{h=1}^{L}\frac{N_{h}^2}{N^2}(1-\frac{n_{h}}{N_{h}})\frac{S_{h}^2}{n_{h}}={\color{Red} \sum_{h=1}^{L}N_{h}(N_{h}-n_{h})\frac{S_{h}^2}{n_{h}}}
  • v(\hat{Y}_{st})=\sum_{h=1}^{L}N_{h}(N_{h}-n_{h})\frac{s_{h}^2}{n_{h}}，v(\hat{Y}_{st})是V(\hat{Y}_{st})的一个无偏估计

3.【例3.1】

【抽样调查】CH3 分层随机抽样_第2张图片

【抽样调查】CH3 分层随机抽样_第3张图片

【抽样调查】CH3 分层随机抽样_第4张图片

【抽样调查】CH3 分层随机抽样_第5张图片

三、比率估计量及其性质

四、回归估计量及其性质

五、各层样本量的分配

六、总样本量的确定

七、分层抽样的其他方面

你可能感兴趣的:(抽样技术,回归)

  • 为微服务架构增加聚合层 hello_world! 云原生springboot
    最近公司业务繁忙，全力以赴在做狐小E，一直没时间做技术分享，现在上线了，终于有时间来写点东西。网关是微服务架构不可或缺的一部分，作为微服务架构的唯一入口，将所有请求转发到后端对应的微服务上去，同时又可以将各个微服务中的通用功能集中到网关去做，而不是在每个微服务都实现一遍，比如权限校验，限流，熔断和监控等。如图所示，这是个典型的前后端分离的微服务架构，但这个架构在的问题是，一个接口无法同时满足不同场
  • 短视频矩阵系统源码新发布技术方案有那几种？ Yxh18137784554 短视频矩阵开发矩阵算法架构
    短视频矩阵系统从21年发展到现在经历了历史性的发展高潮经过各平台的反复变化政策，短视频矩阵系统目前做的为数不多的同梯队的筷子科技、云罗抖去推、超级编导都选用的是什么方式的代发解决方案呢？今天小编就来给我的技术粉们分享下一下几种常见的开发方案#短视频矩阵系统##短视频矩阵系统还能用吗？##短视频矩阵系统源码##短视频矩阵系统代发/托管发都有什么解决方案?短视频矩阵系统源码新发布的技术方案通常有以下几
  • 基于springboot的在线点餐系统 爱编程的小哥 java毕设springboot后端javavue
    全栈在线点餐系统架构解析|SpringBoot+ElementUI后台管理实战（附高并发订单处理方案）一、系统全景透视基于五张效果图分析，该系统是餐饮行业全流程数字化解决方案，采用SpringBoot+MyBatisPlus+Vue2+ElementUI技术栈，实现用户端订餐与商家端管理的双向闭环。通过RBAC权限控制+订单状态机+实时库存预警三大核心机制，支持日均万级订单处理，覆盖从用户选餐、支
  • AI大模型训练教程 Small踢倒coffee_氕氘氚 python自学经验分享笔记
    1.引言随着人工智能技术的快速发展，大模型（如GPT-3、BERT等）在自然语言处理、计算机视觉等领域取得了显著的成果。训练一个大模型需要大量的计算资源、数据和专业知识。本教程将带你了解如何从零开始训练一个AI大模型。2.准备工作2.1硬件要求GPU：推荐使用NVIDIA的高性能GPU，如A100、V100等。内存：至少64GBRAM。存储：SSD存储，至少1TB。#2.2软件环境操作系统：Lin
  • 以光盘读写系统演示面向对象设计的原则与方法 CoderIsArt C++11设计模式面向对象
    面向对象设计（OOD）是软件开发中的核心方法，强调通过对象、类、继承、封装和多态等概念来构建系统。以下是面向对象设计的原则、方法及常用技术手段：一、面向对象设计原则（SOLID原则）单一职责原则（SRP,SingleResponsibilityPrinciple）一个类应只有一个职责，即只负责一项功能。优点：提高类的内聚性，降低耦合性，便于维护和扩展。开放-封闭原则（OCP,Open-Closed
  • 后端登录校验(一）——会话技术 develop_lost 服务器运维
    一、登录校验1.什么是登录校验登录校验是服务器端对浏览器端（就是客户端）发送的请求进行校验。校验用户的登录情况，如果用户已经登录，则允许进行用户需要的业务操作，反之则禁止用户操作业务操作，并返回给用户一个错误的提示，让客户端跳转到的登录页面，进行登录操作。2.如何进行登录校验-先认清http协议：http协议是无状态协议，无状态是客户端的每一次请求都是独立的，这次的请求不会携带上一次的数据，服务器
  • Java后端开发技术详解 小二爱编程· java开发语言
    Java作为一门成熟的编程语言，已广泛应用于后端开发领域。其强大的生态系统和广泛的支持库使得Java成为许多企业和开发者的首选后端开发语言。随着云计算、微服务架构和大数据技术的兴起，Java后端开发的技术栈也不断演进。本文将详细介绍Java后端开发的核心技术，包括Java基础、常见框架、数据库操作、缓存技术、异步编程等。1.Java基础：理解面向对象的编程Java是一种面向对象的编程语言，面向对象
  • 基于springboot的社区团购系统设计 Olivia-gogogo springboot后端java
    一、引言在当今数字化时代，信息技术正以前所未有的速度渗透到社会的各个领域，深刻地改变着人们的生活和工作方式。教育领域也不例外，随着高等教育的普及和招生规模的不断扩大，大学生入学审核工作面临着越来越大的挑战。传统的人工入学审核方式已难以满足现代教育管理的需求，暴露出诸多弊端。传统人工入学审核方式效率低下。在每年的招生季，高校招生工作人员需要面对大量的入学申请材料，这些材料不仅数量庞大，而且种类繁多，
  • Midscene.js自然语言驱动的网页自动化全指南 Hello.Reader 前端技术人工智能javascript自动化开发语言
    一、概述网页自动化在数据抓取、UI测试和业务流程优化中发挥着重要作用。然而，传统工具如Selenium和Puppeteer要求用户具备编程技能，编写复杂的选择器和脚本维护成本高昂。Midscene.js通过自然语言接口革新了这一领域，用户只需描述任务（如“点击登录按钮”或“提取产品价格”），AI即可自动执行，大幅降低技术门槛。Midscene.js由web-infra-dev团队开发，开源于Git
  • 使用Jupyter Notebook进行深度学习编程 - 深度学习教程 shandianfk_com ChatGPTAIjupyter深度学习ide
    大家好，今天我们要聊聊如何使用JupyterNotebook进行深度学习编程。深度学习是人工智能领域中的一项重要技术，通过模仿人脑神经网络的方式进行学习和分析。JupyterNotebook作为一个强大的工具，可以帮助我们轻松地进行深度学习编程，尤其适合初学者和研究人员。本文将带领大家一步步了解如何在JupyterNotebook中开展深度学习项目。一、什么是JupyterNotebook？Jup
  • 【今日EDA行业分析】2025年3月21日 知梦EDA EDA行业分析大数据人工智能半导体EDA行业分析
    智算时代EDA行业新变局：技术突围与生态重构一、EDA产业格局剧变：技术壁垒与地缘博弈交织在半导体产业链的宏大版图中，EDA工具宛如数字时代的“工业母机”，其重要性伴随芯片复杂度的指数级攀升而愈发显著。据SEMI数据显示，2023年全球EDA市场规模成功突破200亿美元大关，中国本土市场增速更是达到了18%。然而，Synopsys、Cadence、Mentor这三大行业巨头依旧牢牢占据着超过85%
  • 3步教你轻松在WinForms 应用程序中内嵌控制台（System.Console） 墨瑾轩 C#乐园c#开发语言
    关注墨瑾轩，带你探索编程的奥秘！超萌技术攻略，轻松晋级编程高手技术宝库已备好，就等你来挖掘订阅墨瑾轩，智趣学习不孤单即刻启航，编程之旅更有趣3步教你轻松在WinForms应用程序中内嵌控制台（System.Console）引言：为什么要在WinForms中内嵌控制台？在开发WinForms应用程序时，有时候我们需要一个控制台来显示日志信息、调试输出或者执行命令行操作。虽然WinForms提供了丰富
  • 区块链在医疗数据共享中的应用：解锁安全与透明的新维度 Echo_Wish 人工智能前沿技术区块链安全
    区块链在医疗数据共享中的应用：解锁安全与透明的新维度近年来，区块链技术在金融领域取得了显著的突破，然而，它的潜力不仅仅局限于数字货币和支付领域。随着医疗数据的数字化和信息化程度不断提升，区块链技术在医疗数据共享中的应用正逐渐成为一个热门话题。区块链以其去中心化、不可篡改、透明且高效的特点，为医疗行业的数据管理提供了全新的解决方案，尤其是在患者隐私保护、数据共享以及医疗服务的透明度方面。那么，区块链
  • DeepSeek关键RL算法GRPO，有人从头跑通了，贡献完整代码 强化学习曾小健2 大语言模型LLM算法
    DeepSeek关键RL算法GRPO，有人从头跑通了，贡献完整代码机器之心2025年03月02日11:54北京选自GitHub作者：AndriyBurkov机器之心编译GRPO（GroupRelativePolicyOptimization）是DeepSeek-R1成功的基础技术之一，我们之前也多次报道过该技术，比如《DeepSeek用的GRPO占用大量内存？有人给出了些破解方法》。简单来说，GR
  • 深度学习 Deep Learning 第8章 深度学习优化 odoo中国 AI编程人工智能深度学习人工智能优化
    深度学习第8章深度学习的优化章节概述本章深入探讨了深度学习中的优化技术，旨在解决模型训练过程中面临的各种挑战。优化是深度学习的核心环节，直接关系到模型的训练效率和最终性能。本章首先介绍了优化在深度学习中的特殊性，然后详细讨论了多种优化算法，包括随机梯度下降（SGD）、动量法、Nesterov动量法、AdaGrad、RMSProp和Adam等。此外，还探讨了参数初始化策略、自适应学习率方法以及二阶优
  • GPT-4o mini TTS：OpenAI 推出轻量级文本转语音模型！情感操控+白菜价冲击配音圈 蚝油菜花 每日AI项目与应用实例开源人工智能
    ❤️如果你也关注AI的发展现状，且对AI应用开发感兴趣，我会每日分享大模型与AI领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！AI在线答疑->智能检索历史文章和开源项目->丰富的AI工具库->每日更新->尽在微信公众号->搜一搜：蚝油菜花️“声优连夜转行送外卖！OpenAI新模型每分钟语音成本仅9分钱”大家好，我是蚝油菜花。当同行还在用机械音合成器折磨听众时，这个AI怪物已
  • Dify-Plus：企业级AI管理核弹！开源方案吊打SaaS，额度+密钥+鉴权系统全面集成 蚝油菜花 每日AI项目与应用实例人工智能开源开源人工智能
    ❤️如果你也关注AI的发展现状，且对AI应用开发感兴趣，我会每日分享大模型与AI领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！AI在线答疑->智能检索历史文章和开源项目->丰富的AI工具库->每日更新->尽在微信公众号->搜一搜：蚝油菜花“CTO集体失眠！这个开源项目让企业AI管理进入上帝模式”大家好，我是蚝油菜花。当同行还在为API调用次数和预算超支扯皮时，这个国产神器已
  • 【深入理解 SpringBoot3】第一弹：SpringBoot3 快速入门 敖云岚 springboot后端java
    一、SpringBoot是什么SpringBoot帮我们简单、快速地创建一个独立的、生产级别的Spring应用大多数SpringBoot应用只需要编写少量配置即可快速整合Spring平台以及第三方技术。特性：直接嵌入Tomcat、Jetty或Undertow（无需部署war包）提供可选的starter（场景启动器）简化应用的整合实现按需的自动配置Spring以及第三方库（约定大于配置）：appli
  • springboot基于bs 架构的母婴用户商城全程服务管理系统(源码+lw+部署文档+讲解等) 源码哆哆V+ymhydo Java毕设优质源码springboot架构后端
    具体实现截图技术栈后端框架SpringBoot采用springboot作为后台的框架，java框架具有简化配置和开发的效率。Spring框架目前是很多java开发者的首选框架，Spring主要有两大功能，控制反转和面向切面的编程。控制反转（IOC）可以实现代码的依赖注入，减少代码的耦合性，大大提高了软件质量，面向切面编程（AOP）主要是应用动态代理的技术对代码逻辑进行分离，可以实现对代码的重用，适
  • 事务回滚核心技术 KBkongbaiKB java
    一、事务回滚的数学本质与核心挑战1.1事务状态机模型操作执行持久化完成系统故障事务回滚ActivePartiallyCommittedCommittedFailedAborted1.2核心技术挑战矩阵问题维度单机事务分布式事务原子性保证存储引擎WAL日志二阶段提交协议隔离性实现MVCC多版本控制全局锁调度机制可见性管理事务ID版本链向量时钟同步回滚触发条件SQL执行异常/死锁网络分区/节点故障二、
  • 景联文科技提供高质量文本标注服务，驱动AI技术发展 景联文科技 科技人工智能
    文本标注是指在原始文本数据上添加标签的过程，这些标签可以用来指示特定的实体、关系、事件等信息，以帮助计算机理解和处理这些数据。文本标注是自然语言处理（NLP）领域的一个重要环节，它通过为文本的不同部分提供具体的含义和上下文信息，增强机器学习和深度学习模型对文本内容的理解能力。标注类型情感分析情感极性：确定文本表达的情感倾向，如正面、负面或中立。强度评估：衡量情感的强烈程度，从轻微到极端不等。命名实
  • 【网络】数据流（Data Workflow）Routes（路由）、Controllers（控制器）、Models（模型） 和 Middleware（中间件） 一袋米扛几楼98 网络工程/安全中间件
    在图片中，数据流（DataWorkflow）描述了应用程序中数据的流动过程，涉及Routes（路由）、Controllers（控制器）、Models（模型）和Middleware（中间件）。作为初学者，理解这些组件及其联系是掌握Web应用程序开发的关键。以下是对每个技术点的详细解释，以及它们如何相互关联的分析。1.Routes（路由）定义：路由定义了应用程序的URL端点（Endpoints）以及服
  • 从“制造”到“智造”，看中集“灯塔”生产线与永洪“数据技术”的紧密融合 永洪科技 制造大数据数据分析BI数据可视化
    “灯塔”工厂，这一由世界经济论坛提出的概念，已成为制造业领域的一个新的标杆，它代表着制造业的最高智能化水平。作为全球领先的制造企业，中集集团一直致力于提升生产效率和产品质量，以满足全球贸易的不断增长需求。永洪科技与中集集团的合作，正是围绕打造制造业的“灯塔”生产线而展开的。中集集团成立于1980年，总部位于深圳，是中国制造业的领军企业之一，业务涵盖物流、能源、化工等领域。近年来，随着全球经济的复苏
  • 打造金融数据新引擎，看永洪科技助力头部农信社搭建一站式分析平台 永洪科技 金融数据可视化BI数据分析大数据
    在数字化转型的浪潮中，金融行业作为经济发展的核心引擎，正加速探索数字化、智能化的新路径。永洪科技，近日成功助力某省农村信用社联合社（简称：Z企业）完成了其数字化转型的重要一步，通过部署先进的商业智能解决方案，为Z企业的业务升级与效能提升注入了强劲动力。随着智能金融时代的来临，以大数据、人工智能、移动互联等新兴技术为核心的金融科技持续赋能银行金融业务数字化、智能化、开放化的发展，为金融机构营销体系的
  • 清华DeepSeek教程1至7版，解锁前沿技术 2501_91206263 pdf
    清华DeepSeek教程1至7版，解锁前沿技术「DeepSeek清华资料」共7册链接：https://pan.quark.cn/s/b8d8760976ca「DeepSeek使用手册大全」链接：https://pan.quark.cn/s/52c234062a2e「DeepSeek资料合集」链接：https://pan.quark.cn/s/71c8604f0e8a「DeepSeep使用手册」链接
  • 清华出品DeepSeek教程7版合集，一站式掌握前沿技术 2501_91206263 pdf
    亲爱的读者们，今天要给大家介绍一套由清华大学出品的超硬核教程——DeepSeek教程7版合集！「DeepSeek清华资料」共7册链接：https://pan.quark.cn/s/b8d8760976ca「DeepSeek使用手册大全」链接：https://pan.quark.cn/s/52c234062a2e「DeepSeek资料合集」链接：https://pan.quark.cn/s/71c8
  • 景联文科技：以高质量数据标注推动人工智能领域创新与发展 景联文科技 科技人工智能数据标注
    在当今这个由数据驱动的时代，高质量的数据标注对于推动机器学习、自然语言处理（NLP）、计算机视觉等领域的发展具有不可替代的重要性。数据标注过程涉及对原始数据进行加工，通过标注特定对象的特征来生成能够被机器学习模型识别和使用的编码格式，从而使数据更具有意义和可解读性。数据标注的主要类型包括：图像标注：指在图片中标识出目标物体的位置、形状或类别等信息，如自动驾驶技术中的行人、车辆及交通标志的识别。文本
  • 【块浮点（BFP）技术：原理、设计及应用】 youngerwang 移动5G测试验证之禅道matlab信息与通信基带工程
    文章目录块浮点（BFP）技术：原理、设计及应用摘要关键词：块浮点（BFP）技术；量化；数据压缩；自适应调整；联合编码；硬件实现；Matlab一、引言二、BFP原理（一）基本概念（二）量化过程（三）逆过程（解量化）三、BFP设计（一）块大小选择（二）缩放因子编码（三）量化比特宽度选择四、BFP设计难点解析（一）数据动态特性与块大小适配（二）缩放因子编码的复杂度与效率平衡（三）量化精度与压缩比的最优平
  • Matlab实现SSA-HKELM麻雀算法（SSA）优化混合核极限学习机多变量回归预测的详细项目实例 nantangyuxi MATLAB算法matlab回归人工智能数据挖掘开发语言深度学习
    目录Mstlsb实她TTS-HKFLM麻雀算法（TTS）优化混合核极限学习机多变量回归预测她详细项目实例1项目背景介绍...1项目目标她意义...1目标...1意义...2项目挑战及解决方案...2挑战...2解决方案...3项目特点她创新...3创新点...3特点...4项目应用领域...4应用领域...4项目效果预测图程序设计及代码示例...5项目模型架构...6数据预处理...6混合核极限学
  • 端到端的NLP框架（Haystack） deepdata_cn NLP自然语言处理人工智能
    Haystack是一个端到端的NLP框架，专门用于构建基于文档的问答系统，是实现RAG的理想选择。它提供了数据预处理、文档存储、检索和生成等一系列组件，支持多种语言模型和检索器。提供可视化界面，方便用户进行配置和调试；支持多模态数据，可处理文本、图像等多种类型的数据；具有可扩展性，可根据需求添加自定义组件。2020年在自然语言处理技术快速发展，对高效、易用且灵活的端到端NLP框架需求日益增长的背景
  • jQuery 跨域访问的三种方式 No 'Access-Control-Allow-Origin' header is present on the reque qiaolevip 每天进步一点点学习永无止境跨域众观千象
    XMLHttpRequest cannot load http://v.xxx.com. No 'Access-Control-Allow-Origin' header is present on the requested resource. Origin 'http://localhost:63342' is therefore not allowed access. test.html:1
  • mysql 分区查询优化 annan211 java分区优化mysql
    分区查询优化 引入分区可以给查询带来一定的优势，但同时也会引入一些bug. 分区最大的优点就是优化器可以根据分区函数来过滤掉一些分区，通过分区过滤可以让查询扫描更少的数据。 所以，对于访问分区表来说，很重要的一点是要在where 条件中带入分区，让优化器过滤掉无需访问的分区。 可以通过查看explain执行计划，是否携带 partitions
  • MYSQL存储过程中使用游标 chicony Mysql存储过程
    DELIMITER $$ DROP PROCEDURE IF EXISTS getUserInfo $$ CREATE PROCEDURE getUserInfo(in date_day datetime)-- -- 实例-- 存储过程名为：getUserInfo-- 参数为：date_day日期格式:2008-03-08--    BEGINdecla
  • mysql 和 sqlite 区别 Array_06 sqlite
    转载： http://www.cnblogs.com/ygm900/p/3460663.html mysql 和 sqlite 区别 SQLITE是单机数据库。功能简约，小型化，追求最大磁盘效率 MYSQL是完善的服务器数据库。功能全面，综合化，追求最大并发效率 MYSQL、Sybase、Oracle等这些都是试用于服务器数据量大功能多需要安装，例如网站访问量比较大的。而sq
  • pinyin4j使用 oloz pinyin4j
    首先需要pinyin4j的jar包支持；jar包已上传至附件内 方法一:把汉字转换为拼音；例如：编程转换后则为biancheng      /** * 将汉字转换为全拼 * @param src 你的需要转换的汉字 * @param isUPPERCASE 是否转换为大写的拼音； true:转换为大写；fal
  • 微博发送私信 随意而生 微博
    在前面文章中说了如和获取登陆时候所需要的cookie，现在只要拿到最后登陆所需要的cookie，然后抓包分析一下微博私信发送界面 http://weibo.com/message/history?uid=****&name=**** 可以发现其发送提交的Post请求和其中的数据， 让后用程序模拟发送POST请求中的数据，带着cookie发送到私信的接入口，就可以实现发私信的功能了。
  • jsp 香水浓 jsp
    JSP初始化     容器载入JSP文件后，它会在为请求提供任何服务前调用jspInit()方法。如果您需要执行自定义的JSP初始化任务，复写jspInit()方法就行了 JSP执行     这一阶段描述了JSP生命周期中一切与请求相关的交互行为，直到被销毁。     当JSP网页完成初始化后
  • 在 Windows 上安装 SVN Subversion 服务端 AdyZhang SVN
    在 Windows 上安装 SVN Subversion 服务端2009-09-16高宏伟哈尔滨市道里区通达街291号   最佳阅读效果请访问原地址：http://blog.donews.com/dukejoe/archive/2009/09/16/1560917.aspx   现在的Subversion已经足够稳定，而且已经进入了它的黄金时段。我们看到大量的项目都在使
  • android开发中如何使用 alertDialog从listView中删除数据？ aijuans android
    我现在使用listView展示了很多的配置信息，我现在想在点击其中一条的时候填出 alertDialog,点击确认后就删除该条数据，（ ArrayAdapter ，ArrayList，listView 全部删除），我知道在 下面的onItemLongClick 方法中 参数 arg2  是选中的序号，但是我不知道如何继续处理下去 1 2 3
  • jdk-6u26-linux-x64.bin 安装 baalwolf linux
    1.上传安装文件(jdk-6u26-linux-x64.bin) 2.修改权限 [root@localhost ~]# ls -l /usr/local/jdk-6u26-linux-x64.bin 3.执行安装文件 [root@localhost ~]# cd /usr/local [root@localhost local]# ./jdk-6u26-linux-x64.bin&nbs
  • MongoDB经典面试题集锦 BigBird2012 mongodb
    1.什么是NoSQL数据库？NoSQL和RDBMS有什么区别？在哪些情况下使用和不使用NoSQL数据库？ NoSQL是非关系型数据库，NoSQL = Not Only SQL。 关系型数据库采用的结构化的数据，NoSQL采用的是键值对的方式存储数据。 在处理非结构化/半结构化的大数据时；在水平方向上进行扩展时；随时应对动态增加的数据项时可以优先考虑使用NoSQL数据库。 在考虑数据库的成熟
  • JavaScript异步编程Promise模式的6个特性 bijian1013 JavaScriptPromise
            Promise是一个非常有价值的构造器，能够帮助你避免使用镶套匿名方法，而使用更具有可读性的方式组装异步代码。这里我们将介绍6个最简单的特性。         在我们开始正式介绍之前，我们想看看Javascript Promise的样子： var p = new Promise(function(r
  • [Zookeeper学习笔记之八]Zookeeper源代码分析之Zookeeper.ZKWatchManager bit1129 zookeeper
    ClientWatchManager接口 //接口的唯一方法materialize用于确定那些Watcher需要被通知 //确定Watcher需要三方面的因素1.事件状态 2.事件类型 3.znode的path public interface ClientWatchManager { /** * Return a set of watchers that should
  • 【Scala十五】Scala核心九：隐式转换之二 bit1129 scala
    隐式转换存在的必要性，   在Java Swing中，按钮点击事件的处理，转换为Scala的的写法如下：   val button = new JButton button.addActionListener( new ActionListener { def actionPerformed(event: ActionEvent) {
  • Android JSON数据的解析与封装小Demo ronin47
    转自：http://www.open-open.com/lib/view/open1420529336406.html package com.example.jsondemo; import org.json.JSONArray; import org.json.JSONException; import org.json.JSONObject;    impor
  • [设计]字体创意设计方法谈 brotherlamp UIui自学ui视频ui教程ui资料
      从古至今，文字在我们的生活中是必不可少的事物，我们不能想象没有文字的世界将会是怎样。在平面设计中，UI设计师在文字上所花的心思和功夫最多，因为文字能直观地表达UI设计师所的意念。在文字上的创造设计，直接反映出平面作品的主题。 如设计一幅戴尔笔记本电脑的广告海报，假设海报上没有出现“戴尔”两个文字，即使放上所有戴尔笔记本电脑的图片都不能让人们得知这些电脑是什么品牌。只要写上“戴尔笔
  • 单调队列-用一个长度为k的窗在整数数列上移动，求窗里面所包含的数的最大值 bylijinnan java算法面试题
    import java.util.LinkedList; /* 单调队列 滑动窗口 单调队列是这样的一个队列：队列里面的元素是有序的，是递增或者递减 题目：给定一个长度为N的整数数列a(i),i=0,1,...,N-1和窗长度k. 要求：f(i) = max{a(i-k+1),a(i-k+2),..., a(i)},i = 0,1,...,N-1 问题的另一种描述就
  • struts2处理一个form多个submit chiangfai struts2
    web应用中，为完成不同工作，一个jsp的form标签可能有多个submit。如下代码： <s:form action="submit" method="post" namespace="/my"> <s:textfield name="msg" label="叙述：">
  • shell查找上个月，陷阱及野路子 chenchao051 shell
    date -d "-1 month" +%F     以上这段代码，假如在2012/10/31执行，结果并不会出现你预计的9月份，而是会出现八月份，原因是10月份有31天，9月份30天，所以-1 month在10月份看来要减去31天，所以直接到了8月31日这天，这不靠谱。     野路子解决：假设当天日期大于15号
  • mysql导出数据中文乱码问题 daizj mysql中文乱码导数据
    解决mysql导入导出数据乱码问题方法： １、进入mysql，通过如下命令查看数据库编码方式： mysql>  show variables like 'character_set_%'; +--------------------------+----------------------------------------+ | Variable_name&nbs
  • SAE部署Smarty出现：Uncaught exception 'SmartyException' with message 'unable to write dcj3sjt126com PHPsmartysae
      对于SAE出现的问题：Uncaught exception 'SmartyException' with message 'unable to write file...。 官方给出了详细的FAQ：http://sae.sina.com.cn/?m=faqs&catId=11#show_213 解决方案为：   01 $path 
  • 《教父》系列台词 dcj3sjt126com
    Your love is also your weak point. 你的所爱同时也是你的弱点。   If anything in this life is certain, if history has taught us anything, it is that you can kill anyone.   不顾家的人永远不可能成为一个真正的男人。 &
  • mongodb安装与使用 dyy_gusi mongo
    一.MongoDB安装和启动,widndows和linux基本相同 1.下载数据库,     linux:mongodb-linux-x86_64-ubuntu1404-3.0.3.tgz 2.解压文件,并且放置到合适的位置     tar -vxf mongodb-linux-x86_64-ubun
  • Git排除目录 geeksun git
    在Git的版本控制中，可能有些文件是不需要加入控制的，那我们在提交代码时就需要忽略这些文件，下面讲讲应该怎么给Git配置一些忽略规则。   有三种方法可以忽略掉这些文件，这三种方法都能达到目的，只不过适用情景不一样。 1.  针对单一工程排除文件 这种方式会让这个工程的所有修改者在克隆代码的同时，也能克隆到过滤规则，而不用自己再写一份，这就能保证所有修改者应用的都是同一
  • Ubuntu 创建开机自启动脚本的方法 hongtoushizi ubuntu
    转载自： http://rongjih.blog.163.com/blog/static/33574461201111504843245/ Ubuntu 创建开机自启动脚本的步骤如下： 1) 将你的启动脚本复制到 /etc/init.d目录下 以下假设你的脚本文件名为 test。   2) 设置脚本文件的权限 $ sudo chmod 755
  • 第八章 流量复制/AB测试/协程 jinnianshilongnian nginxluacoroutine
    流量复制 在实际开发中经常涉及到项目的升级，而该升级不能简单的上线就完事了，需要验证该升级是否兼容老的上线，因此可能需要并行运行两个项目一段时间进行数据比对和校验，待没问题后再进行上线。这其实就需要进行流量复制，把流量复制到其他服务器上，一种方式是使用如tcpcopy引流；另外我们还可以使用nginx的HttpLuaModule模块中的ngx.location.capture_multi进行并发
  • 电商系统商品表设计 lkl
    DROP TABLE IF EXISTS `category`; -- 类目表 /*!40101 SET @saved_cs_client = @@character_set_client */; /*!40101 SET character_set_client = utf8 */; CREATE TABLE `category` ( `id` int(11) NOT NUL
  • 修改phpMyAdmin导入SQL文件的大小限制 pda158 sqlmysql
    　用phpMyAdmin导入mysql数据库时，我的10M的 数据库不能导入，提示mysql数据库最大只能导入2M。 　　 phpMyAdmin数据库导入出错： 　　You probably tried to upload too large file. Please refer to documentation for ways to workaround this limit.
  • Tomcat性能调优方案 Sobfist apachejvmtomcat应用服务器
    一、操作系统调优 对于操作系统优化来说，是尽可能的增大可使用的内存容量、提高CPU的频率，保证文件系统的读写速率等。经过压力测试验证，在并发连接很多的情况下，CPU的处理能力越强，系统运行速度越快。。 【适用场景】 任何项目。 二、Java虚拟机调优 应该选择SUN的JVM，在满足项目需要的前提下，尽量选用版本较高的JVM，一般来说高版本产品在速度和效率上比低版本会有改进。 J
  • SQLServer学习笔记 vipbooks 数据结构xml
    1、create database school 创建数据库school 2、drop database school 删除数据库school 3、use school 连接到school数据库，使其成为当前数据库 4、create table class(classID int primary key identity not null) 创建一个名为class的表，其有一
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他