mqdlff_python
mqdlff_python

基于粒子群优化的集成学习森林火灾面积预测识别 有需要私聊评论

基于粒子群优化的集成学习森林火灾面积预测识别 有需要私聊评论_第1张图片liuchn

流程：

基于粒子群优化的集成学习森林火灾面积预测识别 有需要私聊评论_第2张图片 

1.读数据表

首先，我们读取原始数据。

X Y month day FFMC DMC DC ISI temp RH wind rain area
7 5 mar fri 86.2 26.2 94.3 5.1 8.2 51 6.7 0 0
7 4 oct tue 90.6 35.4 669.1 6.7 18 33 0.9 0 0
7 4 oct sat 90.6 43.7 686.9 6.7 14.6 33 1.3 0 0
8 6 mar fri 91.7 33.3 77.5 9 8.3 97 4 0.2 0
8 6 mar sun 89.3 51.3 102.2 9.6 11.4 99 1.8 0 0

2.字段基本统计信息

查看数据的基本统计信息。

X Y month day FFMC DMC DC ISI temp RH wind rain area
样本数 517 517 517 517 517 517 517 517 517 517 517 517 517
不同取值个数 12 7
众数 aug sun
众数的频数 184 95
均值 4.669245648 4.2998065764 90.6446808511 110.8723404255 547.9400386847 9.0216634429 18.8891682785 44.2882011605 4.0176015474 0.0216634429 12.8472920696
标准差 2.3137778287 1.229900403 5.5201108489 64.0464822493 248.0661917058 4.5594771752 5.8066253496 16.3174692394 1.7916526009 0.2959591209 63.6558184679
最小值 1 2 18.7 1.1 7.9 0 2.2 15 0.4 0 0
下四分位数 3 4 90.2 68.6 437.7 6.5 15.5 33 2.7 0 0
中位数 4 4 91.6 108.3 664.2 8.4 19.3 42 4 0 0.52
上四分位数 7 5 92.9 142.4 713.9 10.8 22.8 53 4.9 0 6.57
最大值 9 9 96.2 291.3 860.6 56.1 33.3 100 9.4 6.4 1090.84

从输出结果可以看出，该数据集一共有517条数据，包含13个变量，不存在缺失值。注意到 month和day这两个特征不是数值型的数据。

3.火灾面积分布直方图

我们采用更直观的方法，将数据集中火灾面积这一列的数据通过直方图和箱线图进行展示，来查看数据的分布情况：

4.火灾面积分布箱线图

基于粒子群优化的集成学习森林火灾面积预测识别 有需要私聊评论_第3张图片

从上图中我们可以看出，数据主要分布在0~200之间，但也有少量数据大于600，area数据中存在一些离群点。

5.删除火灾面积大于600的离群点

下面我们集中对刚刚发现的问题进行处理。首先，我们将数据集中火灾面积大于600的离群点去掉：

X Y month day FFMC DMC DC ISI temp RH wind rain area
7 5 mar fri 86.2 26.2 94.3 5.1 8.2 51 6.7 0 0
7 4 oct tue 90.6 35.4 669.1 6.7 18 33 0.9 0 0
7 4 oct sat 90.6 43.7 686.9 6.7 14.6 33 1.3 0 0
8 6 mar fri 91.7 33.3 77.5 9 8.3 97 4 0.2 0
8 6 mar sun 89.3 51.3 102.2 9.6 11.4 99 1.8 0 0

6.月份和星期OneHot编码

X Y FFMC DMC DC ISI temp RH wind rain area month_aug month_dec month_feb month_jan month_jul month_jun month_mar month_may month_nov month_oct month_sep day_mon day_sat day_sun day_thu day_tue day_wed
7 5 86.2 26.2 94.3 5.1 8.2 51 6.7 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
7 4 90.6 35.4 669.1 6.7 18 33 0.9 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0
7 4 90.6 43.7 686.9 6.7 14.6 33 1.3 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0
8 6 91.7 33.3 77.5 9 8.3 97 4 0.2 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
8 6 89.3 51.3 102.2 9.6 11.4 99 1.8 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0

7.筛选火灾面积大于0的数据

处理完毕后，我们将火灾面积大于0的数据筛选出来，查看火灾发生的面积与FWI系统的FFMC指数、DMC指数、DC指数、ISI指数之间的关系。

X Y FFMC DMC DC ISI temp RH wind rain area month_aug month_dec month_feb month_jan month_jul month_jun month_mar month_may month_nov month_oct month_sep day_mon day_sat day_sun day_thu day_tue day_wed
9 9 85.8 48.3 313.4 3.9 18 42 2.7 0 0.36 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0
1 4 91 129.5 692.6 7 21.7 38 2.2 0 0.43 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0
2 5 90.9 126.5 686.5 7 21.9 39 1.8 0 0.47 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0
1 2 95.5 99.9 513.3 13.2 23.3 31 4.5 0 0.55 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
8 6 90.1 108 529.8 12.5 21.2 51 8.9 0 0.61 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

8.火灾面积与DMC散点图

我们分别绘制火灾发生的面积与DMC指数、DC指数、ISI指数、FFMC指数之间的散点图：

基于粒子群优化的集成学习森林火灾面积预测识别 有需要私聊评论_第4张图片

9.火灾面积与DC散点图

基于粒子群优化的集成学习森林火灾面积预测识别 有需要私聊评论_第5张图片

10.火灾面积与ISI散点图

基于粒子群优化的集成学习森林火灾面积预测识别 有需要私聊评论_第6张图片

11.火灾面积与FFMC散点图

从上面的散点图中，我们发现火灾发生的面积与FFMC指数、DMC指数、DC指数、ISI指数之间并没有明显的相关性。

12.Min-Max标准化

我们使用MinMaxScaler方法，对数据集中除了X、Y、month、day之外的列做MinMax标准化，使得处理后的数据取值分布在[0,1]区间上。

X Y FFMC DMC DC ISI temp RH wind rain area month_aug month_dec month_feb month_jan month_jul month_jun month_mar month_may month_nov month_oct month_sep day_mon day_sat day_sun day_thu day_tue day_wed
7 5 0.870968 0.086492 0.101325 0.090909 0.192926 0.423529 0.7 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
7 4 0.927742 0.118194 0.775419 0.11943 0.508039 0.211765 0.055556 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0
7 4 0.927742 0.146795 0.796294 0.11943 0.398714 0.211765 0.1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0
8 6 0.941935 0.110958 0.081623 0.160428 0.196141 0.964706 0.4 0.03125 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
8 6 0.910968 0.172984 0.11059 0.171123 0.29582 0.988235 0.155556 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0

13.训练/测试集划分

在训练模型之前需要将数据集划分为训练集和测试集，用训练集训练模型，用测试集评估模型。其中训练集占80%，测试集占20%：

基于粒子群优化的集成学习森林火灾面积预测识别 有需要私聊评论_第7张图片

14.线性回归

我们使用线性回归训练模型，以下是训练好的模型的系数和截距：

系数

X Y FFMC DMC DC ISI temp RH wind rain month_aug month_dec month_feb month_jan month_jul month_jun month_mar month_may month_nov month_oct month_sep day_mon day_sat day_sun day_thu day_tue day_wed
-0.001616 -0.002182 0.083678 0.101768 -0.184492 -0.051779 0.017139 -0.013061 -0.002276 -0.006502 0.051713 0.080332 -0.00888 -0.052928 0.025639 0.014181 -0.02992 0.030859 -0.042622 0.106828 0.097483 -0.001168 0.020513 0.011736 -0.010268 0.026505 -0.000168

截距

-0.013356

15.模型预测

然后用训练的模型在测试集上进行火灾面积的预测，预测结果保存为area_predict。

X Y FFMC DMC DC ISI temp RH wind rain month_aug month_dec month_feb month_jan month_jul month_jun month_mar month_may month_nov month_oct month_sep day_mon day_sat day_sun day_thu day_tue day_wed area area_predict
2 5 0.9703225806 0.5809786354 0.4736718658 0.2192513369 0.6816720257 0.2941176471 0.6555555556 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0.0578037682
3 4 0.9380645161 0.4869055824 0.6960243931 0.1889483066 0.5659163987 0.2823529412 0.5555555556 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0.0311150413
7 4 0.92 0.1392143349 0.7912513193 0.1550802139 0.2926045016 0.5294117647 0.5555555556 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0.0074082892
5 6 0.9316129032 0.4321157822 0.7958250264 0.1247771836 0.4019292605 0.6470588235 0.3555555556 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0.0280614525
1 2 0.9290322581 0.2749827705 0.4226574411 0.2994652406 0.4051446945 0.7411764706 0.8444444444 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0138849822

16.回归模型评估

指标 取值
均方误差(MSE) 0.02704
平均绝对误差(MAE) 0.069272
决定系数(R2) -0.059488
中位绝对误差 0.023784

 

你可能感兴趣的:(集成学习,机器学习,人工智能,粒子群优化,火灾识别,火灾面积预测)

  • 数据分析全流程：从收集到可视化的高效实战 晨曦543210 python
    1.数据收集来源：数据库、API、传感器、日志文件、社交媒体、问卷调查等。工具：Python（requests、Scrapy）、SQL、Excel、Kafka（实时流数据）。2.数据清洗处理缺失、重复、错误或不一致的数据：缺失值：删除、填充（均值/中位数/众数）、插值或预测。异常值：使用箱线图、Z-score或IQR方法检测并处理。格式标准化：统一日期、单位、文本格式（如大小写、去除空格）。去重：
  • R语言的软件开发工具 纪霁然 包罗万象golang开发语言后端
    R语言的软件开发工具引言R语言因其强大的数据分析能力和丰富的统计包，自发布以来便广受欢迎。随着数据科学和分析的迅猛发展，R语言也逐渐成为数据分析、机器学习和统计建模领域的重要工具。为了更好地利用R语言进行软件开发，许多软件开发工具和环境应运而生。本文将深入探讨R语言的主要开发工具，帮助开发者更高效地进行数据处理和分析。1.R和RStudio基础R语言本身是一个用于统计计算和图形绘制的编程语言，而R
  • 目标检测：从基础原理到前沿技术全面解析 随机森林404 计算机视觉目标检测人工智能计算机视觉
    引言在计算机视觉领域，目标检测是一项核心且极具挑战性的任务，它不仅要识别图像中有什么物体，还要确定这些物体在图像中的具体位置。随着人工智能技术的快速发展，目标检测已成为智能监控、自动驾驶、医疗影像分析等众多应用的基础技术。本文将全面介绍目标检测的基础概念、发展历程、关键技术、实践应用以及未来趋势，为读者提供系统性的知识框架。第一章目标检测概述1.1目标检测的定义与重要性目标检测（ObjectDet
  • Android阴影效果的艺术与实现：从入门到精通 大模型大数据攻城狮 android安卓动画canvaspaintandroid阴影安卓面试android面经
    目录1.阴影的本质：为什么它对UI如此重要？2.深入MaterialDesign：理解Z轴与阴影层次3.兼容老版本：用Drawable实现阴影4.高级技巧：自定义OutlineProvider5.用Canvas绘制自定义阴影：解锁无限可能6.阴影性能优化：让丝滑体验飞起来7.JetpackCompose中的阴影实现：拥抱现代化8.动态阴影动画：打造炫酷交互效果9.RecyclerView中的阴影实
  • Intel Wi-Fi 驱动程序在macOS上的安装和使用指南 段日诗
    IntelWi-Fi驱动程序在macOS上的安装和使用指南项目地址:https://gitcode.com/gh_mirrors/it/itlwm一、项目介绍itlwm,全称IntelWi-FiDriversformacOS,是一个开放源码项目，旨在为苹果操作系统提供对Intel无线网卡的支持。此项目的主要代码来源于OpenBSD并进行了一系列优化以适应macOS环境。它包含了两个主要组件：itl
  • 浏览器缓存策略 醉方休 缓存
    浏览器缓存策略是Web性能优化的核心机制之一，通过合理利用缓存可以减少网络请求、降低服务器负载并加速页面加载。以下是浏览器缓存的详细策略和工作原理：1.强缓存（无需服务器验证）浏览器直接使用本地缓存资源，不发送请求到服务器。通过以下HTTP头部控制：1.1Expires原理：指定资源的绝对过期时间（HTTP/1.0）。示例：Expires:Wed,21Oct202507:28:00GMT缺点：依赖
  • PostgreSQL连接池监控与优化：pg_stat_activity详解及连接阻塞排查指南
    1.引言PostgreSQL是一款功能强大的开源关系型数据库，广泛应用于各类企业级应用。在高并发场景下，数据库连接池的管理和监控至关重要。如果连接池使用不当，可能会导致连接泄漏、阻塞甚至数据库崩溃。本文将详细介绍如何使用pg_stat_activity监控PostgreSQL连接状态，并针对连接卡住、阻塞等问题提供解决方案。2.使用pg_stat_activity监控连接状态pg_stat_act
  • PostgreSQL 的 WAL 与 Oracle 的 Redo Log 的全方面对比 喝醉酒的小白 DBAPGpostgresqloracle数据库
    目录标题一、共同点（相同点）二、不同点三、在复制与高可用中的角色四、具体技术细节差异五、性能影响与优化点六、使用示例PostgreSQLWAL使用示例OracleRedo使用示例⚫总结对比表PostgreSQL的WAL（Write-AheadLogging）和Oracle的RedoLog是两个数据库系统在保证数据持久性与事务一致性方面的关键机制。尽管它们的核心思想类似，都是“先写日志，再写数据”，
  • 用AI实现“抢券自由”：手把手教你打造智能抢单机器人
    目录一、手速不够？抢券党的真实困境二、技术揭秘：RPA+AI如何成为“抢券外挂”1.什么是RPA（机器人流程自动化）？2.AI工作流的降维打击三、实战教学：20行代码打造AI抢券机器人1.工具准备2.智能脚本核心代码四、高阶技巧：让机器人更“聪明”的3个秘密1.视觉识别加持2.多账号并行操作3.智能避坑策略五、技术延伸：RPA+AI还能做什么？六、避坑指南：新手常见问题解答一、手速不够？抢券党的真
  • 《ARM64 迁移深度实战：在飞腾 D2000+ 麒麟 V10 构建高可用全栈环境》 2301_82150492 pythonc++c语言c#
    从源码编译优化到容器跨架构迁移|附自研文档转换工具开发全记录目录（带锚点）环境深度适配：飞腾芯片+KylinOS安全内核特性基础组件迁移（源码级优化）2.1JDK17GraalVMARM编译指南（性能提升40%）2.2MySQL8.0深度适配（解决麒麟安全模块冲突）2.3Redis7.0内存池优化（ARMNUMA架构调优）容器化迁移企业级实践3.1Docker离线安装+麒麟内核模块编译3.2构建多
  • 邻近巷道爆破振动模拟与可视化：计算力学的工程应用 碳酸的唐 动态规划数学建模
    引言隧道爆破施工是现代工程建设中常用的方法，但爆破产生的振动会对周围结构和地质环境产生影响。本文介绍一个基于Python的邻近巷道爆破振动模拟系统，该系统通过数值计算模拟爆破引起的应力波传播过程，并提供多种可视化方式展示振动效应。本研究对于理解爆破振动机理、评估爆破安全距离以及优化爆破参数具有重要意义。理论基础爆破应力波传播模型爆破引起的应力波在岩体中的传播可通过弹性波动理论描述。在均匀介质中，应
  • HTTP 缓存
    介绍HTTP缓存是Web性能优化中至关重要的一个概念。当客户端（如浏览器）向服务器发出请求时，服务器会返回一个响应，这个响应可以被缓存并存储。下次当客户端发出相同请求时，缓存可以直接提供先前存储的响应，而不必再向源服务器发起请求。HTTP缓存减少了重复的网络请求和服务器负载，提高了整体的响应速度。缓存类型私有缓存(PrivateCache)私有缓存是与特定客户端绑定的缓存，由于存储的响应不与其他客
  • 《ARM64 架构迁移实战：在银河麒麟系统部署全栈环境及容器化应用》副标题： 从 MySQL 到 Docker+Nginx 的完整迁移适配指南 2301_82150492 架构mysqldocker
    文章目录(带锚点跳转)环境准备：ARM64+KylinOS特性解析基础组件迁移安装2.1JDK（ARM优化版）2.2MySQL8.0（解决依赖冲突）2.3Redis6（源码编译优化）容器化迁移：Docker部署与镜像适配3.1Docker离线安装（适配麒麟内核）3.2拉取ARM版Nginx镜像3.3容器生命周期管理（启动/监控/删除）数据迁移实战：MySQL到Redis同步策略开发工具迁移：文档转
  • 喜讯 | Navicat 蝉联 2025 年 DBTA 100 强名单 Navicat中国 Navicat17焕新上市navicat数据库
    Navicat在“DBTA1002025-数据领域最重要的公司”榜单中获得表彰。该奖项旨在表彰在数据管理与分析领域的领先创新者。数据库趋势与应用集团出版人TomHogan表示：“企业正寻求扩大人工智能的应用范围，采用新的技术与应用，增加数据分析/商业智能的使用，并对现有应用进行现代化改造”，“每年，《数据库趋势与应用》杂志都会推出DBTA100榜单，旨在表彰具有创新精神、能够为客户带来新产品新体验
  • 【1.5 漫画TiDB分布式数据库】
    漫画TiDB分布式数据库‍小明：“老王，TiDB作为NewSQL数据库，它是如何既保证ACID又实现水平扩展的？”‍♂️架构师老王：“TiDB是PingCAP开发的分布式关系数据库，它将传统数据库的ACID特性与NoSQL的扩展性完美结合！让我们深入了解这个’钛’级数据库！”目录TiDB核心架构分布式事务原理SQL兼容性集群部署管理性能优化Java集成实战最佳实践️TiDB核心架构三层架构设计┌─
  • Midjourney：AI人工智能图像生成的新方向 AI智能探索者 人工智能midjourney计算机视觉ai
    Midjourney：AI人工智能图像生成的新方向关键词：Midjourney、AI图像生成、扩散模型、提示词工程、多模态学习、生成式AI、创意工具摘要：本文将带您走进AI图像生成的前沿领域，以Midjourney为核心，从技术原理到实际应用，用通俗易懂的语言解析其背后的“魔法”。我们将通过生活案例、技术拆解和实战演示，揭示Midjourney如何通过扩散模型、提示词工程和多模态学习，重新定义“用
  • 基于评估方法论评估一个大模型的准确度 尤物程序猿 自动化运维
    评估标准先来说说什么是大模型的一个准确度，指其输出结果与真实值或期望值之间的符合程度，但在不同任务和场景下具体定义和评估方式存在显著差异。要评估一个大模型还得考虑到评估哪些方面呢？以下是大概的几个方向任务类型准确度定义分类任务预测类别与真实标签的一致性生成任务生成内容的真实性/流畅性/相关性问答任务答案的事实正确性和完整性多模态任务跨模态对齐能力（如图文匹配）除了以上几个方面还需要考虑表面匹配：字
  • 【Note】《深入理解Linux内核》 Chapter 15 ：深入理解 Linux 页缓存 CodeWithMe 读书笔记linuxlinux缓存spring
    《深入理解Linux内核》Chapter15：深入理解Linux页缓存关键词：页缓存、address_space、radixtree、page、writeback、dirtypage、mmap、文件系统缓存、文件I/O性能优化、directI/O一、页缓存是什么？为什么重要？1.1定义页缓存（pagecache）是Linux内核用于缓存文件内容的内存区域，避免每次文件读写都访问磁盘。1.2页缓存的
  • Cursor Rules优化实战：构建高效稳定的AI代码生成规范体系｜得物技术 得物技术 人工智能
    一、背景随着AI辅助编程工具的普及，CursorIDE已经成为越来越多开发者的选择。然而，在实际使用过程中，我们发现了一个关键问题：如何让AI真正理解项目需求并生成高质量、一致性的代码？答案在于构建一套系统化的AI协作规范。与传统的代码规范不同，AI协作规范需要考虑更多维度：如何让AI准确理解业务逻辑和技术要求如何确保生成代码的架构一致性和质量标准如何在团队中推广和维护统一的开发模式如何避免规范冲
  • AI原生应用必知：5大高效多轮对话框架对比 AI原生应用开发 AI-nativeeasyui前端ai
    AI原生应用必知：5大高效多轮对话框架对比关键词：AI原生应用、多轮对话、对话框架、自然语言处理、上下文管理、意图识别、对话状态跟踪摘要：本文深入探讨了构建AI原生应用时必备的5大多轮对话框架，包括Rasa、Dialogflow、MicrosoftBotFramework、AmazonLex和IBMWatsonAssistant。通过对比分析它们的架构设计、核心功能和应用场景，帮助开发者选择最适合
  • Golang 与 Kafka 的协同：优化消息处理流程 Golang编程笔记 golangkafkalinqai
    Golang与Kafka的协同：优化消息处理流程关键词：Golang、Kafka、消息队列、并发处理、性能优化、消费者组、异步通信摘要：本文将带你探索如何用Golang的“轻量级并发魔法”与Kafka的“高吞吐量消息引擎”协同工作，优化消息处理流程。我们会从基础概念到实战案例，用“快递站分包裹”“餐厅传菜”等生活场景类比，一步步拆解技术细节，最终掌握如何让这对“黄金组合”高效处理百万级消息。背景介
  • 剖析AI人工智能领域Whisper的性能指标 AI大模型应用实战 人工智能whisperxcodeai
    剖析AI人工智能领域Whisper的性能指标关键词：Whisper、语音识别、性能指标、ASR、AI模型评估、基准测试、语音转文本摘要：本文深入剖析OpenAI开发的Whisper语音识别系统的性能指标。我们将从技术原理、架构设计、性能基准测试等多个维度，全面分析Whisper在不同场景下的表现。文章将详细讲解Whisper的评估方法、关键性能指标解读、实际应用中的性能表现，以及与其他主流语音识别
  • 操作系统NUMA架构下的内存一致性优化 操作系统内核探秘 架构perl开发语言ai
    操作系统NUMA架构下的内存一致性优化关键词：NUMA架构、内存一致性、缓存一致性、多核处理器、性能优化、操作系统调度、内存访问延迟摘要：本文深入探讨了NUMA(Non-UniformMemoryAccess)架构下的内存一致性优化问题。我们将从基础概念出发，逐步分析NUMA架构的特点、内存一致性的挑战，以及操作系统层面的优化策略。通过实际代码示例和性能分析，帮助读者理解如何在高性能计算环境中有效
  • 探索AI人工智能领域多智能体系统的技术原理 AI大模型应用之禅 人工智能网络ai
    探索AI人工智能领域多智能体系统的技术原理关键词：AI人工智能、多智能体系统、技术原理、智能体交互、分布式计算摘要：本文深入探索了AI人工智能领域多智能体系统的技术原理。首先介绍了多智能体系统的背景，包括其目的、预期读者、文档结构和相关术语。接着阐述了多智能体系统的核心概念与联系，通过文本示意图和Mermaid流程图进行清晰展示。详细讲解了核心算法原理，结合Python源代码进行说明，并给出了相关
  • GitHub Actions × AWS 集成终极指南：从零构建安全高效的CI/CD流水线 ivwdcwso 运维与云原生githubaws安全GitHubActionsDevOpsCI/CD
    引言：云原生时代的自动化革命在DevOps实践中，GitHubActions与AWS的深度集成已成为现代应用交付的黄金标准。这种组合让开发者能够：✅实现端到端自动化：从代码提交到生产部署的全流程自动化内置企业级安全：通过OIDC消除密钥泄露风险优化资源成本：按执行分钟计费，无闲置资源浪费加速迭代速度：将部署时间从小时级缩短至分钟级本文将全面解析最佳实践、安全策略和高级技巧，助您构建工业级CI/CD
  • 【V18.0 - 飞升篇】我把“大模型”装进电脑后，我的AI学会了改稿！——本地部署LLM终极保姆级教程 爱分享的飘哥 人工智能语言模型pythonLLMai
    在过去的十几篇文章中，我们已经将我们的AI打造成了一个顶级的“分析师”。它能看、能听、能读，能预测多维度的价值指标，甚至能用SHAP解释自己的决策。它很强大，但它的能力，始终停留在“分析”和“诊断”的层面。它能告诉我“你的开头不行”，但无法告诉我“一个好的开头应该怎么写”。这就像我的副驾驶是一位顶级的F1数据分析师，他能告诉我每个弯道的最佳速度和刹车点，但他自己并不会开车。我需要一次终极的升级，我
  • Ubuntu20.04切换源 dongdundun ubuntulinux运维
    一、ubuntu20.04系统重装二、工具安装1.更换Ubuntu源更换conda源更换pip源2.安装QQqq闪退卸载安装wine版QQ3.安装搜狗输入法及中文设置安装搜狗输入法中文设置4.安装vim5.安装google6.安装VsCode7.安装python3的opencv8.安装向日葵向日葵闪退9.ubuntu下识别不到U盘10.安装Typora11.安装百度网盘12.安装ceres库（优化
  • 零信任的两大关键技术：内容识别和行为分析 天空卫士 网络数据安全网络安全
    零信任（ZeroTrust）安全对传统边界安全架构进行了重新评估和审视，并对安全架构思路给出了新的建议。零信任模型的核心零信任的意思是：从不信任，始终验证。其核心思想是，默认情况下不应该信任网络内部和外部的任何人/设备/系统，需要基于认证和授权重新构建访问控制的信任基础。如IP地址、主机、地理位置、所处网络等均不能作为可信的凭证。通过零信任，可以防止恶意用户访问企业内部的私有资源、防止数据泄露以及
  • Python 领域 Conda 的集群环境部署经验
    Python领域Conda的集群环境部署经验关键词：Conda、Python环境管理、集群部署、环境复制、依赖管理、虚拟环境、Anaconda摘要：本文深入探讨了在集群环境中使用Conda进行Python环境部署的最佳实践。我们将从Conda的核心概念出发，详细讲解环境创建、依赖管理、环境复制和集群部署的全流程。文章包含实际案例、性能优化技巧和常见问题解决方案，旨在帮助读者掌握高效、可靠的Pyth
  • 【AIDD药物研发】张载熙-生成式AI4药物发现 静静喜欢大白 医疗影像人工智能AIDD药物研究药物生成生成
    目录1、简介2、生成式AI用于基于结构式的药物发现背景生成用于靶标结合的类药小分子功能性蛋白质的生成与优化其他新的药物形式及生物安全/安全性小结3、参考4、补充学习资料1、简介最近需要简单了解喜爱AIDD流程以及相关进展调研，看到zaixizhang正在做相关研究，进行下面的学习记录张载熙中国科学技术大学计算机科学与技术学院2021级博士生（导师刘淇教授），认知智能全国重点实验成员，本科毕业于中国
  • Java序列化进阶篇 g21121 java序列化
            1.transient         类一旦实现了Serializable 接口即被声明为可序列化，然而某些情况下并不是所有的属性都需要序列化，想要人为的去阻止这些属性被序列化，就需要用到transient 关键字。
  • escape()、encodeURI()、encodeURIComponent()区别详解 aigo JavaScriptWeb
    原文：http://blog.sina.com.cn/s/blog_4586764e0101khi0.html   JavaScript中有三个可以对字符串编码的函数，分别是： escape,encodeURI,encodeURIComponent，相应3个解码函数：,decodeURI,decodeURIComponent 。 下面简单介绍一下它们的区别 1 escape()函
  • ArcgisEngine实现对地图的放大、缩小和平移 Cb123456 添加矢量数据对地图的放大、缩小和平移Engine
    ArcgisEngine实现对地图的放大、缩小和平移:  个人觉得是平移，不过网上的都是漫游，通俗的说就是把一个地图对象从一边拉到另一边而已。就看人说话吧.  具体实现: 一、引入命名空间    using ESRI.ArcGIS.Geometry;    using ESRI.ArcGIS.Controls; 二、代码实现.
  • Java集合框架概述 天子之骄 Java集合框架概述
       集合框架 集合框架可以理解为一个容器，该容器主要指映射(map)、集合(set)、数组(array)和列表(list)等抽象数据结构。 从本质上来说，Java集合框架的主要组成是用来操作对象的接口。不同接口描述不同的数据类型。   简单介绍：   Collection接口是最基本的接口，它定义了List和Set，List又定义了LinkLi
  • 旗正4.0页面跳转传值问题 何必如此 javajsp
    跳转和成功提示 a)        成功字段非空forward 成功字段非空forward，不会弹出成功字段，为jsp转发，页面能超链接传值,传输变量时需要拼接。接拼接方式list.jsp?test="+strweightUnit+"或list.jsp?test="+weightUnit+&qu
  • 全网唯一:移动互联网服务器端开发课程 cocos2d-x小菜 web开发移动开发移动端开发移动互联程序员
        移动互联网时代来了！     App市场爆发式增长为Web开发程序员带来新一轮机遇，近两年新增创业者，几乎全部选择了移动互联网项目！传统互联网企业中超过98%的门户网站已经或者正在从单一的网站入口转向PC、手机、Pad、智能电视等多端全平台兼容体系。据统计，AppStore中超过85%的App项目都选择了PHP作为后端程
  • Log4J通用配置|注意问题 笔记 7454103 DAOapachetomcatlog4jWeb
    关于日志的等级 那些去 百度就知道了！ 这几天 要搭个新框架  配置了 日志 记下来 ！做个备忘！ #这里定义能显示到的最低级别,若定义到INFO级别,则看不到DEBUG级别的信息了~! log4j.rootLogger=INFO,allLog # DAO层 log记录到dao.log 控制台 和 总日志文件 log4j.logger.DAO=INFO,dao,C
  • SQLServer TCP/IP 连接失败问题 ---SQL Server Configuration Manager darkranger sqlcwindowsSQL ServerXP
    当你安装完之后,连接数据库的时候可能会发现你的TCP/IP 没有启动.. 发现需要启动客户端协议 : TCP/IP  需要打开 SQL Server Configuration Manager... 却发现无法打开 SQL Server Configuration Manager..?? 解决方法:  C:\WINDOWS\system32目录搜索framedyn.
  • [置顶] 做有中国特色的程序员 aijuans 程序员
    从出版业说起 网络作品排到靠前的，都不会太难看，一般人不爱看某部作品也是因为不喜欢这个类型，而此人也不会全不喜欢这些网络作品。究其原因，是因为网络作品都是让人先白看的，看的好了才出了头。而纸质作品就不一定了，排行榜靠前的，有好作品，也有垃圾。 许多大牛都是写了博客，后来出了书。这些书也都不次，可能有人让为不好，是因为技术书不像小说，小说在读故事，技术书是在学知识或温习知识，有些技术书读得可
  • document.domain 跨域问题 avords document
    document.domain用来得到当前网页的域名。比如在地址栏里输入：javascript:alert(document.domain); //www.315ta.com我们也可以给document.domain属性赋值，不过是有限制的，你只能赋成当前的域名或者基础域名。比如：javascript:alert(document.domain = "315ta.com");
  • 关于管理软件的一些思考 houxinyou 管理
    工作好多看年了,一直在做管理软件,不知道是我最开始做的时候产生了一些惯性的思维,还是现在接触的管理软件水平有所下降.换过好多年公司,越来越感觉现在的管理软件做的越来越乱. 在我看来,管理软件不论是以前的结构化编程,还是现在的面向对象编程,不管是CS模式,还是BS模式.模块的划分是很重要的.当然,模块的划分有很多种方式.我只是以我自己的划分方式来说一下. 做为管理软件,就像现在讲究MVC这
  • NoSQL数据库之Redis数据库管理(String类型和hash类型) bijian1013 redis数据库NoSQL
    一.Redis的数据类型 1.String类型及操作         String是最简单的类型，一个key对应一个value，string类型是二进制安全的。Redis的string可以包含任何数据，比如jpg图片或者序列化的对象。         Set方法：设置key对应的值为string类型的value
  • Tomcat 一些技巧 征客丶 javatomcatdos
    以下操作都是在windows 环境下 一、Tomcat 启动时配置 JAVA_HOME 在 tomcat 安装目录，bin 文件夹下的 catalina.bat 或 setclasspath.bat 中添加 set JAVA_HOME=JAVA 安装目录 set JRE_HOME=JAVA 安装目录/jre 即可； 二、查看Tomcat 版本 在 tomcat 安装目
  • 【Spark七十二】Spark的日志配置 bit1129 spark
    在测试Spark Streaming时，大量的日志显示到控制台，影响了Spark Streaming程序代码的输出结果的查看(代码中通过println将输出打印到控制台上)，可以通过修改Spark的日志配置的方式，不让Spark Streaming把它的日志显示在console   在Spark的conf目录下，把log4j.properties.template修改为log4j.p
  • Haskell版冒泡排序 bookjovi 冒泡排序haskell
    面试的时候问的比较多的算法题要么是binary search，要么是冒泡排序，真的不想用写C写冒泡排序了，贴上个Haskell版的，思维简单，代码简单，下次谁要是再要我用C写冒泡排序，直接上个haskell版的，让他自己去理解吧。     sort [] = [] sort [x] = [x] sort (x:x1:xs) | x>x1 = x1:so
  • java 路径 配置文件读取 bro_feng java
    这几天做一个项目，关于路径做如下笔记，有需要供参考。 取工程内的文件，一般都要用相对路径，这个自然不用多说。 在src统计目录建配置文件目录res,在res中放入配置文件。 读取文件使用方式： 1. MyTest.class.getResourceAsStream("/res/xx.properties") 2. properties.load(MyTest.
  • 读《研磨设计模式》-代码笔记-简单工厂模式 bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ package design.pattern; /* * 个人理解：简单工厂模式就是IOC; * 客户端要用到某一对象，本来是由客户创建的，现在改成由工厂创建，客户直接取就好了 */ interface IProduct {
  • SVN与JIRA的关联 chenyu19891124 SVN
    SVN与JIRA的关联一直都没能装成功，今天凝聚心思花了一天时间整合好了。下面是自己整理的步骤： 一、搭建好SVN环境，尤其是要把SVN的服务注册成系统服务 二、装好JIRA，自己用是jira-4.3.4破解版 三、下载SVN与JIRA的插件并解压，然后拷贝插件包下lib包里的三个jar，放到Atlassian\JIRA 4.3.4\atlassian-jira\WEB-INF\lib下，再
  • JWFDv0.96 最新设计思路 comsci 数据结构算法工作企业应用公告
                       随着工作流技术的发展，工作流产品的应用范围也不断的在扩展，开始进入了像金融行业(我已经看到国有四大商业银行的工作流产品招标公告了)，实时生产控制和其它比较重要的工程领域，而
  • vi 保存复制内容格式粘贴 daizj vi粘贴复制保存原格式不变形
        vi是linux中非常好用的文本编辑工具，功能强大无比，但对于复制带有缩进格式的内容时，粘贴的时候内容错位很严重，不会按照复制时的格式排版，vi能不能在粘贴时，按复制进的格式进行粘贴呢？ 答案是肯定的，vi有一个很强大的命令可以实现此功能 。     在命令模式输入:set paste，则进入paste模式，这样再进行粘贴时
  • shell脚本运行时报错误：/bin/bash^M: bad interpreter 的解决办法 dongwei_6688 shell脚本
    出现原因：windows上写的脚本，直接拷贝到linux系统上运行由于格式不兼容导致 解决办法： 1. 比如文件名为myshell.sh，vim myshell.sh 2. 执行vim中的命令 : set ff?查看文件格式，如果显示fileformat=dos，证明文件格式有问题 3. 执行vim中的命令 :set fileformat=unix 将文件格式改过来就可以了，然后:w
  • 高一上学期难记忆单词 dcj3sjt126com wordenglish
    honest 诚实的；正直的 argue 争论 classical 古典的 hammer 锤子 share  分享；共有 sorrow 悲哀；悲痛 adventure 冒险 error 错误；差错 closet 壁橱；储藏室 pronounce 发音；宣告 repeat 重做；重复 majority 大多数；大半   native 本国的，本地的，本国
  • hibernate查询返回DTO对象，DTO封装了多个pojo对象的属性 frankco POJOhibernate查询DTO
          DTO-数据传输对象；pojo-最纯粹的java对象与数据库中的表一一对应。       简单讲：DTO起到业务数据的传递作用，pojo则与持久层数据库打交道。         有时候我们需要查询返回DTO对象，因为DTO
  • Partition List hcx2013 partition
    Given a linked list and a value x, partition it such that all nodes less than x come before nodes greater than or equal to x. You should preserve the original relative order of th
  • Spring MVC测试框架详解——客户端测试 jinnianshilongnian
    上一篇《Spring MVC测试框架详解——服务端测试》已经介绍了服务端测试，接下来再看看如果测试Rest客户端，对于客户端测试以前经常使用的方法是启动一个内嵌的jetty/tomcat容器，然后发送真实的请求到相应的控制器；这种方式的缺点就是速度慢；自Spring 3.2开始提供了对RestTemplate的模拟服务器测试方式，也就是说使用RestTemplate测试时无须启动服务器，而是模拟一
  • 关于推荐个人观点 liyonghui160com 推荐系统关于推荐个人观点
        回想起来，我也做推荐了3年多了，最近公司做了调整招聘了很多算法工程师，以为需要多么高大上的算法才能搭建起来的，从实践中走过来，我只想说【不是这样的】     第一次接触推荐系统是在四年前入职的时候，那时候，机器学习和大数据都是没有的概念，什么大数据处理开源软件根本不存在，我们用多台计算机web程序记录用户行为，用.net的w
  • 不间断旋转的动画 pangyulei 动画
    CABasicAnimation* rotationAnimation; rotationAnimation = [CABasicAnimation animationWithKeyPath:@"transform.rotation.z"]; rotationAnimation.toValue = [NSNumber numberWithFloat: M
  • 自定义annotation sha1064616837 javaenumannotationreflect
    对象有的属性在页面上可编辑，有的属性在页面只可读，以前都是我们在页面上写死的，时间一久有时候会混乱，此处通过自定义annotation在类属性中定义。越来越发现Java的Annotation真心很强大，可以帮我们省去很多代码，让代码看上去简洁。 下面这个例子 主要用到了 1.自定义annotation：@interface，以及几个配合着自定义注解使用的几个注解 2.简单的反射 3.枚举
  • Spring 源码 up2pu spring
    1.Spring源代码 https://github.com/SpringSource/spring-framework/branches/3.2.x 注：兼容svn检出 2.运行脚本 import-into-eclipse.bat 注：需要设置JAVA_HOME为jdk 1.7 build.gradle compileJava { sourceCompatibilit
  • 利用word分词来计算文本相似度 yangshangchuan wordword分词文本相似度余弦相似度简单共有词
    word分词提供了多种文本相似度计算方式： 方式一：余弦相似度，通过计算两个向量的夹角余弦值来评估他们的相似度 实现类：org.apdplat.word.analysis.CosineTextSimilarity 用法如下： String text1 = "我爱购物"; String text2 = "我爱读书"; String text3 =
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他