Matlab实现灰色预测GM(1,1)模型:小样本数据预测实战

求最大值及其下标 SDUT 求最大值及其下标 本题要求编写程序,找出给定的n个数中的最大值及其对应的最小下标(下标从0开始)。 输入格式: 输入在第一行中给出一个正整数n(1<n≤10)。第二行输入n个整数,用空格分开。 输出格式: 在一行中输出最大值及最大值的最小下标,中间用一个空格分开。 输入样例: 6 2 8 10 1 9 10 输出样例: 10 2 #include <stdio.h> #inc... 阅读详情

1. 项目概述:从“黑箱”到“灰箱”的预测艺术

在数据分析与预测的世界里,我们常常面临一个困境:手头的数据量少得可怜,信息残缺不全,传统的统计模型(比如多元回归、时间序列ARIMA)因为对数据分布、样本量有严格要求,往往直接“罢工”。这时候,一个听起来有点“玄学”但实则非常“硬核”的模型就登场了——灰色预测模型。它不要求数据服从典型的概率分布,不苛求大样本,甚至能处理信息部分已知、部分未知的“灰色”系统。我第一次接触它是在一个供应链需求预测项目里,历史销售数据只有寥寥十几条,还夹杂着各种突发干扰,用常规方法预测结果惨不忍睹。抱着试试看的心态用了灰色预测,结果出人意料地贴合了后续几个月的趋势,从此它就成了我应对“小样本、贫信息”预测问题的秘密武器。今天,我们就来彻底拆解这个模型,并用Matlab这把“瑞士军刀”把它从理论变成一行行可运行的代码,让你也能快速上手,解决那些看似无解的数据预测难题。

简单来说,灰色预测模型的核心思想是“生成”与“还原”。它认为,尽管原始数据序列可能杂乱无章、没有明显的规律,但通过一次累加生成操作,就能弱化其随机性,挖掘出潜在的指数增长趋势。然后,对这个生成后的“干净”序列建立微分方程模型(即GM(1,1)模型,最常用的一种),预测其未来值,最后再通过累减还原,得到原始序列的预测值。整个过程,就像给模糊的毛玻璃(原始数据)做了一次“积分”抛光,使其下的图案(趋势)清晰可见,我们描摹图案后,再通过“微分”操作还原回毛玻璃本身未来的样子。它特别适合用于短期、趋势性的预测,比如年度用电量、商品月度销量、传染病初期病例数等。

2. 灰色预测模型的核心原理与数学骨架

要玩转一个模型,死记硬背公式不如理解其内在逻辑。灰色预测GM(1,1)模型虽然公式看起来有点复杂,但一步步拆解下来,你会发现它的设计非常巧妙。

2.1 为什么是“灰色”?系统论的视角

在控制论和系统科学里,我们根据信息的明确程度,把系统分为三类:

  • 白色系统 :信息完全明确。比如一个已知所有参数和结构的电路,其输出输入关系完全清楚。
  • 黑色系统 :信息完全未知。就像一个完全密封的黑箱,只知道输入输出,内部机理一无所知。
  • 灰色系统 :信息部分明确、部分未知。这才是现实世界的常态。我们知道一些影响因素,但无法穷尽所有;我们有部分历史数据,但不足以描绘全貌。灰色预测模型就是专门为这类系统设计的。

2.2 GM(1,1)模型建模五步法

我们以一个简单的序列为例,假设我们有某产品过去5个月的销售额(单位:万元): X⁽⁰⁾ = [2.874, 3.278, 3.337, 3.390, 3.679] 。这里的上标(0)表示原始序列。

第一步:数据检验与预处理 在建模前,必须检查序列的级比。级比 λ(k) = x⁽⁰⁾(k-1) / x⁽⁰⁾(k),其中k=2,3,...,n。所有级比必须落在可容覆盖区间 (e^(-2/(n+1)), e^(2/(n+1))) 内,模型才有意义。对于n=5,这个区间大约是(0.7165, 1.3956)。计算我们的数据级比:3.278/2.874≈1.140, 3.337/3.278≈1.018, 3.390/3.337≈1.016, 3.679/3.390≈1.085,全部落在区间内,说明数据适合建立GM(1,1)模型。如果有个别点超出,可能需要进行平移或删除等预处理。

第二步:一次累加生成(1-AGO) 这是灰色预测的“灵魂操作”。累加生成序列 X⁽¹⁾ ,其中 x⁽¹⁾(k) = Σ_{i=1}^k x⁽⁰⁾(i) 。 计算得到: X⁽¹⁾ = [2.874, 2.874+3.278=6.152, 6.152+3.337=9.489, 9.489+3.390=12.879, 12.879+3.679=16.558] 累加后的序列 X⁽¹⁾ 会呈现出明显的增长趋势,随机波动被大大平滑,更接近指数规律。你可以把它想象成把每个月新增的销售额不断累加起来,得到的是截至当月的总销售额,这个总量曲线自然比月度数据平滑得多。

第三步:构建灰微分方程与白化方程 GM(1,1)模型的基本形式是灰微分方程: x⁽⁰⁾(k) + a*z⁽¹⁾(k) = b 。 这里:

  • x⁽⁰⁾(k) 是原始序列的第k个值。
  • z⁽¹⁾(k) 是背景值,通常取为紧邻均生成数,即 z⁽¹⁾(k) = 0.5 * [x⁽¹⁾(k) + x⁽¹⁾(k-1)] 。例如, z⁽¹⁾(2) = 0.5*(6.152+2.874)=4.513 。
  • a 称为发展系数,反映序列 X⁽¹⁾ 的增长速度。
  • b 称为灰色作用量,可以理解为内生驱动项。

这个方程对应的白化方程(即连续的微分方程)为: dx⁽¹⁾/dt + a*x⁽¹⁾ = b 。我们的目标就是求解参数 a 和 b 。

第四步:参数估计(最小二乘法) 将灰微分方程 x⁽⁰⁾(k) = -a*z⁽¹⁾(k) + b 看作一个线性方程。令 Y = [x⁽⁰⁾(2), x⁽⁰⁾(3), ..., x⁽⁰⁾(n)]^T , B = [[-z⁽¹⁾(2), 1]; [-z⁽¹⁾(3), 1]; ...; [-z⁽¹⁾(n), 1]] , U = [a; b] 。 则方程组简化为 Y = B * U 。利用最小二乘法,求得参数向量的估计值为: U_hat = [a; b] = (B^T * B)^(-1) * B^T * Y 。 这是我们整个模型计算的核心。代入我们的数据:

Y = [3.278; 3.337; 3.390; 3.679]
B = [[-4.513, 1]; [-7.820, 1]; [-11.184, 1]; [-14.719, 1]]

通过计算(后面用Matlab实现),我们可以得到 a 和 b 的估计值。

第五步:模型求解与预测 解出参数后,白化方程 dx⁽¹⁾/dt + a*x⁽¹⁾ = b 的解(时间响应函数)为: x̂⁽¹⁾(t) = [x⁽⁰⁾(1) - b/a] * e^(-a*(t-1)) + b/a 将离散时间点k代入,得到累加序列的预测值: x̂⁽¹⁾(k+1) = [x⁽⁰⁾(1) - b/a] * e^(-a*k) + b/a , 其中 k=0,1,2,...

第六步:累减还原(I-AGO)得到最终预测 将累加预测值还原为原始序列的预测值: x̂⁽⁰⁾(k+1) = x̂⁽¹⁾(k+1) - x̂⁽¹⁾(k) , 其中定义 x̂⁽¹⁾(0)=0 。 特别地, x̂⁽⁰⁾(1) = x⁽⁰⁾(1) 。

注意 :很多初学者在这里会混淆 k 的取值。在预测公式 x̂⁽¹⁾(k+1) 中, k 代表的是从起始点开始经过的“步数”。 k=0 对应第一个原始数据点 x⁽⁰⁾(1) 的时刻,其累加值就是它本身。 k=1 对应第二个原始数据点的预测时刻,以此类推。建模时,我们用 k=0,1,...,n-1 来拟合已知数据,用 k=n, n+1, ... 来进行未来预测。

3. Matlab实战:从零手写GM(1,1)预测函数

理解了数学原理,用Matlab实现就是水到渠成。我们不依赖模糊的第三方工具箱,而是自己动手,从零构建一个健壮、可复用的GM(1,1)预测函数。这将让你对每一个计算环节都了如指掌。

3.1 函数设计与框架

首先,我们规划函数的功能:输入原始数据序列和需要预测的步数,输出预测值、模型参数、以及拟合效果评价指标。

function [predict, a, b, relative_errors, C, P] = my_gm11(x0, predict_step)
% MY_GM11 自定义GM(1,1)灰色预测模型
%   输入:
%       x0: 原始数据行向量,例如 [2.874, 3.278, 3.337, 3.390, 3.679]
%       predict_step: 需要向后预测的步数
%   输出:
%       predict: 预测值(包括历史拟合值和未来预测值),长度 length(x0)+predict_step
%       a: 发展系数
%       b: 灰色作用量
%       relative_errors: 历史数据拟合相对误差百分比向量
%       C: 后验差比值
%       P: 小误差概率

    n = length(x0);
    % 1. 数据级比检验
    lambda = x0(1:end-1) ./ x0(2:end); % 注意这里是前/后
    range = exp([-2/(n+1), 2/(n+1)]);
    if any(lambda < range(1)) || any(lambda > range(2))
        warning('部分级比未落在可容覆盖区间内,模型精度可能受限。');
        % 在实际应用中,这里可以添加数据平移处理代码
    end

    % 2. 一次累加生成(1-AGO)
    x1 = cumsum(x0);

    % 3. 计算背景值z1 (紧邻均值生成)
    z1 = (x1(1:end-1) + x1(2:end)) / 2;

    % 4. 构造矩阵B和Y,利用最小二乘法求解参数a, b
    Y = x0(2:end)';
    B = [-z1', ones(n-1, 1)];
    U = (B' * B) \ (B' * Y); % 等价于 pinv(B)*Y,更稳定
    a = U(1);
    b = U(2);

    % 5. 计算累加序列的拟合值 x1_fit
    % 时间响应函数: x1_fit(k+1) = (x0(1)-b/a)*exp(-a*k) + b/a
    k = 0:(n-1+predict_step); % 覆盖历史拟合和未来预测
    x1_fit = (x0(1) - b/a) * exp(-a * k) + b/a;

    % 6. 累减还原,得到原始序列的拟合/预测值 x0_fit
    x0_fit = zeros(1, length(k));
    x0_fit(1) = x0(1); % 第一个值就是原始值
    for i = 2:length(x0_fit)
        x0_fit(i) = x1_fit(i) - x1_fit(i-1); % I-AGO
    end
    predict = x0_fit;

    % 7. 计算历史拟合误差和模型评价指标
    % 历史拟合部分
    fitted_historical = x0_fit(1:n);
    absolute_errors = x0 - fitted_historical;
    relative_errors = abs(absolute_errors) ./ x0 * 100; % 相对误差百分比

    % 计算后验差比值C和小误差概率P
    S1 = std(x0); % 原始序列标准差
    residual = absolute_errors;
    avg_residual = mean(residual);
    S2 = std(residual); % 残差标准差
    C = S2 / S1; % 后验差比值

    % 计算小误差概率
    delta = abs(residual - avg_residual);
    P = sum(delta < 0.6745 * S1) / n; % 0.6745是常用系数

end

这个函数已经包含了完整的建模、预测和初步评估流程。接下来,我们用一个脚本调用它,并可视化结果。

3.2 完整脚本示例与结果可视化

我们使用之前的销售额数据,预测未来2个月的销售额。

% 清空环境
clear; clc; close all;

% 1. 输入原始数据
x0 = [2.874, 3.278, 3.337, 3.390, 3.679];
predict_step = 2; % 预测未来2期

% 2. 调用自定义灰色预测函数
[predict, a, b, relative_errors, C, P] = my_gm11(x0, predict_step);

% 3. 输出结果
fprintf('发展系数 a = %.6f\n', a);
fprintf('灰色作用量 b = %.6f\n', b);
fprintf('\n历史数据拟合情况:\n');
for i = 1:length(x0)
    fprintf('  第%d期: 实际值=%.3f, 拟合值=%.3f, 相对误差=%.2f%%\n', ...
            i, x0(i), predict(i), relative_errors(i));
end
fprintf('\n未来%d期预测值:\n', predict_step);
for i = 1:predict_step
    fprintf('  第%d期: %.3f\n', length(x0)+i, predict(length(x0)+i));
end

% 4. 模型精度评价
fprintf('\n========== 模型精度评价 ==========\n');
fprintf('后验差比值 C = %.4f\n', C);
fprintf('小误差概率 P = %.4f\n', P);
% 根据常用评价标准判断
if (C < 0.35 && P > 0.95)
    grade = '优秀 (Good)';
elseif (C < 0.5 && P > 0.8)
    grade = '合格 (Qualified)';
elseif (C < 0.65 && P > 0.7)
    grade = '勉强合格 (Barely Qualified)';
else
    grade = '不合格 (Unqualified)';
end
fprintf('模型精度等级: %s\n', grade);

% 5. 绘制对比图
figure('Position', [100, 100, 900, 500]);
subplot(1,2,1);
k_historical = 1:length(x0);
k_predict = (length(x0)+1):(length(x0)+predict_step);
plot(k_historical, x0, 'bo-', 'LineWidth', 1.5, 'MarkerSize', 8, 'DisplayName', '实际值');
hold on;
plot(k_historical, predict(1:length(x0)), 'rs--', 'LineWidth', 1.5, 'MarkerSize', 8, 'DisplayName', '拟合值');
plot(k_predict, predict(length(x0)+1:end), 'r^--', 'LineWidth', 1.5, 'MarkerSize', 10, 'DisplayName', '预测值');
xlabel('期数');
ylabel('销售额 (万元)');
title('GM(1,1)模型拟合与预测结果');
legend('Location', 'best');
grid on;

subplot(1,2,2);
bar(k_historical, relative_errors);
xlabel('期数');
ylabel('相对误差 (%)');
title('历史数据拟合相对误差');
grid on;
ylim([0, max(relative_errors)*1.2]);
for i = 1:length(relative_errors)
    text(k_historical(i), relative_errors(i)+0.1, sprintf('%.2f%%', relative_errors(i)), ...
        'HorizontalAlignment', 'center', 'FontSize', 9);
end

sgtitle(['灰色预测模型GM(1,1)分析 (a=', num2str(a, '%.4f'), ', b=', num2str(b, '%.4f'), ')']);

运行这段代码,你将在命令窗口看到详细的数值结果,并弹出一张包含拟合预测曲线和误差柱状图的专业图表。通过 C 和 P 值,你可以定量判断这个模型对于当前数据是否可靠。

实操心得 :在Matlab中,矩阵运算 (B' * B) \ (B' * Y) 是求解最小二乘参数的核心。我强烈建议使用反斜杠运算符 \ 或 pinv(B)*Y ,而不是直接计算 inv(B'*B)*B'*Y ,因为前者在数值计算上更稳定,特别是当 B 接近病态矩阵时。这是从无数次的“NaN”或“Inf”报错中总结出的经验。

4. 模型检验、优化与高级话题

一个模型建好了,预测值也出来了,但事情远没有结束。模型靠谱吗?除了看预测值,我们还需要一套系统的检验方法。灰色预测有一套独特的“后验差检验”方法,我们在函数里已经计算了 C 和 P 。

4.1 精度检验详解

  • 相对误差检验 :最直观。我们函数输出的 relative_errors 就是。通常要求平均相对误差小于某个阈值(如5%或10%),具体看应用场景的容忍度。
  • 后验差检验 :这是灰色模型的特色检验。
    • 后验差比值 C : C = S2 / S1 。 S1 是原始序列标准差,代表原始数据的波动幅度; S2 是残差标准差,代表模型预测的波动幅度。 C 越小,说明预测误差的波动相对于原始数据波动越小,模型越好。一般 C < 0.35 为优, 0.35 <= C < 0.5 为合格, 0.5 <= C < 0.65 为勉强合格, C >= 0.65 为不合格。
    • 小误差概率 P : P = p{ |e(k)-ē| < 0.6745*S1 } 。它衡量的是残差与残差均值的偏差落在指定范围内的概率。 P 越大越好,通常 P > 0.95 为优, > 0.8 为合格。

这两个指标结合,就形成了我们代码中的四档评价标准。它们从不同角度衡量了模型的拟合精度和稳定性。

4.2 模型不理想怎么办?常见优化策略

如果你的模型检验不合格(C值过大或P值过小),或者预测结果明显不合理,别急着放弃。可以尝试以下优化策略:

  1. 数据预处理 :

    • 平移变换 :如果原始数据有负数或零,GM(1,1)可能失效(因为级比计算和指数函数对正数友好)。可以对所有数据加上一个常数 c ,使其全部为正,建模预测后再减去 c 。这个常数 c 的选取有技巧,一般取 |min(x0)| + 1 或通过试错确定。
    • 对数变换或方根变换 :如果数据波动剧烈,可以先进行平滑变换,弱化极端值的影响,建模后再反变换回来。
  2. 背景值构造优化 : 标准GM(1,1)使用紧邻均值 z⁽¹⁾(k)=0.5*(x⁽¹⁾(k)+x⁽¹⁾(k-1)) 。研究表明,这并非最优。可以引入权重系数 α ,构造 z⁽¹⁾(k)=α*x⁽¹⁾(k) + (1-α)*x⁽¹⁾(k-1) ,并通过智能算法(如粒子群、遗传算法)优化 α 值,以最小化预测误差。这被称为优化背景值的GM(1,1)模型。

  3. 残差修正 : 如果原始GM(1,1)模型的残差序列 e⁽⁰⁾ = x⁽⁰⁾ - x̂⁽⁰⁾ 本身具有一定的规律性(可通过级比检验判断),可以对残差序列再建立一个GM(1,1)模型,用这个残差模型的预测值去修正原始模型的预测值。这能有效提高精度,尤其是当原始序列存在波动时。

  4. 使用其他灰色模型 : GM(1,1)是基础。对于更复杂的序列,可以考虑:

    • DGM(1,1)模型 :离散灰色模型,直接针对离散序列建模,有时精度更高。
    • GM(1,N)模型 :考虑1个主行为序列和N个相关因素序列的多元灰色模型,适用于有外部驱动因素的情况。
    • Verhulst模型 :适用于具有饱和状态(S型曲线)的序列预测,如人口增长、产品生命周期等。

4.3 在Matlab中集成优化与残差修正

下面我们演示一个简单的“残差修正GM(1,1)”的实现思路:

function [predict_final] = gm11_residual_correction(x0, predict_step)
% 带残差修正的GM(1,1)模型
    % 第一步:建立原始GM(1,1)模型
    [predict0, a0, b0, ~, ~, ~] = my_gm11(x0, predict_step);
    fitted0 = predict0(1:length(x0)); % 原始模型的历史拟合值
    residual0 = x0 - fitted0; % 计算残差序列

    % 第二步:检验残差序列是否适合建模(这里简单判断其级比)
    lambda_res = residual0(1:end-1) ./ residual0(2:end);
    n_res = length(residual0);
    range_res = exp([-2/(n_res+1), 2/(n_res+1)]);
    suitable_for_modeling = all(lambda_res >= range_res(1)) && all(lambda_res <= range_res(2));

    if suitable_for_modeling && abs(mean(residual0)) > 0.01*mean(abs(x0))
        % 如果残差序列级比可容且均值不为零(有一定信息量),则对其建模
        % 注意:残差可能包含正负,需要先平移
        c = abs(min(residual0)) + 0.1; % 平移常数,确保全为正
        residual_positive = residual0 + c;
        % 对平移后的正残差建立GM(1,1)模型,预测未来残差
        [predict_res, ~, ~] = my_gm11(residual_positive, predict_step);
        fitted_res = predict_res(1:length(residual_positive));
        future_res = predict_res(length(residual_positive)+1:end) - c; % 预测的未来残差,记得减回c

        % 第三步:修正原始预测值
        predict_final = predict0;
        predict_final(1:length(x0)) = fitted0 + (fitted_res - c); % 修正历史拟合值
        predict_final(length(x0)+1:end) = predict0(length(x0)+1:end) + future_res; % 修正未来预测值
    else
        % 如果残差不适合建模,则返回原始预测结果
        fprintf('残差序列不适合建立GM(1,1)模型,返回原始预测结果。\n');
        predict_final = predict0;
    end
end

这个函数展示了如何将残差序列也纳入建模框架。在实际应用中,优化背景值系数 α 通常能带来更稳定的提升,但需要结合优化算法,这里不展开。

5. 灰色预测的典型应用场景与局限

经过前面的理论推导和Matlab实战,你应该已经掌握了灰色预测的基本功。最后,我们来聊聊它的用武之地和边界在哪里,这能帮助你在实际项目中做出正确的选择。

5.1 哪些场景特别适合用灰色预测?

  1. 数据稀缺的场景 :这是灰色预测最大的优势。当你只有4、5个到十几个数据点时,很多统计模型根本无法启动,而灰色预测却能给出一个趋势性的参考。比如新产品上市初期的销量预估、某个新政策实施后头几个月的效果评估。

  2. 趋势外推预测 :适用于呈现明显增长或衰减趋势的短期预测(通常预测步数不超过序列长度的1/2)。例如:

    • 能源领域 :年度电力负荷预测、城市燃气用量预测。
    • 经济领域 :季度GDP增速预测、区域财政收入预测。
    • 工业领域 :设备故障率预测、原材料消耗预测。
    • 环境领域 :城市空气质量指数(AQI)短期预测、河流污染物浓度预测。
  3. 作为组合预测的组成部分 :在复杂的预测系统中,单一模型往往有偏。可以将灰色预测的结果与线性回归、指数平滑甚至机器学习模型的预测结果进行加权组合,利用其在小样本趋势捕捉上的优势,提升整体预测的鲁棒性。

5.2 灰色预测的局限性及注意事项

没有任何一个模型是万能的,灰色预测的局限性同样明显,使用时必须心中有数:

  1. 仅适用于指数趋势序列 :GM(1,1)模型的解是指数形式,因此它本质上最适合拟合和预测呈指数规律变化的数据。对于周期性波动、随机波动占主导或趋势发生转折的序列,其预测效果会很差,甚至完全错误。 在建模前,务必绘制序列散点图,观察其大致趋势。

  2. 短期预测有效,长期预测慎用 :灰色模型对近期数据的拟合较好,但随着预测步长的增加,误差会呈指数级放大。通常建议预测期不超过原始序列长度。千万不要用它去做长达数十期的“远景规划”。

  3. 对异常值敏感 :由于模型基于累加生成,一个异常的“跳点”数据会被累积到后续所有数据中,严重影响背景值和参数估计。 建模前进行数据清洗,识别并处理异常值至关重要。

  4. “灰”不代表“玄” :虽然模型对数据要求低,但其参数 a 和 b 具有明确的物理意义(发展速度和内生驱动)。如果求出的 a 值在正负号或量级上与实际情况严重不符,那么预测结果很可能没有意义。每次建模后,都要结合业务常识审视一下参数。

  5. 模型检验不可省略 :绝对不能只看预测值!必须进行相对误差检验和后验差检验。一个 C>0.65 且 P<0.7 的模型,其预测结果几乎没有参考价值。我们的Matlab函数已经内置了这些检验,请务必查看并理解输出结果。

踩坑实录 :我曾在一个项目中,用过去6年的年度数据预测未来1年,效果很好。业务方看到后,兴奋地要求直接预测未来5年。我虽然知道有风险,但还是做了。结果第三年的预测值就开始严重偏离实际(后来发现行业周期到了拐点)。这次经历让我深刻理解:灰色预测是“趋势的放大器”,而不是“规律的发现者”。当内在规律发生变化时,它无法感知。所以,现在我在交付任何灰色预测结果时,都会醒目地标注“本预测基于历史趋势外推,适用于短期,长期预测请结合行业专家判断”。

6. 在Matlab生态中拓展与资源

虽然我们手写了核心代码,但Matlab强大的生态中也有相关工具可以参考和学习。

  • 系统辨识工具箱 :虽然不直接提供灰色模型,但其处理时间序列和参数估计的思想是相通的。
  • 曲线拟合工具箱 :你可以用自定义方程 y = (x0(1)-b/a)*exp(-a*(x-1)) + b/a 去拟合累加序列 x1 ,这本质上就是在解灰色模型的参数,并提供丰富的拟合优度统计量。
  • 文件交换社区 :在MathWorks File Exchange中搜索 “Grey Prediction” 或 “GM(1,1)”,可以找到其他开发者分享的更加完善、带有GUI界面的工具箱,可以作为学习和对比的参考。但理解了我们自己手写的代码,再看这些工具箱就会一目了然。

最后,我个人在实际操作中的体会是,灰色预测模型更像是一把“应急钥匙”或“辅助透镜”。它不能解决所有预测问题,但在数据匮乏、急需一个趋势性指引的初期阶段,它的简单、高效和一定程度的可靠性,往往能带来意想不到的价值。关键是要清楚它的假设、熟练它的流程、严谨地进行检验,并明确告知使用者其局限性。把这套从原理到Matlab实现,再到检验优化的流程走通,你就能在遇到那些“数据少、时间紧、要结果”的预测任务时,从容地多出一个可靠的选择。

第四部分,吴恩达深度学习第五次课第3周周课后编程作业答案-版本二-更详细-jupyter note版本 第四部分,吴恩达深度学习第五次课第3周周课后编程作业答案-版本二-更详细-jupyter note版本第五次课1-2周。因为整个文件太大了。所以分4次上传。都只要一个积分,我找了很久,留作自己学习使用,同时分享给大家 立即下载

相关推荐

吴恩达DeepLearning.AI 第五课 sequence model 序列模型 第二周作业

第五课第二周作业 带答案,大小有限制,所以每周分开传了。

从List到Map:除了Collectors.toMap,Java开发者还有这4种优雅的数据转换方案

本文探讨了Java开发者从List到Map数据转换的5种高阶实践方案,包括Stream API的Collectors.toMap、Guava的Maps.uniqueIndex、传统for循环、Collectors.groupingBy以及Apache Commons与自定义收集器。针对不同场景下的性能、灵活性和复杂度需求,提供了详细的代码示例和选择策略,帮助开发者优化集合转换效率。

weixin_33737774的博客 469

手把手教你用UC3842搭建12V/5A反激电源(附PSIM仿真文件)

本文详细介绍了基于UC3842的12V/5A反激电源设计与PSIM仿真实践。从UC3842芯片选型、高频变压器计算到PSIM仿真模型搭建,提供完整的开关电源设计流程。特别包含PCB布局要点和实测优化建议,帮助工程师快速掌握反激电源开发技巧。

u6v7w8x的博客 1210

【作业】第三周作业

从第三周开始,作业不再是是老师布置,因为这个时候,你们基本上都开始做项目了, 于是, 作业的来源: 1.书上的课后作业 2.课件上面的随堂讨论或作业 3.你瞎想到的问题 4.【推荐】在实际项目中,结合软件工程知识点,提出作业 最为推荐第四种方式,比如, 关于白盒测试的知识点,结合你的项目实践,就可以得出如下题目: 白盒测试有几种,请结合你的代码片段,一一举例说明,并给出测试...

weixin_30832143的博客 844

KEIL MDK实战:如何用fromelf工具解析STM32的ELF文件结构(附完整命令行)

本文详细介绍了如何使用KEIL MDK中的fromelf工具解析STM32的ELF文件结构,包括内存段分析、符号表追踪和反汇编关键函数等实战技巧。通过完整的命令行示例,帮助嵌入式开发者优化内存占用、排查运行时问题,并提升STM32项目的开发效率。

weixin_42631411的博客 188

高压脉冲发生器的各种电路图

高压脉冲发生器的各种电路图

qq_65102825的博客 5912

2019年春季第二周作业

2019年春季学期第二周作业 基础作业 请在第一周作业的基础上,继续完成:找出给定的文件中数组的最大值及其对应的最小下标(下标从0开始)。并将最大值和对应的最小下标数值写入文件。 输入: 请建立以自己英文名字命名的txt文件,并输入数组元素数值,元素值之间用逗号分隔。 输出 在不删除原有文件内容的情况下,将最大值和对应的最小下标数值写入文件。 代码展示: #include<stdio.h&g...

weixin_30897079的博客 194

别急着编译!修复银河麒麟OpenSSH漏洞前,先搞懂ssh、sshd版本与apt仓库的“爱恨情仇”

本文深度解析银河麒麟OpenSSH漏洞(CVE-2023-38408)修复策略,揭示版本差异背后的企业级维护逻辑,提供从APT升级到源码编译的多维度方案评估。特别针对路径隔离方案和离线环境处理给出技术细节,帮助企业制定兼顾安全与稳定的升级决策框架。

weixin_26642481的博客 459

2019年春季学期第二周作业

2019年春季学期第二周作业 请在第一周作业的基础上,继续完成:找出给定的文件中数组的最大值及其对应的最小下标(下标从0开始)。并将最大值和对应的最小下标数值写入文件。 输入: 请建立以自己英文名字命名的txt文件,并输入数组元素数值,元素值之间用逗号分隔。 输出: 在不删除原有文件内容的情况下,将最大值和对应的最小下标数值写入文件。 1. 代码块 #include<stdio.h> ...

weixin_30871905的博客 104

点云数据增强及预处理

数据增强: 1. random world flip:沿着x或者y轴,翻转点云 点云的x或者y,要翻转 3d box中心的x或者y,要翻转 3d box的朝向要翻转 point segmentation label,点云的相对顺序没有发生变化 2. random_world_rotation:沿着点云原点,旋转点云 点,x,y,绕z轴旋转 3d box,绕z轴旋转,中心和朝向都要变化 point segmentation label,点云的相对顺序没有发生变化 3. random_world_scaling

huang_victor的博客 4012

高通平台开发系列讲解(USB篇)MBIM协议详解

📢本文主要介绍高通平台USB网卡MBIM协议。

内核笔记 5443

2019年第二周作业

题目:请在第一周作业的基础上,继续完成:找出给定的文件中数组的最大值及其对应的最小下标(下标从0开始)。并将最大值和对应的最小下标数值写入文件。输入:请建立以自己英文名字命名的txt文件,并输入数组元素数值,元素值之间用逗号分隔。输出在不删除原有文件内容的情况下,将最大值和对应的最小下标数值写入文件 实验代码: # include<stdio.h> #include<stdl...

weixin_30820151的博客 72

23 中望CAD二次开发(ZRX C++)-自定义实体(二)

本文详细介绍了自定义图形实体,如何实现几何变换、捕捉、节点编辑,并介绍了CAD代理的概念。

cilvsuanna的博客 443
0粉丝 0原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址