回归—小波神经网络
小波神经网络回归
小波神经网络（Wavelet Neural Network,
WNN）是一种利用小波变换作为激活函数的前馈神经网络。小波变换是一种数学方法，用于将信号分解为构成其的小波，这些小波可以捕捉信号的局部特征。在神经网络中，小波变换可以作为一种强有力的工具来处理和分析数据，尤其是在时间序列分析和信号处理领域。
小波神经网络回归是指使用小波神经网络对数据进行回归分析，以预测连续的输出
元胞自动机
元胞自动机的一些基本特性：
离散空间：元胞自动机通常定义在一个规则的网格上，如一维、二维或三维的格子。
有限状态：每个元胞在任何给定时间都处于有限个状态中的一个，状态可以是二进制的（例如0和1）或具有更多可能值。
局部规则：元胞的状态更新基于局部规则，这些规则只依赖于元胞自身和其邻居的状态。
同步更新：在每个时间步，所有元胞的状态都是同时更新的。
初始条件：元胞自动机的初始状态对系统
吸引-排斥优化算法
论文参考
Karol Cymerys, Mariusz Oszust,Attraction–Repulsion Optimization
Algorithm for Global Optimization Problems,Swarm and Evolutionary
Computation,Volume 84, 2024, 101459,
https://doi.org/10.1016/
季节优化算法
参考论文
Emami, Hojjat. “Seasons Optimization Algorithm.” Engineering with
Computers, vol. 38, no. 2, Springer Science and Business Media LLC, Aug.
2020, pp. 1845–65, doi:10.1007/s00366-020-01133-5.
脚
MATLAB制图
散点图
1234567891011% 利用预测的新值绘制散点图% 导入数据 traditional_sales = [6561, 6899, 7264, 7372, 7595, 7882, 7992, 7513, 8157.1, 8341.8, 8530.7];new_energy_sales = [11.82, 21.8, 32.1, 56.8, 77.4, 122.8, 208.8, 240
2024XCTF4/1-5/1
签到题
题目：
123456789101112131415161718192021222324252627282930313233343536373839404142from Crypto.Util.number import *from tqdm import *import gmpy2flag=b'XYCTF{uuid}'flag=bytes_to_
pyecharts绘制中国地图
pyecharts库
通过测试发现，安装0.1.9.4版本最为稳定
1pip install pyecharts==0.1.9.4
安装完成后，下面是一个简单的测试案例
12345678910111213141516171819202122232425262728293031323334353637383940414243444546from pyecharts import Mappro
标准化、归一化、去中心化辨析
标准化（Standardization）、归一化（Normalization）和去中心化（Centering）是数据预处理中常用的三种不同的缩放技术，它们都旨在调整数据的尺度，以便于进行后续的分析和机器学习任务。虽然这些术语有时被交替使用，但它们在数学上有着不同的含义和应用场景。
标准化（Standardization）
标准化是将数据转换为具有特定均值和标准差的过程。通常，标准化会使得数据的
数据标准化处理疑问
标准化常使用的工具
1.使用 sklearn 库中的 StandardScaler
StandardScaler 是 scikit-learn
库中用于数据预处理的一个工具，它对每个特征进行标准化，使得特征的均值为0，标准差为1。这样做可以确保每个特征在PCA或其他算法中具有相同的重要性，因为算法通常对特征的尺度敏感。
StandardScaler 使用的公式如下：
对于每个特征中的每个
主成分分析
主成分能用来做什么
聚类、回归、寻找变量之间的共线性关系！！！
主成分分析的一般目的由两点组成：（参考王学民老师）
（1）将多个有相关关系的变量压缩成少数几个不相关的主成分（综合变量），并保留绝大部分信息；
（2）给出各主成分的具有实际背景和意义的解释
雷点在于！！！
多数论文以及博客使用主成分进行综合评价，王学民老师认为这是不对的，个人参考了一些这方面的研究后觉得王老师说的对。