机器学习基础06

目录

1.梯度下降

1.1梯度下降概念

1.2梯度下降公式

1.3学习率

1.4实现梯度下降

1.5API

1.5.1随机梯度下降SGD 

1.5.2小批量梯度下降MBGD

1.6梯度下降优化

2.欠拟合过拟合

2.1欠拟合

2.2过拟合

2.3正则化

2.3.1L1正则项（曼哈顿距离）

2.3.2L2正则项（欧氏距离 ）

3.岭回归（Ridge）

3.1损失函数公式

3.2API 

4.拉索回归（Lasso）

4.1损失函数公式

4.2API

1.梯度下降

1.1梯度下降概念

正规方程求解的缺点

①利用正规方程求解的W是最优解的原因是MSE这个损失函数是凸函数。但机器学习的损失函数并非都是凸函数，设置导数为0会得到很多个极值，不能确定唯一解。

②当数据量和特征较多时,矩阵计算量太大.

在机器学习中，梯度表示损失函数对于模型参数的偏导数。具体来说，对于每个可训练参数，梯度告诉我们在当前参数值下，沿着每个参数方向变化时，损失函数的变化率。通过计算损失函数对参数的梯度，梯度下降算法能够根据梯度的信息来调整参数，朝着减少损失的方向更新模型。

1.2梯度下降公式

有损失函数：

梯度下降公式：

 得：

1.3学习率

设置大的学习率α;每次调整的幅度就大,设置小的学习率α;每次调整的幅度就小

 

(1)常见的设定数值：0.1、0.01、0.001、0.0001

(2)随着迭代次数增多学习率逐渐变小,深度学习的优化算法可以调整学习率

1.4实现梯度下降

import matplotlib.pyplot as plt
import numpy as np

# 随机初始化
w= np.random.randint(-10,10,1)
# 学习率
h =0.01
# 收敛条件
diff=0.0001
# 最大更新的次数
time =1000


lt_w =[]
lt_w_new=[]
for i in range(time):
    # 保存原w，用于计算差值
    w_new= w
    lt_w.append(w_new)
    lt_w_new.append(10*w**2-15.9*w+6.5)

    # 更新w
    w= w - h*(20*w_new-15.9)#20*w-15.9是切线
    difference=w_new-w
    print(f'第{i+1}次迭代：','\t','w:',w,'\t','w_new-w:', difference)
    if abs(difference) <=diff:
        break


# 图像示意，散点图为梯度下降
plt.scatter(lt_w,lt_w_new,c='red')

w = np.linspace(-10,10,100)
loss = 10*w**2-15.9*w+6.5
# 曲线图为损失函数
plt.plot(w,loss)

plt.show()



import numpy as np
import matplotlib.pyplot as plt

# 随机初始化
w1 = 10
w2 = 10

# 学习率
h = 0.001
# 收敛条件
diff = 0.0001
# 最大更新的次数
time = 1000

def loss(w1, w2):
    return 4*w1**2 + 9*w2**2 + 2*w1*w2 + 3.5*w1 - 4*w2 + 6

def dloss_w1(w1, w2):
    return 8*w1 + 2*w2 + 3.5

def dloss_w2(w1, w2):
    return 2*w1 + 18*w2 - 4

# 记录每次迭代的w1和w2
w1_history = [w1]
w2_history = [w2]

for i in range(time):
    # 保存原w，用于计算差值
    w1_new = w1
    w2_new = w2

    # 更新w
    w1 = w1 - h * dloss_w1(w1_new, w2_new)
    w2 = w2 - h * dloss_w2(w1_new, w2_new)

    difference1 = w1_new - w1
    difference2 = w2_new - w2

    print(f'第{i+1}次迭代：\tw1: {w1:.6f}, w2: {w2:.6f}, w1_new-w1: {difference1:.6f}, w2_new-w2: {difference2:.6f}')
    
    # 记录每次迭代的w1和w2
    w1_history.append(w1)
    w2_history.append(w2)

    if abs(difference1) <= diff and abs(difference2) <= diff:
        break

print("最终结果：w1 =", w1, "w2 =", w2)

# 绘制三维图
fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111, projection='3d')

# 创建网格数据
w1_vals = np.linspace(-15, 15, 100)
w2_vals = np.linspace(-15, 15, 100)
w1_grid, w2_grid = np.meshgrid(w1_vals, w2_vals)
loss_grid = loss(w1_grid, w2_grid)

# 绘制损失函数的表面
ax.plot_surface(w1_grid, w2_grid, loss_grid, cmap='viridis', alpha=0.7)

# 绘制梯度下降路径
ax.plot(w1_history, w2_history, [loss(w1, w2) for w1, w2 in zip(w1_history, w2_history)], color='r', marker='.')

# 设置标签
ax.set_xlabel('w1')
ax.set_ylabel('w2')
ax.set_zlabel('Loss')

# 显示图形
plt.show()

 

1.5API

批量梯度下降BGD(Batch Gradient Descent)

小批量梯度下降MBGD(Mini-BatchGradient Descent)

随机梯度下降SGD(Stochastic Gradient Descent)。

  • Batch Gradient Descent (BGD):每一次迭代都会使用全部的训练样本计算梯度来更新权重。这意味着每一步梯度更新都是基于整个数据集的平均梯度。这种方法的优点是每次更新的方向是最准确的，但缺点是计算量大且速度慢，尤其是在大数据集上。

  • Mini-Batch Gradient Descent (MBGD): 这种方法介于批量梯度下降和随机梯度下降之间。它不是用全部样本也不是只用一个样本，而是每次迭代从数据集中随机抽取一小部分样本（例如，从500个样本中选取32个），然后基于这一小批样本的平均梯度来更新权重。这种方法在准确性和计算效率之间取得了一个平衡。

  • Stochastic Gradient Descent (SGD): 在随机梯度下降中，每次迭代仅使用随机单个样本（或有时称为“例子”）来计算梯度并更新权重。这种方法能够更快地收敛，但由于每次更新都基于单个样本，所以会导致权重更新路径不稳定。

1.5.1随机梯度下降SGD 

sklearn.linear_model.SGDRegressor()

参数:
    loss: 损失函数，默认为 ’squared_error’
    fit_intercept: 是否计算偏置， default=True
    eta0: float, default=0.01学习率初始值
    learning_rate:  str, default=’invscaling’   
            ‘constant’: eta = eta0 学习率为eta0设置的值，保持不变
            ‘optimal’: eta = 1.0 / (alpha * (t + t0)) 
            ‘invscaling’: eta = eta0 / pow(t, power_t)
            ‘adaptive’: eta = eta0, 学习率由eta0开始，逐步变小
    max_iter: int,  default=1000 经过训练数据的最大次数(又名epoch)
    shuffle=True 每批次是否洗牌
    penalty: {‘l2’, ‘l1’, ‘elasticnet’, None}, default=’l2’，要使用的正则化项
属性:     
      coef_ 回归后的权重系数
      intercept_ 偏置 

from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import SGDRegressor
from sklearn.metrics import mean_squared_error

dataset = fetch_california_housing(data_home='./src')

x_train,x_test,y_train,y_test=train_test_split(dataset.data,dataset.target,train_size =0.7,shuffle =True,random_state=200)

transfer = StandardScaler()
x_train=transfer.fit_transform(x_train)
x_test=transfer.transform(x_test)

# 线性回归预估器
estimator = SGDRegressor(loss='squared_error',penalty='l1',max_iter=1000,eta0=0.01,learning_rate ='constant')
estimator.fit(x_train,y_train)

# 模型数据
print('coef:',estimator.coef_)
print('intercept:',estimator.intercept_)

y_predict = estimator.predict(x_test)
print("预测的数据集：\n", y_predict)
print('决定系数 (R^2)：',estimator.score(x_test,y_test))
error = mean_squared_error(y_test,y_predict)
print('均方误差：',error)

1.5.2小批量梯度下降MBGD

sklearn.linear_model.SGDRegressor()

 调用partial_fit函数训练直接更新权重,不需要调fit从头开始训练。

from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import SGDRegressor
from sklearn.metrics import mean_squared_error

dataset = fetch_california_housing(data_home='./src')

x_train,x_test,y_train,y_test=train_test_split(dataset.data,dataset.target,train_size =0.7,shuffle =True,random_state=200)

transfer = StandardScaler()
x_train=transfer.fit_transform(x_train)
x_test=transfer.transform(x_test)

# 线性回归预估器
estimator = SGDRegressor(loss='squared_error',penalty='l1',max_iter=1000,eta0=0.01,learning_rate ='constant')

# 小批量梯度下降
batch_size =50 # 批量大小
n_batches = len(x_train)//batch_size 
for epoch in range(estimator.max_iter):
    # 随机打乱样本顺序
    indices = np.random.permutation(len(x_train))
    for i in range(n_batches):
        start_index = i*batch_size
        end_index = (i+1) * batch_size
        batch_indices = indices[start_index:end_index]
        x_batch = x_train[batch_indices]
        y_batch = y_train[batch_indices]
        # 更换模型权重
        estimator.partial_fit(x_batch,y_batch) 
        

# 模型数据
print('coef:',estimator.coef_)
print('intercept:',estimator.intercept_)

y_predict = estimator.predict(x_test)
print("预测的数据集：\n", y_predict)
print('决定系数 (R^2)：',estimator.score(x_test,y_test))
error = mean_squared_error(y_test,y_predict)
print('均方误差：',error)

1.6梯度下降优化

(1)标准化

(2)正则化

2.欠拟合过拟合

分类问题的三种拟合状态：

回归问题的三种拟合状态：

2.1欠拟合

欠拟合是指模型在训练数据上表现不佳，同时在其他数据上也表现不佳。这通常发生在模型过于简单，无法捕捉数据中的复杂模式时。欠拟合模型的表现特征如下：

  • 训练误差较高。

  • 测试误差同样较高。

  • 模型可能过于简化，不能充分学习训练数据中的模式。

2.2过拟合

过拟合是指模型在训练数据上表现得非常好，但在其他数据上表现较差。这通常发生在模型过于复杂，以至于它不仅学习了数据中的真实模式，还学习了噪声和异常值。过拟合模型的表现特征如下：

  • 训练误差非常低。

  • 测试误差较高。

  • 模型可能过于复杂，以至于它对训练数据进行了过度拟合。

2.3正则化

正则化的意义：防止过拟合，增加模型的鲁棒性。

正则化：将原来的损失函数加上一个惩罚项使得计算出来的模型w相对小一些。

常用的惩罚项有L1正则项或者L2正则项:

2.3.1L1正则项（曼哈顿距离）

2.3.2L2正则项（欧氏距离 ）

3.岭回归（Ridge）

3.1损失函数公式

岭回归是损失函数通过添加所有权重的平方和的乘积(L2)来惩罚模型的复杂度。

均方差除以2是因为方便求导，wj指所有的权重系数, λ指惩罚型系数，又叫正则项力度。

特点:

  • 岭回归不会将权重压缩到零，这意味着所有特征都会保留在模型中，但它们的权重会被缩小。

  • 适用于特征间存在多重共线性的情况。

  • 岭回归产生的模型通常更为平滑，因为它对所有特征都有影响。

3.2API 

sklearn.linear_model.Ridge()

参数：

  • alpha, default=1.0，正则项力度
  • fit_intercept, 是否计算偏置， default=True
  • solver, {‘auto’, ‘svd’, ‘cholesky’, ‘lsqr’, ‘sparse_cg’, ‘sag’, ‘saga’, ‘lbfgs’}, default=’auto’

当值为auto,并且数据量、特征都比较大时，内部会随机梯度下降法。

  • normalize：default=True

数据进行标准化，如果特征工程中已经做过标准化，这里就该设置为False

  • max_iterint

梯度解算器的最大迭代次数，默认为15000

属性：
coef_ 回归后的权重系数
intercept_ 偏置

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import Ridge
from sklearn.metrics import mean_squared_error

# dataset = fetch_california_housing(data_home='./src')
dataset = load_breast_cancer()

x_train,x_test,y_train,y_test=train_test_split(dataset.data,dataset.target,train_size =0.2,shuffle =True,random_state=200)

transfer = StandardScaler()
x_train=transfer.fit_transform(x_train)
x_test=transfer.transform(x_test)

# 线性回归预估器

estimator = Ridge(alpha =0.1,max_iter=1000)
estimator.fit(x_train,y_train)

# 模型数据
print('coef:',estimator.coef_)
print('intercept:',estimator.intercept_)

y_predict = estimator.predict(x_test)
print("预测的数据集：\n", y_predict)
print('得分：',estimator.score(x_test,y_test))
error = mean_squared_error(y_test,y_predict)
print('均方误差：',error)

4.拉索回归（Lasso）

4.1损失函数公式

Lasso回归是一种线性回归模型，它通过添加所有权重的绝对值之和(L1)来惩罚模型的复杂度。

Lasso回归的目标是最小化以下损失函数：

其中：

  • n 是样本数量，

  • p 是特征的数量，

  • y_i 是第 i 个样本的目标值，

  • x_i 是第 i 个样本的特征向量，

  • w是模型的参数向量，

  • \lambda 是正则化参数，控制正则化项的强度。

特点:

  • 拉索回归可以将一些权重压缩到零，从而实现特征选择。

  • 适用于特征数量远大于样本数量的情况，或者当特征间存在相关性时，可以从中选择最相关的特征。

  • 拉索回归产生的模型可能更简单，因为它会去除一些不重要的特征。

4.2API

sklearn.linear_model.Lasso()

参数:

  • alpha (float, default=1.0):

控制正则化强度；必须是非负浮点数。较大的 alpha 增加了正则化强度。

  • fit_intercept (bool, default=True):

是否计算此模型的截距。如果设置为 False，则不会使用截距（即数据应该已经被居中）。

  • precompute (bool or arraylike, default=False):

如果为 True，则使用预计算的 Gram 矩阵来加速计算。如果为数组，则使用提供的 Gram 矩阵。

  • copy_X (bool, default=True):

如果为 True，则复制数据 X

  • max_iter (int, default=1000):

最大迭代次数

  • tol (float, default=1e4):

精度阈值

  • warm_start (bool, default=False):

当设置为 True 时，再次调用 fit 方法会重新使用之前调用 fit 方法的结果作为初始估计值，而不是清零它们。

  • positive (bool, default=False):

当设置为 True 时，强制系数为非负。

  • random_state (int, RandomState instance, default=None):

随机数生成器的状态。用于随机初始化坐标下降算法中的随机选择。

  • selection ({'cyclic', 'random'}, default='cyclic'):

     如果设置为 'random'，则随机选择坐标进行更新。如果设置为 'cyclic'，则按照循环顺序选择坐标。

from sklearn.datasets import fetch_california_housing
from sklearn.linear_model import Lasso
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
import numpy as np

# 加载波士顿房价数据集
data = fetch_california_housing(data_home="./src")
X, y = data.data, data.target

# 划分训练集和测试集
X_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建Lasso回归模型
lasso = Lasso(alpha=0.1)  # alpha是正则化参数

# 训练模型
lasso.fit(X_train, y_train)

# 得出模型
print("权重系数为：\n", lasso.coef_)  
print("偏置为：\n", lasso.intercept_)

#模型评估
y_predict = lasso.predict(x_test)
print("预测的数据集：\n", y_predict)
error = mean_squared_error(y_test, y_predict)
print("均方误差为：", error)
print(lasso.score(x_test,y_test))

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/920907.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

徒手从零搭建一套ELK日志平台

徒手从零搭建一套ELK日志平台

徒手从零搭建一套ELK日志平台 日志分析的概述日志分析的作用主要收集工具集中式日志系统主要特点采集日志分类ELK概述初级版ELK终极版ELK高级版ELKELK收集日志的两种形式 搭建ELK平台Logstash工作原理Logstash核心概念环境准备安装部署docker添加镜像加速器安装部署Elasticsear…
阅读更多...
开源科学工程技术软件介绍 – EDA工具KLayout

开源科学工程技术软件介绍 – EDA工具KLayout

link 今天向各位知友介绍的 KLayout是一款由德国团队开发的开源EDA工具。 KLayout是使用C开发的&#xff0c;用户界面基于Qt。它支持Windows、MacOS和Linux操作系统。安装程序可以从下面的网址下载&#xff1a; https://www.klayout.de/build.html KLayout图形用户界面&…
阅读更多...
Linux离线安装Docker命令，简单镜像操作

Linux离线安装Docker命令，简单镜像操作

解压安装包 首先&#xff0c;使用 tar 命令解压 docker-27.3.1.tgz 安装包&#xff1a; tar -zxvf docker-27.3.1.tgz 将二进制文件移动到可执行路径上的目录 接着&#xff0c;将解压出来的 Docker 二进制文件复制到系统的可执行路径&#xff08;通常是 /usr/bin/&#xff09…
阅读更多...
Redis中常见的数据类型及其应用场景

Redis中常见的数据类型及其应用场景

五种常见数据类型 Redis中的数据类型指的是 value存储的数据类型&#xff0c;key都是以String类型存储的&#xff0c;value根据场景需要&#xff0c;可以以String、List等类型进行存储。 各数据类型介绍&#xff1a; Redis数据类型对应的底层数据结构 String 类型的应用场景 常…
阅读更多...
redis中的set类型及常用命令

redis中的set类型及常用命令

集合就是把一些有关联的数据放到一起。与list不同的是&#xff0c;集合中的顺序不重要&#xff0c;变换了元素的顺序&#xff0c;仍是同一个集合。集合中的元素是不能重复的。和list类似&#xff0c;集合中的每个元素&#xff0c;也都是string类型。 关于集合的相关命令 sadd/…
阅读更多...
Python的顺序表

Python的顺序表

一、脑图 二、封装一个顺序表的类 1.构造函数 class SeqList:#显性定义出构造函数def __init__(self,capacity 10):#初始化顺序表 &#xff0c;设置初始容量和已有元素self.capacity capacity #线性表的最大容量self.size 0 #已存储的元素个数self.data [None]*capacity…
阅读更多...
OpenCV从入门到精通实战(九)——基于dlib的疲劳监测 ear计算

OpenCV从入门到精通实战(九)——基于dlib的疲劳监测 ear计算

本文实现Python库d和OpenCV来实现眼部闭合检测&#xff0c;主要用于评估用户是否眨眼。 步骤一&#xff1a;导入必要的库和设置参数 首先&#xff0c;代码导入了必要的Python库&#xff0c;如dlib、OpenCV和scipy。通过argparse设置了输入视频和面部标记预测器的参数。 from…
阅读更多...
windows下，用CMake编译qt项目，出现错误By not providing “FindQt5.cmake“...

windows下，用CMake编译qt项目，出现错误By not providing “FindQt5.cmake“...

开发环境&#xff1a;windows10 qt5.14&#xff0c; 编译器msvc2017x64&#xff0c;CMake3.30&#xff1b; 现象&#xff1a; CMakeList文件里&#xff0c;如有find_package(Qt5 COMPONENTS Widgets REQUIRED) target_link_libraries(dis_lib PRIVATE Qt5::Widgets) 用CMak…
阅读更多...
基于SpringBoot+Vue的影院管理系统(含演示视频+运行截图+说明文档)

基于SpringBoot+Vue的影院管理系统(含演示视频+运行截图+说明文档)

web启动链接地址&#xff1a; http://localhost:8082&#xff08;管理端&#xff09; http://localhost:8081&#xff08;用户端&#xff09; http://localhost:8082&#xff08;员工端&#xff09; 一、项目介绍 基于框架的系统&#xff0c;系统分为用户、员工和管理员三个…
阅读更多...
SpringBoot3+Vue3开发图书馆管理系统

SpringBoot3+Vue3开发图书馆管理系统

1 项目介绍 图书馆管理系统&#xff0c;管理图书、用户、借书、还书、实时监测归还是否逾期&#xff0c;逾期未归还会生成违规记录。违规状态不可借阅图书。需缴纳罚金&#xff0c;消除违规记录。可动态设置图书最多累计借阅数量上限和最长借阅天数上限&#xff0c;当用户满足…
阅读更多...
Figure 02迎重大升级！！人形机器人独角兽[Figure AI]商业化加速

Figure 02迎重大升级！！人形机器人独角兽[Figure AI]商业化加速

11月19日知名人形机器人独角兽公司【Figure AI】发布公司汽车巨头【宝马】最新合作进展&#xff0c;旗下人形机器人Figure 02在生产线上的性能得到了显著提升&#xff0c;机器人组成自主舰队&#xff0c;依托端到端技术&#xff0c;速度提高了400%&#xff0c;执行任务成功率提…
阅读更多...
Oracle之Rman非归档模式下的完全恢复

Oracle之Rman非归档模式下的完全恢复

引言 首先Oracle必须处在非归档模式下才能模拟各种情况，Oracle处在非归档模式，做数据库脱机备份，并且rman的参数使用快闪恢复区作为备份文件的存储目录，配置了控制文件的自动备份。 联机全备 示例1：控制文件、数据文件以及重做日志文件丢失的恢复 数据文件以及重做日志…
阅读更多...
Android Google登录接入

Android Google登录接入

官方文献&#xff1a; 1、前期准备&#xff1a; https://developers.google.cn/identity/sign-in/android/legacy-start-integrating?hlzh-cnhttps://developers.google.cn/identity/sign-in/android/legacy-start-integrating?hlzh-cn 2、具体开发&#xff1a; 新版 Googl…
阅读更多...
Java 同步锁性能的最佳实践：从理论到实践的完整指南

Java 同步锁性能的最佳实践：从理论到实践的完整指南

目录 一、同步锁性能分析 &#xff08;一&#xff09;性能验证说明 1. 使用同步锁的代码示例 2. 不使用同步锁的代码示例 3. 结果与讨论 &#xff08;二&#xff09;案例初步优化分析说明 1. 使用AtomicInteger原子类尝试优化分析 2. 对AtomicInteger原子类进一步优化 …
阅读更多...
Docker+Nginx | Docker(Nginx) + Docker(fastapi)反向代理

Docker+Nginx | Docker(Nginx) + Docker(fastapi)反向代理

在DockerHub搜 nginx&#xff0c;第一个就是官方镜像库&#xff0c;这里使用1.27.2版本演示 1.下载镜像 docker pull nginx:1.27.2 2.测试运行 docker run --name nginx -p 9090:80 -d nginx:1.27.2 这里绑定了宿主机的9090端口&#xff0c;只要访问宿主机的9090端口&#…
阅读更多...
C#编写的日志记录组件 - 开源研究系列文章

C#编写的日志记录组件 - 开源研究系列文章

以前编写过一个日志记录组件的博文&#xff0c;这次发布一个修改过的完善版本。 1、 项目目录&#xff1b; 2、 源码介绍&#xff1b; 1) 实现&#xff1b; 2) 使用&#xff1b; 后面的参数为级别设置&#xff0c;只有大于这个级别的才进行日志记录&#xff0c;限制了日志记录的…
阅读更多...
win10+vs2019+cmake+opencv4.10+opencv_contrib编译记录

win10+vs2019+cmake+opencv4.10+opencv_contrib编译记录

win10vs2019cmakeopencv4.10opencv_contrib编译记录 第一章 环境配置 本机环境已经安装好vs2019和cmake。 第二章 下载opencv相关 1.Opencv4.10下载 下载链接&#xff1a;opencv 下载时选择"Sources" 2.opencv_contrib 下载链接&#xff1a;opencv_contrib 第三…
阅读更多...
前端：HTML （学习笔记）【1】

前端：HTML （学习笔记）【1】

一&#xff0c;网络编程的三大基石 1&#xff0c;URL &#xff08;1&#xff09;url —— 统一资源定位符&#xff1a; 网址——整个互联网中可以唯一且准确的确定一个资源的位置。 【项目外】 网址——https://www.baidu.com/ …
阅读更多...
2024年亚太地区数学建模大赛A题-复杂场景下水下图像增强技术的研究

2024年亚太地区数学建模大赛A题-复杂场景下水下图像增强技术的研究

复杂场景下水下图像增强技术的研究 对于海洋勘探来说&#xff0c;清晰、高质量的水下图像是深海地形测量和海底资源调查的关键。然而&#xff0c;在复杂的水下环境中&#xff0c;由于光在水中传播过程中的吸收、散射等现象&#xff0c;导致图像质量下降&#xff0c;导致模糊、…
阅读更多...
基于SpringBoot的“广场舞团系统”的设计与实现（源码+数据库+文档+PPT)

基于SpringBoot的“广场舞团系统”的设计与实现（源码+数据库+文档+PPT)

基于SpringBoot的“广场舞团系统”的设计与实现&#xff08;源码数据库文档PPT) 开发语言&#xff1a;Java 数据库&#xff1a;MySQL 技术&#xff1a;SpringBoot 工具&#xff1a;IDEA/Ecilpse、Navicat、Maven 系统展示 系统功能结构图 系统首页界面图 社团界面图 社团活…
阅读更多...
最新文章

Copyright @ 2022~2023