avgFilter[lag - 1] = mean(Arrays.copyOfRange(y, 0, lag));
double[] dif_li = new double[y.length];
Arrays.fill(dif_li, 0.0);
for (int i = lag; i < y.length; i++) {
int j;
if (i < y.length - lag - 30) {
for (j = i + 11; j < y.length; j++) {
if (y[j] >= y[i - 1]) {
break;
}
}
double back;
if (j >= y.length - 30) {
back = y[i - 1];
} else {
back = mean(Arrays.copyOfRange(y, j + 11, j + 20 + lag));
}
} else {
back = y[i - 1];
}
double tmp = Math.abs(back - avgFilter[i - 1]);
double dif = tmp > 1 ? tmp : 1;
if (Math.abs(y[i] - avgFilter[i - 1]) > dif \* threshold) {
signals[i] = y[i] > avgFilter[i - 1] ? 1 : -1;
avgFilter[i] = mean(Arrays.copyOfRange(y, i - lag, i));
y[i] = avgFilter[i - 1];
} else {
signals[i] = 0;
avgFilter[i] = mean(Arrays.copyOfRange(y, i - lag, i));
}
dif_li[i] = dif;
}
Map<String, double[]> result = new HashMap<>();
result.put("signals", signals);
result.put("avgFilter", avgFilter);
result.put("y", y);
result.put("dif", dif_li);
return result;
}
private static double mean(double[] array) { double sum = 0.0; for (double d : array) { sum += d; } return sum / array.length; }
## 四、代码解释-1
**用途**：当我们来到一家新的公司，发现前任工程师留下了一摊谁都看不懂的代码，这时候，如果有个人能帮我们解释一下这些代码是什么意思，那简直不要太开心。
def Fusion_algorithm(y_list): """ 最终的融合算法 1、第一次遍历列表: 处理掉小于上一个值的点，使其等于上一个值。 2、第二次使用z-score来处理异常点：一种基于统计方法的时序异常检测算法借鉴了一些经典的统计方法，比如Z-score和移动平均线 该算法将时间序列中的每个数据点都看作是来自一个正态分布，通过计算每个数据点与其临接数据点的平均值和标准差，可以获得Z-score 并将其用于检测异常值，将z-score大于3的数据点视为异常值，缺点：如果异常点太多，则该算法的准确性较差。 3、 :param y_list: 传入需要处理的时间序列 :return: """ # 第一次处理 for i in range(1, len(y_list)): difference = y_list[i] - y_list[i - 1] if difference <= 0: y_list[i] = y_list[i - 1] # 基于突变检测的方法：如果一个数据点的值与前一个数据点的值之间的差异超过某个阈值， # 则该数据点可能是一个突变的异常点。这种方法需要使用一些突变检测算法，如Z-score突变检测、CUSUM（Cumulative Sum） # else: # if abs(difference) > 2 * np.mean(y_list[:i]): # y_list[i] = y_list[i - 1]
# 第二次处理
# 计算每个点的移动平均值和标准差
ma = np.mean(y_list)
# std = np.std(np.array(y\_list))
std = np.std(y_list)
# 计算Z-score
z_score = [(x - ma) / std for x in y_list]
# 检测异常值
for i in range(len(y_list)):
# 如果z-score大于3，则为异常点，去除
if z_score[i] > 3:
print(y_list[i])
y_list[i] = y_list[i - 1]
return y_list
## 五、代码解释-2
**备注**：上一个代码解释，我们可以看到，答案或许受到了代码中注释的影响，我们删掉注释，再来一次。对于解释中一些不懂的点，我们可以连续追问！
import numpy as np from sklearn.ensemble import IsolationForest import plotly.express as px import matplotlib.pyplot as plt from sklearn.cluster import KMeans import json
def Fusion_algorithm(y_list): for i in range(1, len(y_list)): difference = y_list[i] - y_list[i - 1] if difference <= 0: y_list[i] = y_list[i - 1]
# else:
# if abs(difference) > 2 \* np.mean(y\_list[:i]):
# y\_list[i] = y\_list[i - 1]
ma = np.mean(y_list)
std = np.std(y_list)
z_score = [(x - ma) / std for x in y_list]
for i in range(len(y_list)):
if z_score[i] > 3:
print(y_list[i])
y_list[i] = y_list[i - 1]
return y_list
## 六、修复代码错误
**用途**：写完一段代码后发现有错误？让chatGPT来帮你！
Buggy Python
import Random a = random.randint(1,12) b = random.randint(1,12) for i in range(10): question = "What is "+a+" x "+b+"? " answer = input(question) if answer = a*b print (Well done!) else: print("No.")
## 七、作为百科全书
**用途**：chatGPT可以解释你所有的问题！但是列出小说这个功能有些拉跨，经过测试只有科幻小说列的还可以，其他类型不太行，可能chatgpt训练工程师是个科幻迷！
## 八、信息提取
**用途**：作为自然语言处理界的大模型，怎么能少得了信息提取呢？
## 九、好友聊天
**用途**：输入对方性格模拟聊天，这方面功能不太完善，可能有新鲜玩法我还没有挖掘出来。
## 十、创意生成器
**用途**：是不是常常会在创新上遇到思维瓶颈不知道怎么做？不要担心，让chatGPT帮你生成创意！
### 10-1、VR和密室结合
### 10-2、再结合AR
## 十一、采访问题
**用途**： 可能您是一个媒体工作者，采访问题不知道怎么写？chatGPT可以帮您解决。
### 11-1、采访问题清单
### 11-2、采访问题清单并给出相应答案
## 十二、论文大纲
**用途**： 这个功能对于研究生简直不要太爽了，一直在郁闷大纲怎么写，直接列出来大纲简直帮了我天大的忙！对于大纲中不理解的点，直接要求chatGPT给出进一步解释。代码也可以有！那一章的内容不太会写，直接让chatGPT安排，这样，一篇论文很快就写出来啦！
### 12-1、创建论文大纲
### 12-2、解释大纲内容
class PBA(nn.Module): def __init__(self, PerformanceThreshold, DistributionType, AttentionWeightRange): super(PBA, self).__init__() self.PerformanceThreshold = PerformanceThreshold self.DistributionType = DistributionType self.AttentionWeightRange = AttentionWeightRange
def forward(self, input, performance_scores):
# 计算注意力分数
attention_scores = []
for i in range(len(input)):
if performance_scores[i] > self.PerformanceThreshold:
attention_scores.append(performance_scores[i])
else:
attention_scores.append(0.0)
# 将性能分数映射到注意力权重
if self.DistributionType == "softmax":
attention_weights = F.softmax(torch.tensor(attention_scores), dim=0)
elif self.DistributionType == "sigmoid":
attention_weights = torch.sigmoid(torch.tensor(attention_scores))
else:
raise ValueError("Unknown distribution type: {}".format(self.DistributionType))
# 缩放注意力权重到指定范围
attention_weights = attention_weights \* (self.AttentionWeightRange[1] - self.AttentionWeightRange[0]) + self.AttentionWeightRange[0]
# 计算加权输入
weighted_input = torch.mul(input, attention_weights.unsqueeze(1).expand\_as(input))
output = torch.sum(weighted_input, dim=0)
return output
## 十三、故事创作
**用途**： 这个功能真的太太太棒了，以后我自己列提纲出来就可以写小说啦！
### 13-1、爱情故事
### 13-2、恐怖故事
## 十四、问题类比
**用途**： 当你想要做一个比喻时，这是一个很棒的功能。
## 十五、创建SQL需求
**用途**： 写SQL有时候挺头疼的，想好久想不起来。
## 十六、情感分析
**用途**： 这个功能让我想起来在之前公司做的情感分析任务了。
## 十七、将产品描述转变为广告
**用途**： 这个功能对于商家来说太棒了。
## 十八、关键字提取
**用途**： NLP任务的重要作用，关键字提取！
## 十九、闲聊机器人
**用途**：这个不多说了，用来闲聊体验感真的很不错。
---
## 二十、总结
**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上物联网嵌入式知识点，真正体系化！**
**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、电子书籍、讲解视频，并且后续会持续更新**
**[如果你需要这些资料，可以戳这里获取](https://gitee.com/vip204888)**
