精华内容
下载资源
问答
  • 论文查重参考文献不算?

    万次阅读 2017-06-27 13:08:51
    但论文很多文字是一样的,比如同一个学校的毕业论文封面页信息、参考文献、尾注、页眉等信息,这些在论文查重系统中不算重复呢? 其实不用担心的,学校一般使用的中国知网进行论文检测的,正确的格式是不检测论文...

    国外大学几乎把论文当作毕业的唯一标准,如今国内学校也是把论文当作学生论文成绩的标准之一。论文对于大家论文查重参考文献算不算?来说太重要了,那么问题来了:
    学校为了防止论文抄袭,会采用查重软件检测。但论文很多文字是一样的,比如同一个学校的毕业论文封面页信息、参考文献、尾注、页眉等信息,这些在论文查重系统中算不算重复呢?
    其实不用担心的,学校一般使用的中国知网进行论文检测的,正确的格式是不检测论文封面、目录、参考文献、引用、致谢等的。
    知网会根据论文目录进行分章节检测,不参与检测的会使用灰色表示,当检测对比数据库不同时,结果也会有差异。
    注意事项:论文目录应自动生成,论文封面应使用学校下载后的千万不要修改、引用要严格使用word进行自动引用,脚注尾注还有参考文献同样,合理使用word可以降低论文重复率。
    对于不参加检测的内容,需要满足几个条件,请看以下条件:
    1、首先如果是“引用”需要对于这段引用的句子加“”号,如果是文献需要加“【1】”等。
    2、这段引用的内容需要在论文检测系统数据库中收录,这样系统才能判断此内容。
    3、引用的内容不能超过论文检测系统的限制,否则会因引用过度被标红或者无法识别出来。
    需要满足以上三个条件,那么对于论文查重检测系统才能够很好的识别,这里提醒大家,如果引用率过高,而抄袭率不高,一样也可能不通过学校的检测的。这个是两个概念哦。如果自己不放心,可以在Cncnki查重网www.cncnki.com进行先检测一下,然后自己心里有底!

    展开全文
  • 千行代码缺陷参考

    万次阅读 2014-11-13 11:51:29
    千行代码缺陷(bug): CMM1级 11.95‰ CMM2级 5.52‰ CMM3级 2.39‰ CMM4级 0.92‰ CMM5级 0.32‰
    千行代码缺陷率(bug率):
    


    CMM1级    11.95‰

    CMM2级    5.52‰

    CMM3级    2.39‰

    CMM4级    0.92‰

    CMM5级    0.32‰
    展开全文
  • CAN 485通信距离 波特率参考

    千次阅读 2020-06-29 16:40:48
    网上找的数据,放这里记录一下 CAN通信参考 速率(Kbps) 距离(m) 1000 40 500 130 250 270 125 530 100 620 50 1300 20 3300 10 6700 485通信参考 波特

    网上找的数据,放这里记录一下
    CAN通信参考
    速率(Kbps) 距离(m)
    1000 40
    500 130
    250 270
    125 530
    100 620
    50 1300
    20 3300
    10 6700

    485通信参考
    波特率 最大距离
    2400 1800m
    4800 1200m
    9600 800m
    19200 600m

    这个是网上找来的,根据项目实测一下的数据

    CAN通信在450米的时候,100K波特率是没有问题的,125K就不行了
    400米的时候,125K可以
    300米的时候,125K可以
    150米的时候,250K可以。
    50米的时候,500K可以

    485通信,在450米的时候,115200没问题

    展开全文
  • 因子分析参考:波动因子分析

    万次阅读 2018-04-27 14:16:49
    波动因子在现代投资组合理论中,马科维茨首先提出可以使用资产收益序列的标准差来衡量其波动情况,自此以后收益波动成为最常用的风险度量之一。在传统的资产定价理论中,资产波动是最重要的参数之一。波动越...

    from: https://www.ricequant.com/community/topic/4185/

    第二篇.波动率因子

    在现代投资组合理论中,马科维茨首先提出可以使用资产收益序列的标准差来衡量其波动情况,自此以后收益波动率成为最常用的风险度量之一。在传统的资产定价理论中,资产波动率是最重要的参数之一。波动率越大,资产预期收益的不确定性越高,资产公允价格也越高,来作为投资者承担收益不确定性的风险补偿。从我们下文分析结果来看,个股波动率因子暴露度和其未来预期收益总体上存在负相关(详见“IC分析”和“收益分析”),表明投资者更偏好于持有低波动率的个股,而高波动率的个股长期而言并未获得相应的风险补偿。

    在上一期多因子检验研究报告中,我们对估值因子进行了系统检验。在本期报告中,我们进一步使用股票量价数据的波动率作为选股因子。传统的套利定价理论(Arbitrage Pricing Theory,APT)把影响股票价格的因子分成公共因子/风格因子(common/style factors)及特异因子(Idiosyncratic factor)两类。其中公共因子用于刻画影响全市场股票价格的共同因素,而特异因子则用于捕捉个股自身的波动特征。在本期报告中,我们选取了2个公共波动率因子和5个特异波动率因子进行系统检验(图1)。测试时间区间为2015年1月1日~2017年8月1日,测试股票池为全市场,调仓时间为每周一


    一、因子定义

    本次报告所采用的波动率因子定义见表1,其中,STD和VOLBT为公共波动率因子,用于刻画影响全市场股票指标波动的共同因素;其余5个因子为特质波动率因子,用于捕捉个股自身的波动特征。具体波动率因子计算表达式详见附录1。

     表1           波动率因子及其描述

    大类因子

    具体因子

    因子描述

    波动率因子

    STD

    日收益率标准差(个股的总风险=过去30天的收益率的标准差)

    VOLBT

    成交量的Beta(个股最近120天每日成交量的变化率和上证指数成交量变化率的回归系数)

    IVCAPM

    基于CAPM的特质波动率(个股过去30天的日收益率和市场因子1的回归的残差项的标准差)

    IVFF

    基于Fama-French的特质波动率(个股过去30天的日收益率和市场因子1,市值因子2,估值因子3回归的残差项的标准差)

    IVFF-DOWN

    基于Fama-French的特质下行波动率(个股过去30天的日收益率和市场因子1,市值因子2,估值因子3回归所得残差项中小于零部分的标准差)

    IVFF-UP

    基于Fama-French的特质上行波动率(个股过去30天的日收益率和市场因子1,市值因子2,估值因子3回归所得残差项中大于零部分的标准差)

    IVCARHART

    基于Carhart的特质波动率(个股过去30天的日收益率和市场因子1,市值因子2,估值因子3,动量因子4回归所得残差项的标准差)

     

    备注:

    1、  市场因子:上证指数的日收益率

    2、  市值因子:定期取流通市值最小的1/3只股票和市值最大的1/3只股票,分别按照流通市值加权计算收益率,使用小市值股票组合和大市值股票组合的收益差作为市值因子。

    3、  估值因子:定期取估值最小(即PB最小)的1/3只股票和估值最大的1/3只股票,分别按照流通市值加权计算收益率,使用估值小的股票组合和估值大的股票组合的收益差作为估值因子。

    4、  动量因子:定期取过去30天累计收益率最小的1/3只股票和累计收益率最大的1/3只股票,分别按照流通市值加权计算收益率,使用累计收益高的股票组合和累计收益低的股票组合的收益差作为动量因子。



    二、   因子暴露度的相关性

    图2.1和图2.2展示了因子暴露度的平均相关性,基于2016年8月1日到2017年8月1日STD,VOLBT,IVCAPM,IVFF,IVFF_DOWN,IVFF_UP,IVCARHART七个因子的暴露度数据,计算出各个因子之间暴露度的平均相关系数如图2.1和2.2所示。可以看出采用FF模型和CARHART模型的计算出的特质波动率因子的相关性都较高,其中IVFF和IVCARHART因子之间,使用两种方式(pearson、spearman)计算的平均相关系数都是0.98。但是VOLBT与其他因子的相关系数不高,说明了根据成交量计算的VOLBT与其他因子的表现可能有所不同。


                图2.1       波动率因子暴露度的Pearson相关性



                图2.2       波动率因子暴露度的spearman相关性

    三、   因子暴露度的自相关关系

    图3.1和图3.2展示了使用pearson和spearman计算的波动率因子自相关系数,这两种计算方式结果并没有太大区别;std因子的衰减速率最低,IVFF和IVCARHART两个因子的自相关性衰减速率没有明显差异,IVFF_UP因子的自相关性衰退速率最快。这说明股票的波动特征具有较强的延续性,而不同时期的特异波动率则变化较快。



    图3.1       波动率因子的pearson自相关性对比图



    图3.2       波动率因子的spearman自相关性对比图

    四、   IC分析

    因子有效性是指因子是否可以获得持续、稳定的alpha收益,本次报告主要使用IC分析及其衍生的指标对因子的有效性进行评估。

    4.1        IC的统计分析

    IC(信息系数):

    在本次报告中,我们定义IC为每个时间截点上因子在各个股票的暴露度和股票下期收益的pearson相关系数,IC值越高意味着该因子的暴露度与未来收益率存在较明显的相关关系。

    IR(信息比):

    信息率原意是指残差收益率的年化预测值与其年化波动率之比,在本次报告中,我们将IR简化定义为因子在测试期间内IC的均值与IC的标准差的比值。

    对于所有因子我们分别在整个测试时期进行相关系数统计量分析。根据表4.1,可以看出波动率因子的IC平均值都小于零,其中,特质波动率因子的IC平均值的绝对值比较高,并且IR(信息率)的绝对值较大,说明特质波动率因子和收益率有较明显的负相关关系,对于预测未来收益率存在一定的参考价值;VOLBT因子的IC标准差最小,说明VOLBT的IC分布较集中,但是在测试期间内的IR值偏小,说明该因子对未来收益率上没有可以太多的参考价值。

    图4.1展示了因子的IC的分布直方图,可以看出VOLBT的IC分布更加集中,但是偏离零的距离不大,其余的因子相对于零有左偏的趋势;

    表4.1                基于测试期间样本计算的因子IC相关统计量

     

    IC平均值

    IC的标准差

    IR

    std

    -0.020195

    0.127192

    -0.158779

    volbt

    -0.003158

    0.088825

    -0.035552

    ivcapm

    -0.031459

    0.126870

    -0.247960

    ivff

    -0.048068

    0.128613

    -0.373740

    ivff_up

    -0.033301

    0.102809

    -0.323909

    ivff_down

    -0.051556

    0.103131

    -0.499910

    ivcarhart

    -0.051030

    0.132148

    -0.386159


    图4.1波动率因子的IC分布直方图

     

     

    4.2        IC的特征分析

    一般而言,市场风格不是一层不变的,而是轮动的,所以根据上面定义的IC会存在符号上的切换,所以在选择因子的时候,一般是计算相关系数正负的比例,选择相关比例较高的一个方向作为因子在未来的预测方向。这里选择了正相关显著比例负相关显著比例同向比例状态切换比例作为衡量因子方向的指标。

    假如同向显著比例占上风,则意味着该段时间内因子的风格延续性较强,可以使用动态权重来调整因子的权重;同理,如果状态切换比例占上风,对于因子的赋权应该使用静态权重

    特征分析中相关名词的定义如下:

    显著

    是指采用相关系数的显著性水平小于一定阈值的样本。

    正相关显著比例:

    显著的正相关系数占样本的比例

    负相关显著比例:

    显著的负相关系数占样本的比例

    状态切换比例

    前后两期中相关系数符号相反占样本的比例。

    同向比例

    前后两期中相关系数符号相同占样本的比例。

     

    表4.2展示了测试期间波动率因子的相关系数的特征分析,可以看出IVFF、IVCARHART两个波动率因子的负相关显著比例和同向切换比例较突出,即IVFF和IVCARHART两个因子暴露度与收益率可能存在较明显的负相关关系的趋势。

     表     4.2             基于测试期间样本计算的IC的特征分析

     

    ivcarhart

    ivff_down

    ivff_up

    ivff

    ivcapm

    volbt

    std

    正相关显著比例

    0.200

    0.133

    0.156

    0.215

    0.203

    0.198

    0.203

    负相关显著比例

    0.504

    0.467

    0.430

    0.511

    0.380

    0.203

    0.428

    同向比例

    0.530

    0.567

    0.575

    0.522

    0.575

    0.489

    0.532

    状态切换比例

    0.470

    0.433

    0.425

    0.478

    0.425

    0.511

    0.468

     4.3        IC的时间序列分析

    此次我们采用了移动平均窗口为24周的移动平均线对比不同波动率因子在时间序列上的不同。图4.3展示了波动率因子IC移动平均对比情况,可以看出剔除市值因素和估值因素的特质波动率因子与未剔除这两个因素的因子(IVCAPM)表现存在差异,IVCAPM在股灾期间的IC移动平均线迅速下降;VOLBT因子在测试期间在移动平均线在2015到2016年出现反转,在2016年的下半年至今VOLBT因子的IC移动平均线在0到0.02之间波动,根据成交量回归计算的VOLBT因子在股灾期间的IC有由负到正的趋势,说明对上证成交量敏感的大盘股在股灾期间比小盘股的预期收益更高;其余根据价格计算的波动率因子的移动平均线在股灾期间在负半轴上的绝对值增大,说明价格波动率越大,预期收益越小。

    波动率因子的IC时间序列图与对比图见附录2


                    

    图4.3      波动率因子24周移动平均对比图


    五、   因子市值分析

    本次报告中我们将全市场股票的市值取对数后由小至大分成5组宽度相等的市值区间,即按照从小到大依次将市值区间定义为超小规模、小规模、中等规模、大规模、超大规模的市值分组类型。

    5.1        因子暴露度的市值分布差异

    表5.1展示了VOLBT因子的平均暴露度在测试时期内与市值有明显单调递增关系。但是STD因子和特质波动率因子在小市值规模的平均暴露度大于大市值规模的平均暴露度,即小市值规模的股票有较大的波动率。对比因子暴露度和平均IC的市值分布差异,波动率因子的暴露度和平均IC在分布上没有明显的相似性,建议在使用上述波动率因子选股时使用市值中性化处理。

    波动率因子在测试区间的市值分布差异的具体分布情况图详见附录3


    表5.1       波动率因子暴露度的市值分布差异

    市值分组

    std

    volbt

    ivcapm

    ivff

    ivff_up

    ivff_down

    ivcarhart

    超小规模

    11.99859

    0.880332

    0.164069

    0.283574

    0.21046

    0.144243

    4.205816

    小规模

    13.47889

    1.012519

    0.1622

    0.288199

    0.210853

    0.146727

    4.269581

    中等规模

    12.37633

    1.201447

    0.15271

    0.254104

    0.183528

    0.132256

    3.746056

    大规模

    12.88961

    1.410127

    0.153678

    0.213041

    0.153154

    0.113047

    3.133962

    超大规模

    7.994204

    1.575401

    0.156399

    0.134564

    0.093919

    0.073892

    1.975904

     

    5.2        IC的市值分布差异

    表5.2展示了波动率因子IC的市值分布差异,其中IC市值分布差异较大的是VOLBT因子,其在超小规模、小规模、超大规模市值区间上的平均IC是正值,说明在超小规模或者超大规模的股票中,根据成交量计算的VOLBT波动率因子的暴露度与预期收益存在正相关关系; IVCARHART因子平均IC的市值分布差异较小,剔除了市值因素和估值因素的IVFF、IVFF-DOWN、IVCARHART因子在小市值股票上的平均IC绝对值都大于大市值上的平均IC绝对值,说明假设大市值股票和小市值股票在IVFF、IVFF-DOWN、IVCARHART的因子暴露度均下降一单位,小市值股票的预期收益率有可能上升更大幅度。


    表5.2       波动率因子平均IC的市值分布差异

    市值分组

    std

    volbt

    ivcapm

    ivff

    ivff_down

    ivff_up

    ivcarhart

    超小规模

    -0.0181

    0.0028

    -0.0298

    -0.0479

    -0.0464

    -0.0278

    -0.0543

    小规模

    -0.0197

    0.0003

    -0.0404

    -0.0503

    -0.0563

    -0.0365

    -0.0532

    中等规模

    -0.0117

    -0.0019

    -0.0473

    -0.0590

    -0.0674

    -0.0392

    -0.0589

    大规模

    0.0108

    -0.0079

    -0.0281

    -0.0475

    -0.0353

    -0.0290

    -0.0462

    超大规模

    -0.0157

    0.0015

    -0.0570

    -0.0298

    -0.0058

    -0.0546

    -0.0380

     




     

    六、   行业分析

    表6.1展示了测试期间内各因子在各行业的平均暴露度和平均IC差异。其中红色表示每个因子平均暴露度或平均IC前5的行业,蓝色表示每个因子平均暴露度或平均IC后5的行业。各因子暴露度和IC的行业分布直方图可参看附录4和附录5。

    从表6.1中在各因子的暴露度行业分布差异上可以看出,std因子暴露度在银行、钢铁、采掘、交通运输和公用事业五个行业的收益波动率较低,而经过多因子回归后,钢铁、采掘、交通运输三个行业的特异波动率(IVFF、IVFF_UP、IVFF_DOWN和IVCARHART)接近全市场平均水平,说明其低波动的特征主要来源于共同因素(市场因子、市值因子、估值因子和动量因子);而银行和公用事业的的公共收益和特异收益波动均较低,反正其低波动的特征是由共同因素和行业内个股波动较低同时决定的。

    类似地,在收益波动较高的行业中,通信、医药生物和传媒的高波动特征主要来源于共同因素,而计算机及国防军工的高波动的特征是由共同因素和行业内个股波动较低同时决定的。

    用于评估成交量波动情况的VOLBT因子和其它用于评估收益波动情况的因子行业分布存在明显差异。 其中,银行、交通运输的成交量波动明显高于市场平均水平。由于上证指数较多成分股分布在这些行业中,因此该结果具有相当合理性。

    从表6.1中在各因子的IC行业分布差异上可以看出VOLBT因子的平均IC在国防军工、通信、电气设备、电子等行业表现为正,在非银金融、有色金属、食品饮料、建筑材料等行业表现为负,说明VOLBT因子的IC在行业上的表现情况存在较大差异,其余波动率因子的平均IC在绝大部分行业均表现为正。通过对比各个波动率因子的暴露度和IC的行业分布差异,波动率因子的暴露度和IC值在分布上没有相似性,因此使用波动率因子在全市场上选股时,建议进行行业的中性化处理。


    表6.1       波动率因子暴露度和平均IC的行业分布差异

     

     



    七、   收益率分析 

     

    图7.1到图7.7展示了七个波动率因子在测试期间的五组累计收益,从1到5分别表示因子暴露度从小到大的股票组合,可以看出除了VOLBT因子分组累计收益没有明显差异之外,其余的因子的分组累计收益均随着因子暴露度增加而减小,其中,STD和IVCAPM的第一组累计收益较高,IVFF-DOWN和IVCARHART因子的分组累计收益的差距明显。这说明股票的收益波动越大,其未来的预期收益越低,这和上面IC分析的结果是一致的。


            

                    图7.1       STD分组累计收益


            

                    图7.2       VOLBT分组累计收益


                    图7.3       IVCAPM分组累计收益


                    图7.4       IVFF分组累计收益

           

                            图7.5       IVFF-UP分组累计收益

             

                             图7.6       IVFF-DOWN分组累计收益

             

                             图7.7       IVCARHART分组累计收益


     八、   总结

    根据各个波动率因子的特征分析进行总结,STD因子的暴露度具有较强的持续性,而其他因子的暴露度持续性较差;

    从相关性分析结果来看,特质波动率因子之间具有较高的相关性,而在其他测试中特质波动率因子的表现结果接近,所以在实际使用中,可以考虑将这些特质波动率因子合成一个因子;

    行业分析表明,各因子的暴露度和平均IC的行业分布差异没有规律性,选股时建议进行行业中性化处理;

    市值分析表明,各因子的暴露度和平均IC的市值分布差异没有规律性,选股时建议进行市值中性化处理;

    IC分析和收益率分析的结果表示,STD因子对市场的反应程度不高,因子的有效性不高;VOLBT因子波动幅度大,受交易量影响大,因子较不稳定,在股灾期间有一定的指示性效果,特质波动率因子表现相似,其中IVFF、IVCARHART的趋势性较好,IVCAPM因子低暴露度的股票组合累计收益较高,IVFF-DOWN和IVCARHART因子的多空收益差较明显。

     

    参考文献:《东方证券_20150909_因子选股系列研究之二:低特质波动,高超额收益》

                        《华泰单因子测试之波动率类因子》

        《东方证券_20150626_因子选股系列研究之一:单因子有效性检验》





    附录1                    波动率因子的计算公式

             

        

          


    附录2                    波动率因子的IC/RANK-IC时间序列与对比图(时间窗口=6周)



    图1          STD的IC时间序列图


    图2          VOLBT的IC时间序列图


    图3          IVCAPM的IC时间序列图


    图4          IVFF的IC时间序列图


    图5          IVFF-UP的IC时间序列图


    图6          IVFF-DOWN的IC时间序列图


            图7          IVCARHART的IC时间序列图


    附录3                    波动率因子暴露度的市值分布差异



                    图8           STD因子平均暴露度的市值分布差异


     

                    图9           VOLBT因子平均暴露度的市值分布差异


                    图10                  IVCAPM因子平均暴露度的市值分布差异


                    图11                  IVFF因子平均暴露度的市值分布差异


                    图12                  IVFF-DOWN因子平均暴露度的市值分布差异


                    图13                  IVFF-UP因子平均暴露度的市值分布差异


                    图14                  IVCARHART因子平均暴露度的市值分布差异

     

     

    附录4                    波动率因子暴露度的行业分布差异

     

                                 


                                 图15                  STD因子平均暴露度的行业分布差异

                                 


                                 图16        VOLBT因子平均暴露度的行业分布差异


                                

                                图17                  IVCAPM因子平均暴露度的行业分布差异

                                 

                                图18        IVFF因子平均暴露度的行业分布差异

                                

                                图19                  IVFF_DOWN因子平均暴露度的行业分布差异

                                

                                图20        IVFF_UP因子平均暴露度的行业分布差异

                                

                                图21        IVCARHART因子平均暴露度的行业分布差异



    附录5                   波动率因子平均IC的行业分布差异


                              

                                图22        STD的IC行业分布差异

                             

                                图23        VOLBT的IC行业分布差异

                            

                                图24        IVCAPM的IC行业分布差异

                            

                                图25        IVFF的IC行业分布差异

                            

                                图26        IVFF-DOWN的IC行业分布差异

                            

                                图27        IVFF-UP的IC行业分布差异

                            

                                图28        IVCARHART的IC行业分布差异



    展开全文
  • 此时若有效地记笔记,可以增进对阅读内容的了解,并于撰写论文时减少时间耗费与挫折感。以下为记笔记的几个重点: 1. 确认哪种类型的概念是笔记重点 先列出有关研究的问题,再进行针对细节的研究。在阅读时...
  • 串口、波特等概念

    万次阅读 多人点赞 2018-06-09 17:00:53
    笔者在这里介绍三种识别串口速率的方法,供大家参考。 UART(Universal Asynchronous serial Receiver and Transmitter)异步串行接收/发送接口,是嵌入式系统里最为重要的接口之一,它不仅用于板级芯片之间的通讯,...
  • 千行代码bug统计

    千次阅读 2020-06-04 16:58:44
    CMMI级别中做出了相关的指标规定,千行代码缺陷(bug): CMM1级 11.95‰ CMM2级 5.52‰ CMM3级 2.39‰ CMM4级 0.92‰ CMM5级 0.32‰ 3、统计方式 git log master..分支名 --no-merges --pretty=tformat: --...
  • OSI 参考模型与TCP/IP 参考模型的比较

    万次阅读 2016-04-29 09:56:07
    OSI 参考模型与TCP/IP 参考模型的比较  【尊重原创,转载请注明出处】http://blog.csdn.net/guyuealian/article/details/51187240  本节内容摘至:《全国计算机等级考试三级网络技术教程》,下载地址:  OSI ...
  • 毕业论文参考文献

    万次阅读 2020-12-10 16:29:09
    在我国各级政府强有力的主导下,旅游产业规模不断壮大,城市旅游综合接待水平不断提高,人们旅游消费需求旺盛,旅游日益成为我国居民生活的...[全文]发表时间:2020-07-04关键词: 旅游管理毕业论文参考文献 旅游...
  • 3.1 学习(learning rate)的选择

    万次阅读 多人点赞 2018-10-17 10:26:08
    参考资料:https://www.cnblogs.com/softzrp/p/6718909.html。 总结一句话:将输出误差反向传播给网络参数,以此来拟合样本的输出。本质上是最优化的一个过程,逐步趋向于最优解。但是每一次更新参数利用...
  • 劳动生产计算公式

    万次阅读 2020-12-24 20:10:43
    计算公式为: 全员劳动生产=工业增加值/全部从业人员平均人数劳动生产计算公式相关话题社会劳动生产提高后同一商品新价值量计算公式是什么?假定某商品原来的单位价值量为M,其他条件都不变。假设生产该商品...
  • 混淆矩阵 在介绍具体的定义之前先了解一些 混淆矩阵(confusion matrix): 一种 NxN 表格,用于总结分类模型的预测效果;即标签和模型预测的分类之间的...参考链接 google 机器学习实战 机器学习性能评估指标
  • 之前,我们把rk3399的安卓源码编译好之后,插上USB转串口模块想进行调试以及查看启动log,发现是乱码,看了wiki后发现串口波特是1500000,波特很高,我用的是MobaXterm这个软件,发现没有1500000这个波特选项...
  • 信道利用总结专题

    万次阅读 多人点赞 2016-11-12 16:19:45
    另外可以参考: http://blog.csdn.net/u011240016/article/details/52613941 终于不再互相有矛盾了。 总结点如下: 推导一个发送周期大小是关键 计算帧序号数是针对一个发送周期而言,不是特指1秒 ...
  • 机器学习--学习

    千次阅读 2017-04-14 09:20:03
    本文从梯度学习算法的角度中看学习对于学习算法性能的影响,以及介绍如何调整学习的一般经验和技巧。 在机器学习中,监督式学习(Supervised Learning)通过定义一个模型,并根据训练集上的数据估计最优参数...
  • 上篇文章我们了解到了如何使用Gradle结合Junit对创建的SpringBoot的应用进行单体测试,这篇文章来接着确认一些如何可视化地确认测试覆盖
  • 准确、精准和召回的理解

    万次阅读 多人点赞 2017-09-29 13:46:56
    而准确、精准和召回也通过混淆矩阵计算出来的。下图是对混淆矩阵的介绍:     其中, TP:样本为正,预测结果为正; FP:样本为负,预测结果为正; TN:样本为负,预测结果为负; FN:样本为正,...
  • Jenkins集成Maven代码测试覆盖插件Cobertura可以很好的测试到没有做单元测试的代码,代码测试覆盖也是一个衡量代码质量的因素。Maven为我们提供了Cobertura插件,可以很好地配置到pom.xml文件中集成。除了...
  • 参考电压

    千次阅读 2020-04-09 11:11:04
    Vref参考电压,又叫基准电压。测量参数以该电压作为比较/计算比率,实际上可以看作一个系数。 ADC的数字输出表示输入与参考的比率,DAC的数字输入定义了模拟输出与参考的比率。有些转换器内置了参考,有些转换器...
  • 准确98%的深度学习交通标志识别是如何做到的 https://yq.aliyun.com/articles/195729 这篇文章的我做的任务有类似的地方:object detection, 43分类,标志物比较相似。 区别是我的检测是全图检测,包含了大面积...
  • 迁移 计算方法及用途 风控建模系列 02 在上一篇博客中,我们讲解了vintage分析的原理及方法(https://blog.csdn.net/weixin_44239904/article/details/99745084)。而迁移经常与vintage分析一同被人提到,不少人...
  • 信息增益、Gini、信息增益
  • 在分类任务中,人们总是喜欢基于错误来衡量分类器任务的成功程度。错误指的是在所有测试样例中错分的样例比例。实际上,这样的度量错误掩盖了样例如何被分错的事实。在机器学习中,有一个普遍适用的称为混淆矩阵...
  • 参考图像清晰度评价

    万次阅读 2016-03-16 13:07:17
    参考图像清晰度评价
  • STM32串口自动识别波特

    千次阅读 2019-01-21 18:00:12
    置顶/星标公众号,不错过每一条消息! 最近有朋友问关于UART串口自动识别波特的问题,今天就在这里写点相关内容。1写在前面关于自动识别UART串口波特的这个问题...
  • 代码覆盖

    千次阅读 2016-08-07 12:41:55
    测试覆盖评价的是测试代码的质量,并不是产品代码的质量 代码覆盖是一种白盒测试,因为测试覆盖是评价产品代码类内部的指标,而不是评价系统接口或规约。测试覆盖尤其用于评价测试代码是否已经覆盖了产品...
  • STM32 ADC采样如何计算

    千次阅读 2019-11-15 20:09:48
    根据奈奎斯特定律,采样必须是信号源最大频率的2倍以上,但是在实际的需求当中,采样应该是Fs>3Fmax . 采样周期=转换时间+读取时间 . 转换时间=采样时间+12个时钟周期(STM32F4)或者 转换时间=采样时间+...
  • 深度学习中学习和batchsize对模型准确的影响

    千次阅读 多人点赞 2020-11-07 23:40:27
    本内容来自其他的人解析,参考链接在最后的注释。 1. 前言 目前深度学习模型多采用批量随机梯度下降算法进行优化,随机梯度下降算法的原理如下: n是批量大小(batchsize),η是学习(learning rate)。可知道除了...
  • 债券市场价格与到期收益

    千次阅读 2021-02-05 05:19:36
    1、关于债券的息票利率和到期收益折现亚 也就是说我的一笔钱 一年后拿到是100块 但是一年利息是2.25% 事实上这笔钱现在只值100/1.0225也就是97.8块 也就是说未来的钱和现在的钱是不一样的,因为金钱有它的时间价值...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 540,102
精华内容 216,040
关键字:

参考率怎么算