al_mn-CSDN博客

原创深度学习|KNN,CNN,RNN,LeNet

本文介绍了KNN、CNN和RNN三种机器学习算法的核心特点及适用场景。KNN是一种基于距离的惰性学习算法，适用于低维结构化数据的简单分类；CNN通过卷积操作自动提取图像等网格数据的局部特征，擅长图像识别任务；RNN利用循环结构处理序列数据，适合自然语言处理和时间序列预测。LeNet论文提出端到端学习范式，利用CNN自动学习特征并构建可微分的图变换网络(GTN)实现模块集成，解决了传统OCR系统面临的难题。两种方法分别模拟了"眼睛"的特征提取能力和"大脑"的协同决策机制，显著提升了系统性能。

2025-07-10 21:41:09 786

原创数学建模|为华北山区乡村制定2024-2030年农作物种植方案，实现利润最大化并降低风险

摘要：针对多地块农业规划问题，研究提出分阶段优化框架解决耕地多样性与种植约束难题。问题一通过地块分类降维（54→3类）结合线性规划与GBDT算法，设计7年种植方案，利润提升10%。问题二引入鲁棒优化与蒙特卡洛模拟处理市场波动，100次模拟验证方案稳定性（利润波动仅3%）。问题三采用Spearman相关系数量化作物交互关系，互补性模型使利润标准差降低42%。创新点在于：多阶段降维策略、随机模拟验证、农艺知识数学化建模，为复杂农业系统优化提供新思路。（149字）

2025-07-10 15:27:45 352

原创 Supervised_Raw_Video_Denoising_With_a_Benchmark_Dataset_on_Dynamic_Scenes论文阅读笔记

本文提出首个动态Raw视频去噪方法RViDeNet，突破传统静态场景限制。通过控制物体运动轨迹获取真实噪声-干净视频对，并设计四通道分离处理策略，结合预去噪引导的可变形对齐和时空注意力机制。实验表明，该方法在Raw和sRGB域均显著优于现有技术，PSNR提升0.26-1.12dB，参数减少75%，同时支持专业Raw和标准sRGB双输出。创新数据集和网络架构为低光视频增强提供了新范式。

2025-07-10 14:30:00 727

原创机器学习基础概念复习

聚类算法：K-Means（球形簇）、DBSCAN（任意形状簇+噪声检测）等无监督方法，用于数据分组。降维技术：如PCA（主成分分析），通过线性变换保留高方差特征，缓解维度灾难。集成学习： Boosting（串行）：迭代优化错分样本，降低偏差。 Bagging（并行）：Bootstrap抽样降低方差，提升泛化性。决策树：基于规则划分数据（ID3/C4.5/CART），易解释但需剪枝防过拟合。随机森林：结合Bagging与特征随机性，集成多棵树以增强鲁棒性，牺牲可解释性换取高精度。

2025-07-10 09:58:57 987

原创 python图像处理常用库

Python图像处理常用库对比：Pillow适合基础操作（对比度调整、旋转、简易马赛克）；OpenCV提供专业级计算机视觉功能（直方图均衡化、仿射变换）；scikit-image适合科研场景（gamma调整、块处理）；Augmentor专为机器学习数据增强设计；NumPy则提供底层像素级控制。选择依据：简单操作选Pillow，专业需求用OpenCV，科研选scikit-image，批量增强用Augmentor。各库可单独使用或组合，满足不同层次的图像处理需求。

2025-07-10 09:32:11 320