tyutwuxuan的博客

原创 CRWU数据集（凯斯西储大学滚动轴承）

该数据集包含轴承故障检测实验数据，主要分为四大类：12k驱动端轴承故障数据、12k风扇端轴承故障数据、48k驱动端轴承故障数据以及正常基线数据。每种故障类型包含滚珠(Ball)、内圈(InnerRace)和外圈(OuterRace)三种故障，并按不同故障直径（0.007-0.028英寸）分类存储。外圈故障数据进一步细分为中心(Centered)、对角(Opposite)和正交(Orthogonal)三种位置类型。所有数据均以.mat格式存储，每组故障包含0-3四个采样文件。数据组织结构清晰，便于进行轴承故障

原创 时间序列类型判断示例

摘要：该电商平台月度销售额数据（2022-2024年）为等间隔单变量非平稳时间序列，存在显著上升趋势（年均增长约12%）和季节性波动（12月峰值）。ADF检验显示原序列非平稳（p=0.43），经一阶差分和12阶季节性差分后达到平稳（p=0.001）。数据同时呈现随机波动，但未发现长期周期性。预处理建议采用复合差分和季节性分解，为后续ARIMA建模提供平稳数据基础。（149字）

原创 航空发动机轴承故障诊断

《航空发动机主轴承故障诊断的挑战与HIT数据集研究》 摘要： 航空发动机主轴承作为关键部件，其可靠性直接影响飞行安全。然而，主轴承故障诊断面临信号信噪比低、传输路径复杂、故障类型多样、变工况运行等挑战。哈尔滨工业大学团队开发的HIT数据集为研究提供了真实工况下的实验数据，包含正常、内圈和外圈故障三种状态，具有高仿真度和强挑战性特点。研究表明，传统诊断方法在该数据集上准确率仅71-85%，突显了诊断难度。团队提出的ISONet新方法通过输入空间过参数化技术，将诊断准确率提升至99%以上，为航空发动机轴承故障诊

原创 图表标题—随章节插入题注

原创 SHAP的实现方式-详述

本文介绍了SHAP库的安装与使用方法，重点解析了12种不同解释器的适用场景。首先通过pip安装SHAP库并展示基础示例代码，然后详细说明各解释器的特点：TreeExplainer适用于树模型，KernelExplainer通用性强但计算成本高，Deep/GradientExplainer针对深度学习模型，LinearExplainer适合线性模型。其他解释器如Partition、Permutation等也各有优势。文章强调应根据模型类型选择合适解释器，并注意背景数据需求和计算成本。最后提供了可视化建议和注意

原创 shap可解释恶意流量检测

HAP（SHapley Additive exPlanations）通过博弈论方法解释机器学习模型预测，在网络安全领域尤其适用于恶意流量检测。该技术能清晰展示每个特征对模型判断的贡献度，帮助分析人员理解黑盒模型的决策依据。

原创 恶意流量异同

近年来，随着TLS(transport layer security)协议的广泛应用，网络加密流量不断增加，已经开启了网络数据传输全加密时代.到2023年，网络加密流量已经占据了98%以上，全球前100个网站中有98%都在使用TLS协议[1].根据Sophos公司分析，2021年第1季度，46%的恶意软件利用了TLS协议进行远程通信，较2020年的23%增长了超过1倍[2].全面采用加密通信的趋势不仅提升了用户数据的安全性，也使得网络环境更加安全可靠.互联网流量、物联网流量、加密流量。

原创 高效清理C盘

Windows系统清理全攻略：从基础到深度优化释放空间。基础清理包括磁盘清理工具（5-10GB）、临时文件删除和冗余软件卸载；深度清理涉及休眠文件关闭（释放内存75%空间）、系统还原点瘦身和WinSxS组件清理（3-8GB）。针对微信/QQ文件、Steam游戏和虚拟内存提供迁移方案，推荐TreeSizeFree等可视化工具。预防性措施包括修改默认存储路径、开启存储感知及规范软件安装位置，终极技巧是转移用户文件夹（可释放20-100GB）。所有操作均兼顾安全性与效率。

原创 基于元学习（Meta-Learning）的恶意流量检测

未来，通过与边缘计算、威胁情报、自动化攻防的深度结合，元学习有望成为应对未知威胁的“自适应免疫系统”，实现从“人工规则维护”到“模型自主进化”的质变。例如，5-way 5-shot任务表示从5类攻击（如DDoS、勒索软件、SQL注入等）中，每类选取5个样本训练模型。”（Learning to Learn），通过让模型从多个相关任务中提取通用知识，实现对新任务的快速适应。例如，银行间共享攻击检测元知识，但不暴露原始数据。模型在运行中持续吸收新样本（如蜜罐捕获的最新攻击），动态更新元知识库，实现“终身学习”。

原创 数字世界的免疫系统：恶意流量检测如何守护网络安全

在2023年全球网络安全威胁报告中，某跨国电商平台每秒拦截的恶意请求峰值达到217万次，这个数字背后是无数黑客精心设计的自动化攻击脚本。恶意流量如同数字世界的埃博拉病毒，正在以指数级速度进化，传统安全防线频频失守。这场没有硝烟的战争中，恶意流量检测技术已成为守护网络空间的最后一道智能防线。

原创 小样本学习综述2025

少样本类增量学习（FSCIL）是机器学习（ML）领域的一项独特挑战，它要求模型能够基于稀疏标注的训练样本持续学习新类别，同时避免遗忘先前学到的知识。尽管该领域近年来取得了一定进展，但仍处于积极探索阶段。本文旨在对FSCIL进行全面系统的梳理。

原创 小样本学习（概念区分）VS对比学习VS元学习的联系与区别

对小样本中的概念进行区分理解；如度量学习，元学习，对比学习等

原创 3、孪生网络/连体网络（Siamese Network）

用Siamese Network (孪生网络) 解决Few-shot learning (小样本学习)。Siamese Network并不是Meta Learning最好的方法，但是通过学习Siamese Network，非常有助于理解其他Meta Learning算法。这里介绍了两种方法：Siamese Network (孪生网络)、Trplet Loss。

原创 2小样本学习（Few-Shot）之相似度及小样本数据集

给六张卡片，逐一对比Query与每一个样本的相似度函数，选择相似度最高的样本。学习一个相似度函数similarity function：sim(x,x')两个样本越相近，相似度越高。

原创 小样本学习（Few-Shot Learning）基本概念 VS 监督学习

使用传统训练集学习一个模型，模型训练好之后，给模型看新的图片做预测。测试样本图片属于已知类别，模型未见过的图片。

原创 恶意流量检测数据集

对当前公开的恶意流量相关数据集进行归类总结，持续更新相关论文

原创 WireShark自动抓包

异常流量检测是当前保护网络空间安全的重要检测方法。对流量的研究，首先需要在系统中进行抓包，并对包进行分析。这里对WireShark自动抓包进行简要介绍。

原创 vSphere Client虚拟机扩容(windows版)

在vSphere Client 作为 VMware 的管理工具的虚拟化环境集群环境中，给每个用户初始化配置相同，随着用户使用，虚拟机资源需求会出现个性化。用户像管理员提出资源扩容申请，需要为虚拟机扩展 CPU、内存和磁盘资源。以下是使用 vSphere Client 为虚拟机扩容的简要操作步骤。

原创 AnythingLLM+LM Studio本地知识库构建

点击"Download for desktop"

原创 离线部署DeepSeek

想要在局域网内部署DeepSeek，此时传统的方式较为复杂。本文提供了一种便捷的部署方式。只需下载软件与DeepSeek包，导入即可搞定。

原创 Windows系统设置默认程序-如Bandzip

一段时间，压缩包打开都需要手动选择解压程序，如何设置默认程序，省去手动选择的过程呢？

原创 人工智能技术&&&网络安全

人工智能的概念诞生于 20 世纪 50 年代，早期的研究主要集中在理论探索和简单的算法模型开发上。例如，图灵测试为衡量机器智能提供了一种思路。在随后的几十年里，人工智能经历了起起落落。20 世纪 80 - 90 年代，专家系统等技术得到了一定发展，但由于技术局限等原因，发展速度有所放缓。进入 21 世纪，随着计算能力的大幅提升、大数据的涌现以及机器学习算法的改进，特别是深度学习的兴起，人工智能迎来了新的高速发展阶段。目前，人工智能在众多领域展现出强大的应用能力。

原创 zotero7显示期刊标签-Green Frog（绿青蛙）&easyScholar

1、浏览器右上角选择，“管理扩展”，左侧搜索easyScholar。然后添加插件。2、浏览器工具栏出现easyScholar标识。

原创 Zotero7在不下载文章的情况下导入文献（BibTeX）

8、找到下载到本地的BibTeX文件，并单击“打开”后，显示导入完成。此时，点击“完成”。3、选择Full Record and Cited References。1、打开web of science，找到需要的文献。5、打开Zetro，选择“文件”，选择“导入”。2、点击Export，选择BibTeX。4、选择Export，下载到本地。6、如下图所示，选择下一步。

原创 Zotero文献管理软件：pdf翻译

Zotero软件使用-pdf在线划词翻译

原创 EndNote导入ArXiv文献

3、进入页面后，选择Export Citation，然后在Select Export Formot中选择"EndNote"，最后点击“Download to File”，下载引用文件到本地目录下。论文写作时，需要引入很多发表在ArXiv上的文献，此时，想要引入EndNote的方法与知网上有所区别。2、然后在新的界面，点击“选择”，选择保存在本地的EndNote文件。1、进入EndNote页面，选择"文件"，“导入”，“文件”3、导入后，显示如下界面。此时，鼠标手动拖入相应的文件库内。

原创 PyQt5 使用pyuic生成文件名错误

编辑pyuic中的实参，修改为：$FileName$ -o$FileNameWithoutExtension$.py。实际生成了$FileNameWithoutExtension$.py。配置pyuic时，实参可能出现空格等情况，解决方法重新修改实参内容。使用pyuic后应生成Register.py。如图所示，原本命名为Register.ui。

原创 pytorch学习15之GPU

指定用于存储和计算的设备，如CPU和GPU。默认情况下，张量是在内存中创建的，然后使用CPU计算它。查询张量所在的设备。默认情况下，张量是在CPU上创建的。神经网络模型可以指定设备。使用GPU存放模型参数。

原创 pytorch学习14之读写文件

张量对象的文件读写，使用save和load函数。通过参数字典保存和加载网络的全部参数。

原创 pytorch学习之代码问题FAQ

python常遇问题及解决方法。

原创 pytorch学习13之自定义层

将层作为组件合并到构建更复杂的模型中net = nn.Sequential(nn.Linear(8, 128), CenteredLayer())#由一个线性层(输入八组拥有128个特征的输入)和一个centeredlayer组成Y = net(torch.rand(4, 8))#生成4组形状和输入一样的矩阵。它是【0,1）之间的均匀分布。#randn是返回一个包含从标准正态分布中抽取的随机数张量。#print(Y)print(Y.mean())#计算会有些误差#带参数的层。

原创 pytorch学习12之延后初始化

回顾之前的学习中，建立网络时：仅定义了网络架构，但没有指定输入维度。添加层时没有指定前一层的输出维度。在初始化参数时，甚至没有足够的信息来确定模型应该包含多少参数。所以需要在框架的延后初始化（defers initialization）。到数据第一次通过模型传递时，框架动态判断每层大小。

原创 pytorch学习11之参数管理

深度学习框架没有提供需要的初始化方法。几种方法访问、初始化和绑定模型参数。使用自定义初始化方法。

原创 pytorch学习10之模型构建

*args相当于收集参数,把若干个参数打包成一个进行传入# 将所有传进来的层（参数）。按顺序放到_modules函数中，将每层作为一个字典# 这里，module是Module子类的一个实例。我们把它保存在'Module'类的成员# 变量_modules中。_module的类型是OrderedDict# OrderedDict保证了按照成员添加的顺序遍历它们# 按顺序一层层调z用return X# 不计算梯度的随机权重参数。因此其在训练期间保持不变# 生成随机权重，不参加训练，不计算梯度。

原创 pytorch学习9之深度学习（层与块）

【代码】pytorch学习9之深度学习（层与块）

原创 pytorch学习8之kaggle房价预测

kaggle比赛之房价预测

原创 远程连接服务器

打开Windows PowerShell。

原创 pycharm远程链接服务器

打开pycharm，选择”工具">”部署”>“配置”。 在弹出的小窗口中，选择“+“号，选择”SFTP“，然后填写远程服务器名称，并点击”ok“。 在”连接“中，填写信息，然后，点击”自动检测“，查看是否配置成功。 在”映射窗口“，配置本地路径，和服务器路径。

原创 pytorch学习7 链式法则及求导

x和w做内积。

原创 pytorch学习6-矩阵计算

梯度指向值变化的最大的方向。