期刊模板word公式灰色一键恢复 最近在投递期刊时发现，IEEE旗下的期刊官网下载的word模板，编辑公式时，word自带的公式编辑器无法使用，显示为灰色，这就意味着我需要把其他文档编辑的公式用mathtype重新编辑一遍，这简直就是灾难。下面介绍一键恢复编辑的终极大招：打开左上角文件→信息→转为兼容模式。OK，大功告成！

卡尔曼滤波 暂无简介

电源防反接电路 暂无简介

数据结构之常见数据类型 常见的数据类型，耳熟能详： {x} 1、数组 {x} 2、链表 {x} 3、栈 {x} 4、队列这几个有什么区别呢？ { } 数组的特征为:读取O(1)修改O(1)插入O(n)删除O(n)数组在内存中连续分布的一段，由于CPU物理设计的因素，一段内存读取的时候往往读取一片，因此数组具有极高的读取效率，后边的栈和队列一般都是给予数组实现。动态数组的概念。 { } 链表读取O(n)修改O(n)插入O(1)删除O(1)区别于数组，链表遵循前一个指向后一个的原则，每个元素存储数值和下一个指针（双向链表为两个指针），在内存中不一定连续，基本不连续。 { } 栈 一般由数组实现，因此继承了数组的特性 先入后出原则，就像叠叠乐，后进的先出去，操作为push入和pop出 { } 队列 队列类似排队，先入先出，后入后出。循环数组可实现队列

机器学习概览 机器学习根据数据集和工作内容的不同可以分为监督学习、无监督学习和强化学习。监督学习是目前用到较多的一种，它一般指数据集中有标签，即我们的学习目标是一个确定的，不管是回归还是分类任务；无监督学习是只有数据集，让机器自动学习特征，比如电商平台的推荐算法，聚类算法及现在超火的AIGC；强化学习指通过与环境的交互来学习如何做出决策，在实际环境中给予模型惩罚和奖励，使其不断完善，从而获得更大的收获，比如围棋人机对战。对于机器学习，完整的流程为：输入数据→预测→计算损失→计算梯度→更新参数……从简单的线性回归讲起，一个简单的线性回归模型可以写为：w为权重，b为偏置。 {x} 损失函数损失函数即模型预测值与真实值之间的偏差，以均方根误差来说就是：模型训练的目标就是要让损失函数达到最小，那如何调整参数使损失函数减小呢？这就涉及到了梯度下降。 {x} 梯度下降 那么什么是梯度呢？什么是梯度下降呢？梯度可参考高等数学中偏导数内容。梯度的方向就是函数值增长最快的方向，反之梯度的反方向就是函数值下降最快的方向。根据偏导数公式，可以得到损失函数的梯度为：基于梯度公式，参数更新的公式可以表示为：这里的η也就是我们常说的学习率，一般的学习率需要根据经验设定。学习率过小，模型收敛过慢，时间长；学习率大，模型振荡，甚至可能无法收敛。梯度下降常见的一些算法：动量法、AdaGrad、自适应矩估计（Adam），Adam是深度学习中使用最广泛的首选优化器。 {x} 线性回归模型的评估欠拟合和过拟合解决欠拟合：特征工程，增加训练轮数，增加模型复杂度抑制过拟合的常见方法包括：正则化（Ridge的L2，Lasso的L1），减小训练轮数，增加训练数据，降低模型复杂度，Dropout等方法常见的机器学习算法包括线性回归算法、逻辑回归算法、k-means聚类算法、决策树（随机森林）、PCA降维下一章节深度学习：深度学习(DL)又叫神经网络，属于机器学习(ML)的一种，机器学习属于人工智能(AI)领域内容深度学习之所以叫深度学习实在是因为没办法，至暗时刻学界提及深度学习则被至之一旁，那就是由于大名鼎鼎的异或问题，单层感知机面对异或问题时进入死胡同，数学上可证明无解。虽然多层感知机可以很好的解决这个问题，但是受限于多层网络参数优化的问题，在当时并不具备竞争力。直至链式法则带来的反向传播算法才让深度学习迎来了新的曙光。