行为预测模型：Social LSTM与Graph Neural Networks

论文阅读：social lstm：Human Trajectory Prediction in Crowded Spaces

社会LSTM：拥挤空间中的人类轨迹预测 学习笔记参考：study note: https://www.zybuluo.com/ArrowLLL/note/981714 摘要：行人遵循不同的轨迹以避开障碍物并容纳行人。任何导航这样一个场景的自动驾驶车辆都应该能够预见到行人的未来位置并相应地调整其路径以避免碰撞。轨迹预测的这个问题可以被视为序列生成任务，我们有兴趣根据他们过去的位置预测人的未来轨迹...

（7-5-1）行为预测算法：Social LSTM轨迹预测算法

Social LSTM（Long Short-Term Memory）是一种基于LSTM的神经网络模型，专门设计用于处理多智能体系统（multi-agent systems）中的轨迹预测问题。Social LSTM 扩展了传统的LSTM模型，以便更好地处理由多个移动智能体组成的系统的时空数据。在本节的项目中，利用Social-LSTM算法进行行人轨迹预测，目的是研究轨迹数据处理对行人轨迹预测准确性的影响。并且在项目中重写了Social-LSTM算法，使其能够处理标准化和非标准化的完整轨迹预测。

（7-5-3）行为预测算法：Social LSTM轨迹预测算法——训练模型

通过定义和调用多个函数，该文件实现了对轨迹数据集的训练和验证，输出训练过程中的损失信息，并保存训练好的模型。（2）定义函数train函数，功能是实现模型的训练过程，遍历训练数据集，计算损失并进行反向传播更新模型参数。该函数处理轨迹数据的批量训练，计算损失函数，并更新模型权重，记录训练过程的性能指标。（4）调用函数main，这是程序的入口点，负责整个轨迹预测模型的训练过程。（1）定义主函数main，主函数负责整个训练流程的入口，包括参数解析、数据集加载、模型初始化、训练和验证循环，以及模型保存等功能。

（7-5-2）行为预测算法：Social LSTM轨迹预测算法

在本项目中，文件train_helper.py的作用是提供了训练过程中的辅助函数，特别是 sample 函数，它实现了模型的采样功能。这个文件中的函数通过对 Social LSTM 模型的运用，能够在给定输入轨迹的情况下，生成模型预测的轨迹样本。这在训练过程中是很关键的，因为它允许评估模型对于轨迹生成任务的性能，同时也为模型的监督学习提供了辅助。在本项目中，文件grid.py的主要作用是为 Social LSTM 模型提供输入数据的预处理，具体而言，它生成表示行人在相互网格中占用情况的二进制掩码。

Social-LSTM行人轨迹预测：从原理到完整实现

行人轨迹预测是自动驾驶、智能监控和机器人导航等领域的关键技术。Social-LSTM作为该领域的里程碑式工作，首次将长短期记忆网络与社交池化机制相结合，实现了对拥挤场景中行人交互的建模。本文系统介绍Social-LSTM的模型原理、数学形式化表达、完整PyTorch实现以及实验评估方法。文章包含详细论述，涵盖从理论基础到代码落地的全流程，帮助读者深入理解并复现这一经典算法。~~~~

交通状态预测 | Python实现基于Social-LSTM的轨迹预测方法

交通状态预测 | Python实现基于Social-LSTM的轨迹预测方法

social-lstm:社会主导的LSTM模型可预测Reddit上的社区间冲突

社会性LSTM预测社区间冲突 作者： （ ）， （ ） 概述 该软件包包含用于复制预测结果的代码，该论文发表在The Web Conference（ie，WWW）2018论文中。该任务旨在在Reddit.com上预测社区间的动员和冲突。 特别是，我们研究了一个社区（“源”）发布超链接到另一社区（“目标”）的帖子的情况，目标是预测此“交叉链接”帖子是否会导致重大的“动员”参加目标社区的源社区成员的数量。 主要模型是“社会主导的” LSTM，它使用用户和社区的向量嵌入来帮助做出此预测。 特别是，使用“ node2vec”样式的方法学习用户和社区的嵌入，并且我们使用这些嵌入（以及来自交叉链接帖子的文本信息）来预测该帖子是否会导致动员。 有关更多详细信息，请参见和。 如果您使用与此项目关联的代码或数据，请引用以下文章： @inproceedings{kumar2018conflic

social_lstm_keras_tf-master_social_lstm轨迹预测_keras_lstm轨迹预测_行人轨迹_

social_lstm行人轨迹预测代码，基于keras，在Linux下运行

论文笔记：基于对比学习的半监督分类学习方法

论文阅读笔记_CCSSL

清理异常值（MAD：绝对中位差）

清理异常数据： 中位数绝对偏差（MAD）：用来描述单变量样本在定量数据中可变的一种标准 在统计学中，绝对中位差是刻画一元数据样本变化的一个鲁棒度量。由公式可以看出，其求解还算简单，给定一个数据样本集，首先求其中位数，然后求原始数据减去中位数的绝对值从而形成一个新的数据样本，再求新的数据样本的中位数即为绝对中位差。比如说有一个数据样本集X={2 3 8 7 9 6 4}，这时候数据的中位数是6，原...

Yolov8-pose关键点检测：loss优化 | LRM loss困难样本挖掘，提升难样本、遮挡物等检测精度

LRM loss应用到能够大幅提升pose遮挡物性能

手把手教你学 Simulink (1.3)：探索Simulink模块库的奇妙世界

Simulink模块库按照功能分为多个类别，每个类别包含专门用于特定任务的模块。% 打开Simulink库浏览器% 或者以编程方式获取库列表disp('可用的库列表:');end常用模块(Simulink)：最基础和最常用的模块信号处理模块(DSP System Toolbox)：专业信号处理工具通信模块(Communications Toolbox)：通信系统设计控制系统模块(Control System Toolbox)：控制系统设计与分析% 创建自定义模块库。

反光柱定位算法实战03：VEnus代码解析和纯反光柱定位中的可改进方向

本文深入解析了开源框架VEnus的反光柱定位与建图实现流程，包括强度提取、聚类、数据关联、位姿优化等核心模块。同时指出其三大局限：匹配质量脆弱性、单一传感器依赖和地图扩展逻辑缺失，并提出改进方向：融合里程计/IMU数据、引入图优化后端、建立动态地图维护机制。该分析为基于反光柱的定位系统优化提供了实用参考，有助于提升工业场景下的定位鲁棒性和精确性。

基于YOLOv11的人脸识别系统：从构建到应用的全流程指南

深度学习是机器学习的一个分支，旨在通过多层神经网络模拟人脑的认知能力。它能够从大量数据中自动提取特征，并进行准确的预测和分类。在计算机视觉领域，深度学习技术已经取得了显著的成果，尤其是在图像识别、目标检测等方面。YOLOv11是YOLO系列模型的最新版本，结合了卷积神经网络（CNN）和其他创新技术。它在保持高精度的同时，显著提高了推理速度。YOLOv11的结构轻量且高效，非常适合实时目标检测任务。人脸检测的目标是从图像或视频中定位所有人脸的位置。

【毕设护航】从0构建YOLOv8犬类识别系统，120种犬类精准检测+可视化界面全流程指南

本文介绍了一个基于YOLOv8的120种犬类目标检测与可视化系统毕业设计项目。该项目使用Stanford Dogs数据集，将图像分类任务转化为目标检测任务。主要内容包括：数据预处理（XML标注转换为YOLO格式）、YOLOv8模型训练与测试（包含训练脚本编写和推理实现），以及基于Tkinter的图形界面开发。该项目技术链条完整，涵盖检测、分割等多任务支持，适合作为计算机视觉方向的毕业设计选题，兼具技术深度和展示效果。

【2025年华为秋招（AI）-11月19日-第一题（100分）- 选择题】（题目+思路+Java&C++&Python解析+在线测试)

本文摘要： 本文包含15道单选题和5道多选题，涵盖机器学习、深度学习、概率统计和数值计算等多个领域。单选题涉及Transformer的Softmax层作用、最小二乘法拟合、概率密度计算、注意力机制、反向传播问题、ROC曲线用途、截断误差来源等知识点。多选题考察大模型训练技术、BERT/GPT比较、强化学习对齐方法、CNN常见层以及PCA特性等内容。题目设计注重理论与实践结合，既包含数学推导，又关注前沿技术应用，全面检验读者对机器学习核心概念的理解能力。正确答案均附有详细解析，帮助理解相关技术原理。

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

温度PID控制PLC程序

温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！