目录1. 前言2. 双边CUSUM算法原理3. 基于复合滑动窗的暂态事件检测3.1 高斯加权平均3.2 检测窗口的Sigmoid处理3.3 检测暂态过程起止位置4. Summary1. 前言本文是对以下论文的解读笔记。注意在下文中“该论文”和“本文”是指向不同的对象。史帅彬等：基于复合滑动窗的CUSUM暂态事件检测算法, 电测与仪表2019年9月10日在非侵入式负荷监测中，暂态特征和稳态特征是负荷

本文是对以下论文的阅读笔记，附有一定的解读和思考。牛卢璐，贾宏杰：一种适用于非侵入式负荷监测的暂态事件检测算法, 电力系统自动化2011

DTW（ Dynamic Time Warping，动态时间规整）是基于动态规划（Dynamic Programming）策略对两个时序列通过非线性地进行时域对准（Timing alignment）调整以便于正确地计算两者之间相似度（similarity）的一种算法。本文简单介绍DTW算法所针对的问题背景、DTW基本算法流程，并给出简单的Python实现例。

本系列综合地介绍TDOA定位的数学描述（方程组）以及几种典型的TDOA方程组求解算法，包括Chan's method, Fang's method, Foy's method...以及各种算法的实现及基于仿真的性能对比

介绍TDOA算法之Fang's Method的求解推导过程

在Python中启用随机种子（random seed）是为了确保你的随机数生成过程是可重复的。通过设置随机种子，你可以保证每次运行代码时生成的随机数序列都是相同的。这在调试、测试或者需要可重复结果的科学计算中非常有用。Python的random模块和numpy库的随机数生成器都支持设置随机种子。以下介绍如何在这两个模块中设置随机种子的方法。

XGBoost( eXtreme Gradient Boosting：极限梯度提升)是基于决策树的集成机器学习算法，它以梯度提升（Gradient Boost）为框架，由GBDT发展而来。它的主要目标是提升模型运行的速度和有效性(efficiency)。本文不涉及更深的理论介绍（感兴趣者可以去读原论文, Ref3提供了一个不错的解读），仅限于基于代码实验简要介绍如何构建你的第一个XGboost应用

本文我们针对多臂老虎机问题做一个基于python的仿真，通过仿真来具体地探索一下epsilon-greedy算法在多臂老虎机问题上的表现。本文中代码在Jupyter Notebook中运行确认过。

在经典世界里进行这样的计算，比如说，考虑在经典计算机上变成实现以上处理的话，计算机需要先计算门作用于基态0的效果，然后再计算门作用于基态1的效果，然后再对两个处理的结果进行线性组合得到新的状态。研究多量子系统的主要目的在于研究当不同量子比特之间存在相互作用的情况，只能用一个能够正确表现量子位间相互作用的新的向量空间来描述。从另外一个角度来看，经典比特要么处于0状态、要么处于1状态，而量子比特的状态

特征图的可视化，是指对于给定输入图像，展示模型处理后的各中间层（包括卷积层和池化层等）输出的特征图（各中间层的激活函数的输出代表该层特征图）。这让我们可以看到输入数据在网络中是如何被分解，不同滤波器分别聚焦于原始图像的什么方面的信息。我们希望在三个维度对特征图进行可视化：宽度、高度和深度（通道，channel）。每个通道都对应相对独立的特征。所以将这些特征图可视化的正确方法是将每个通道的内容分别会