挖掘的机械号牌是啥(怎么学习深度学习)

挖掘的机械号牌是啥，怎么学习深度学习？

深度学习，就是深层神经网络，仅此而已罢了，直接给你个基于深度学习的心音信号分类的例子。心音信号(PCG)是人体重要的生理信号，携带大量生理特征，但这些微弱信号的提取极易受到外界的干扰，关于心音信号处理相关的文章，可参考下面几篇博士论文，讲的非常详细，因此，不再赘述。

[1]陈尧. 心音心电信号处理的神经网络方法[D].四川大学,2021.

[2]李婷. 基于循环平稳信号理论的心音信号处理方法研究[D].大连理工大学,2015.

[3]韩威. 小样本心音分类方法研究[D].广东工业大学,2020.

首先进行心音信号2分类，即正常与异常分类，首先看一下本次试验用的GoogLeNet网络结构信息

看一下Layers结构

看下输入层信息

看一下两类PCG样本的时域波形

然后定义连续小波变换的滤波器组

fb = cwtfilterbank('SignalLength',signalLength,'VoicesPerOctave',12)

将生成的时频图像导入数据文件夹中

allImages = imageDatastore(fullfile(tempdir,dataDir),... 'IncludeSubfolders',true,'LabelSource','foldernames');

80%的样本用于训练，20%的样本用于测试

rng default [imgsTrain,imgsValidation] = splitEachLabel(allImages,0.8,'randomized'); disp(['Number of training images: ',num2str(numel(imgsTrain.Files))]); disp(['Number of validation images: ',num2str(numel(imgsValidation.Files))]);

Number of training images: 1673

Number of validation images: 419

看一下PCG信号CWT时频谱图的样子，首先看一下异常样本

再看一下正常常样本

设置GoogleNet网络的训练参数，采用sgdm优化算法，小批量尺寸MiniBatchSize=15，最大迭代次数MaxEpochs=20，初始学习率InitialLearnRate=1e-4。

options = trainingOptions('sgdm',... 'MiniBatchSize',15,... 'MaxEpochs',20,... 'InitialLearnRate',1e-4,... 'ValidationData',imgsValidation,... 'ValidationFrequency',10,... 'Verbose',false,... 'ExecutionEnvironment','gpu',... 'Plots','training-progress');

开始训练网络

trainedGN = trainNetwork(imgsTrain,lgraph_2,options);

进行网络测试

[YPred,probs] = classify(trainedGN,imgsValidation); accuracy = mean(YPred==imgsValidation.Labels); display(['GoogLeNet Accuracy: ',num2str(accuracy)])

GoogLeNet Accuracy: 0.89948，GoogLeNet的准确率达到了90%左右，不是很高，因为样本并不是很多。

看一下混淆矩阵

计算一下各个类别的分类指标

%"异常”类别分类指标 RecallAbnormal = Matrice_confusione.NormalizedValues(1,1)/sum(Matrice_confusione.NormalizedValues(1,:)); PrecisionAbnormal = Matrice_confusione.NormalizedValues(1,1)/sum(Matrice_confusione.NormalizedValues(:,1)); F1Abnormal = harmmean([RecallAbnormal PrecisionAbnormal]); fprintf('RecallAbnormal = %2.3f\nPrecisionAbnormal = %2.3f\nF1Abnormal = %2.3f\n',100*RecallAbnormal,100*PrecisionAbnormal,100*F1Abnormal); %"正常"类别分类指标 RecallNormal = Matrice_confusione.NormalizedValues(2,2)/sum(Matrice_confusione.NormalizedValues(2,:)); PrecisionNormal = Matrice_confusione.NormalizedValues(2,2)/sum(Matrice_confusione.NormalizedValues(:,2)); F1Normal = harmmean([RecallNormal PrecisionNormal]); fprintf('RecallNormal = %2.3f\nPrecisionNormal = %2.3f\nF1Normal = %2.3f\n',100*RecallNormal,100*PrecisionNormal,100*F1Normal);

RecallAbnormal = 82.470 PrecisionAbnormal = 86.250 F1Abnormal = 84.318 RecallNormal = 93.592 PrecisionNormal = 91.635 F1Normal = 92.603

因为本例只是个示范，所用的样本相对于GoogleNet结构并不多，所以分类准确率并不高。

下面进行心音信号5分类，即正常normal,主动脉瓣反流 AR,主动脉瓣狭窄AS,二尖瓣反流MR,二尖瓣狭窄MS五类，同样本例只是个示范，所用的样本较少，所以分类准确率并不高。看一下5类PCG样本的时域波形

然后定义连续小波变换的滤波器组

fb = cwtfilterbank('SignalLength',signalLength,'VoicesPerOctave',12)

看一下生成的CWT时频谱图

将生成的时频图像导入数据文件夹中

allImages = imageDatastore(fullfile(tempdir,dataDir),... 'IncludeSubfolders',true,'LabelSource','foldernames');

70%的样本用于训练，30%的样本用于测试

rng default [imgsTrain,imgsValidation] = splitEachLabel(allImages,0.7,'randomized'); disp(['Number of training images: ',num2str(numel(imgsTrain.Files))]); disp(['Number of validation images: ',num2str(numel(imgsValidation.Files))]);

设置GoogleNet网络的训练参数

options = trainingOptions('sgdm',... 'MiniBatchSize',15,... 'MaxEpochs',20,... 'InitialLearnRate',1e-4,... 'ValidationData',imgsValidation,... 'ValidationFrequency',10,... 'Verbose',false,... 'ExecutionEnvironment','gpu',... 'Plots','training-progress');

开始训练

trainedGN = trainNetwork(imgsTrain,lgraph_2,options);

进行图像样本分类

[YPred,probs] = classify(trainedGN,imgsValidation); accuracy = mean(YPred==imgsValidation.Labels); display(['GoogLeNet Accuracy: ',num2str(accuracy)])

GoogLeNet Accuracy: 0.9

看一下各类别的分类指标

%"normal" 类别分类指标 RecallNormal = Matrice_confusione.NormalizedValues(5,5)/sum(Matrice_confusione.NormalizedValues(5,:)); PrecisionNormal = Matrice_confusione.NormalizedValues(5,5)/sum(Matrice_confusione.NormalizedValues(:,5)); F1Normal = harmmean([RecallNormal PrecisionNormal]); fprintf('RecallNormal = %2.3f\nPrecisionNormal = %2.3f\nF1Normal = %2.3f\n',100*RecallNormal,100*PrecisionNormal,100*F1Normal); %"AR"类别分类指标 RecallAR = Matrice_confusione.NormalizedValues(1,1)/sum(Matrice_confusione.NormalizedValues(1,:)); PrecisionAR = Matrice_confusione.NormalizedValues(1,1)/sum(Matrice_confusione.NormalizedValues(:,1)); F1AR = harmmean([RecallAR PrecisionAR]); fprintf('RecallAR = %2.3f\nPrecisionAR = %2.3f\nF1AR = %2.3f\n',100*RecallAR,100*PrecisionAR,100*F1AR); % "AS"类别分类指标 RecallAS = Matrice_confusione.NormalizedValues(2,2)/sum(Matrice_confusione.NormalizedValues(2,:)); PrecisionAS = Matrice_confusione.NormalizedValues(2,2)/sum(Matrice_confusione.NormalizedValues(:,2)); F1AS = harmmean([RecallAS PrecisionAS]); fprintf('RecallAS = %2.3f\nPrecisionAS = %2.3f\nF1AS = %2.3f\n',100*RecallAS,100*PrecisionAS,100*F1AS); %"MR"类别分类指标 RecallMR = Matrice_confusione.NormalizedValues(3,3)/sum(Matrice_confusione.NormalizedValues(3,:)); PrecisionMR = Matrice_confusione.NormalizedValues(3,3)/sum(Matrice_confusione.NormalizedValues(:,3)); F1MR = harmmean([RecallMR PrecisionMR]); fprintf('RecallMR = %2.3f\nPrecisionMR = %2.3f\nF1MR = %2.3f\n',100*RecallMR,100*PrecisionMR,100*F1MR); %"MS"类别分类指标 RecallMS = Matrice_confusione.NormalizedValues(4,4)/sum(Matrice_confusione.NormalizedValues(4,:)); PrecisionMS = Matrice_confusione.NormalizedValues(4,4)/sum(Matrice_confusione.NormalizedValues(:,4)); F1MS = harmmean([RecallMS PrecisionMS]); fprintf('RecallMS = %2.3f\nPrecisionMS = %2.3f\nF1MS = %2.3f\n',100*RecallMS,100*PrecisionMS,100*F1MS);

RecallNormal = 100.000 PrecisionNormal = 100.000 F1Normal = 100.000 RecallAR = 100.000 PrecisionAR = 75.000 F1AR = 85.714 RecallAS = 83.333 PrecisionAS = 100.000 F1AS = 90.909 RecallMR = 80.000 PrecisionMR = 100.000 F1MR = 88.889 RecallMS = 83.333 PrecisionMS = 83.333 F1MS = 83.333

由于小样本原因，准确率不是很高。重点来了，更重要的是看看如何进行改进

改进方向：信号前处理

1.可以使用合适的信号降噪方法，移不变小波去噪方法对于PCG,ECG等信号来说还是不错的

基于Cycle Spinning的移不变小波去噪 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/539089086

2.根据PCG信号的波形，可以自适应的构造更合适的小波

利用机器学习模型设计正交小波滤波器 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/537254014

为连续小波变换CWT构造新小波 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/534682868

3.使用时频谱图更加集中的同步压缩变换

同步压缩变换初探 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/543569766

高阶同步压缩变换--占坑 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/544716722

在网络选取方面

GoogLeNet相对于本文样本来说太大了，同时我并不推荐迁移学习和样本生成方法，不要问我为什么

基于小波时间散射网络的ECG 信号分类 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/539001673

基于小波散射算法的空气压缩机异常噪声诊断 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/531077421

码字不易，且行且珍惜

42厢货属于不属于专项作业车？

4.2米厢式蓝牌货车不属于专项作业车是属于小型车。载货汽车可分为重型、中型、轻型、微型四个种类。其中，重型和中型载货汽车核发大型货车号牌（俗称黄牌）；轻型和微型载货汽车核发小型货车号牌（俗称蓝牌）。

专项作业车属于货车，要看行驶证上标注的是什么。标注的是载货类专项作业车，就属于货车。如果标注的是非载货类专项作业车，就不属于货车，货车型是用于牵引、清障、清扫、清洁、起重、装卸、升降、搅拌、挖掘、推土等的各种专用机动车。

那么怎么才能抓住这样的牛股呢？

我一看题目，说实在的不想回答。妖股？人人都想买支上涨几连板的妖股，很多人一个板都很难抓到，几连板就更难了，像题主所说的四连板、五连板更甚至是九连板的情况，我炒股快20年来，我抓过三连板，说真的再多的板儿我也拿不住。那么多的连板倒是经常看到过。但是，这么多年来据我观察有以下几点，下面进入正题，这么多的连板是在什么情况下能出现呢。

第一，新股发行，在某支即将发行的新股在二级市场时，基本都是开盘直接上板，最少也是8-10个板儿，多则20个板都有这种情况一般是深市和创业板的新股连板要多些。这个一般人是不可能抓的，只有中签的才会赚到这样的牛股。

第二，在消息上近两年公司重组成功与不成功都并不出牛股。牛股的发动有一部分是受政策、公司或消息上有利好刺激，还得需要一个前提是此股长期趴在底部缩量横盘没涨的，举个例子；我在去年360回归概念的“天业股份”和“中信国安”抄个底部一个赚了两个板，一个赚了三个板，之后就没敢再进，后面涨的就只有看着了。

第三，牛股有个特点就是超跌现象，在底部会有个小幅度的上升，随后出现调整，同时成交量缓慢放大，主力的这种行为是在试盘，试试看散户的跟风情况。一旦调整过后，它会在散户不注意的时候加速出击上涨，此时，筹码都控制在主力的手里，拉升没毛病，到那时几连板都是它，根本就不给散户进入的机会。一直涨到翻倍为止，散户只剩下哭天沫泪直后悔。

笔者03年入市，至今已有十多年了。通过十多年的股市闯荡，练就了高超的看盘功夫，稳健的实战技能，干净利落的操盘手法，特此建立了一个微信公众平台：（股海小伊）微信：1614953395，每天讲解选牛股思路，在每天早上都会有很多粉丝朋友感谢本人分享的选股法，看懂后选出不少牛股，也是抓住了不菲的收益。

笔者每天坚持讲解，继续讲解来反馈粉丝朋友对我的支持，目前已经有很多粉丝都已经学会，近期都抓住了不少短线牛股。如果你也是操作短线的新股民，希望你发3分钟看完，之前选的牛股很多，就比如：

温州宏丰，我们可以看到该股股价前期跌至底部的3.51元后，在底部开始横盘震荡，近期以阳线突破了前期的压力位，而本人发现主力资金却在持续的进场，与股价形成了背离，在低位形成了企稳信号，在9号果断的选出讲解， 果不其然之后也是连续涨停，很多之前看过本人讲解的朋友都是抓到了这48个点的收益。恭喜抓住的朋友。

亚振家居，此股同样也是股价下跌至底部的7.68元，后开始调整，股价开始出现企稳，主力资金大幅度进场，本人及时发文讲解，截止目前也是收获77个点！在当天看过文章讲解的新股民都是抓到了这波的收益。再次恭喜抓住的粉丝！

【潜力黑马】

本人一直在讲思路，讲技巧，就是为了提高朋友们的选股和操作能力，更好的适应股市！像九有股份、南风股份这样的短期爆发牛股，本人在选股文章会持续讲解，又到了每日竞猜时刻，看下面这只股能不能如上面一样走出短线行情：

该股走势非常明显，上升回档形态，本周经过连续阴跌回调，主力洗盘彻底，吸筹完毕，回调结束转强，量价齐升，该股后期走势和买卖时机将另行发布，想抓机会的股友留意。【小伊微信：1614953395】

本人在定期跟踪研究很久的几只类似的股票已经选出来，有兴趣的朋友，可以自行去查看最后，如果手中有个股被套，不知道如何解套，买卖点把握不好的朋友，都可以与笔者（微信：1614953395）取得联系，本人看到后，必当鼎力相助！

在学习过程中，有什么问题，也可以给小伊私信，大家一起交流。

看完点赞，腰缠万贯！祝大家股市长虹~

互金协会点名玩客币为变相ICO？

容社长赏你一个白眼，然后告诉你：没死！

不过与阿里巴巴同为第一代互联网企业的迅雷，确实已经掉出了第一梯队，且存在感微弱，微弱到有人认为人家已经死了。

从股价上看，迅雷股价一直都是投资者颇的心头恨，即使有雷布斯在后面撑腰。

最惨的是2015年3月，迅雷当时公布2014年年度财报。之后的股价以过山车向下俯冲之势迅速变为6.4美元。要知道不久前招股时的价格是12美元，这个数字较上市最高峰时期下降超60%，并成功将迅雷市值缩水至4.44亿美元。

但最近一个月内，迅雷也算出尽风头。10月，迅雷股价如过山车上冲之势，飙升三倍，随后又在高点下跌25%，引起无数争议。

10月10日迅雷的股价为4.29美元，11月2日涨到最高价13.28美元，看清楚了，从4美元区间涨至13美元区间，涨了两倍还多呢！

此次暴涨的背后其实是迅雷的营销产品玩客云的带动。

迅雷对购买玩客云用户奖励共享带宽奖励，方式和此前的赚钱宝类似，最重要的是，还有玩客云的产物——玩客币。

ICO被取缔后，梦想着“一币一别墅”的群体，开始把希望寄托在玩客币上，坚信它会成为下一个比特币。截至11月8日，玩客币已被挖出44023095个。按照公开交易均价3.38 元/币计算，2个月内玩客币市值已经达到1.5亿元。

ICO被取缔后，梦想着“一币一别墅”的人们，开始把希望寄托在玩客币上，坚信它会成为下一个比特币。截至11月8日，玩客币已被挖出44023095个。按照公开交易均价3.38 元/币计算，2个月内玩客币市值已经达到1.5亿元。

迅雷CEO陈磊最近公开表态也说，将向区块链和共享计算转型。虽然玩客币目前乱象丛生，但靠着迅雷的底子社长认为他们离死还蛮远的。