聊点更新

距离上次更新我的blog已经过了很久了。主要是因为懒，也因为有很多其他有意思的事情让我去忙，所以暂时就搁置了blog的事情。说到底写blog对我来说只是像是游戏一样的事情，探索、发现、解决、创造以及最后的满足感。是个游戏当然就会玩腻，没有新的玩法时就会不想继续。

话虽如此，游戏也是有长期养成和短期快乐之分的。也许我应该从短期的快乐中脱离出来，才能获得长期源源不断地满足感。但是话虽如此，如果短期快乐源源不断，涓涓细流是否是更好的选择其实也不能一概而论。虽说会有沉溺于奶头乐的说法，但是生理上是否有变化也未曾可知，就算是有变化，这种变化是否稳定，能否通过其他的方式矫正也是一个未知数。说到底未知才会带来恐惧，我们出于对未知的恐惧的恐惧，才会让我们避免未知吧。

写着写着，感觉自己的想法就像是深度优先搜索，一路向下。不过深度优先搜索可能会遇到无法找到结果问题，果然对于简单的搜索算法来说，广度优先搜索可能更加适合个人的思考吧。虽说最好的方式肯定是两者的结合，但是毕竟人不是程序，也难以评定该到哪个深度为止吧。从另外的角度来说，对于思考而言，思考的广度是无限的，而人所能达到的深度是有限的。这么看来，限制思考的广度，优先进行深度倒是更有道理。

话说回游戏

不想说了

记点最近的经验

本来思考着可以用一维信号的时频图代替原始的波形进行震相的识别，以及抹消高频信息带来的影响，同时也可以起到降低输入维度的作用，但是最近的尝试不尽人意。最让人头疼的是，输出的一维数组存在着相当的高维信息，即便是在输出层前加入平均池化层也没能让输出变得更加平滑。同时有些优化过程倾向于输出一条直线，我认为是loss函数的问题，但是我又很难选定一个有效的方便优化的方程。我也考虑了这些高频信息是由原始输入直接叠加到解码器上的问题，但是即便是去掉最后几层的链接块，也很难把这些高频信息所抹消。

最有可能的是网络结构本身的问题，也许我可以放弃Y结构而使用V结构，这样本身是有一定的合理性的。同时如果采用LSTM或者TCN网络将这个问题变成多维数组预测一维视角序列的问题，或许也是可以尝试的方法。当然短时傅里叶变化的窗口大小问题也值得多进行尝试，如果是分辨率的问题，我大概可以换用NTFT来代替短时傅里叶变换。总之需要尝试的地方还有很多，如果这个方法可行的话，那么泛化性问题是可以避免的。总会有些量是不随着环境的变化而变化的，只要找到这个恒定的量，使用ai进行预测，大概就会有意想不到的收获。