课程资源下载列表第1548页

[讲义] 利用卷积神经网络支持向量回归机的地区负荷聚类集成预测_沈兆轩.pdf

说明：为提高地区负荷预测的运算效率和预测精度，本文提出了一种基于卷积神经网络支持向量回归机的地区负荷聚类集成预测方法。首先，通过聚类模型对地区内大量用户的真实负荷数据进行分组并分析了不同聚类模型的效果。其次，使用得到的聚类分组标签将用户数据分组集成并构建训练数据。然后，基于改进的卷积神经网络构建了卷积神经网络支持向量回归机模型。最后，分组进行负荷预测并将预测结果求和得到地区最终预测月负荷，并与卷积神经网络模型、长短期记忆神经网络模型、决策树模型、支持向量回归机模型进行对比。本文使用扬
<SparkQiang> 上传 | 大小：668kb

[讲义] 基于VMD_FFT_LSTM模型的BDI指数预测_武华华.pdf

说明：为提升非线性BDI 指数的预测效果，分析了多种预测模型对BDI 指数的单步及多步预测结果，借助“分解-重构-预测”思路，设计构建了VMD-FFT-LSTM 组合预测模型．首先，通过VMD 算法分解出BDI 指数的IMF 分量; 然后，结合BDI 指数周期理论与FFT 算法计算的周期结果重构IMF，达到降噪的目的; 最后，运用LSTM 模型对重构序列进行多步预测．对比多步预测结果，VMD-FFT-LSTM 组合模型预测结果在精度及稳定性上表现更好，解决了 SVＲ模型多步预测结果易
<SparkQiang> 上传 | 大小：464kb

[讲义] 基于kmeans聚类与BP神经网络算法的办公建筑逐时电负荷预测_刘倩颖.pdf

说明：基于青岛某办公建筑2015 年全年逐时总用电能耗及空调用电能耗数据，利用kmeans 聚类算法对其进行聚类，将全年能耗水平分为四大类。利用求平均值法得到每一类典型设备使用率曲线。将典型曲线的数据、日前两周数据以及气象数据一同作为BP 神经网络的输入，预测未来24 小时的建筑总用电和空调用电，该方法比单用日前两周数据及气象数据进行负荷预测能获得更低的相对误差、均方根误差、平均绝对百分误差。BP 负荷预测相对误差在5%以内，而kmeans－BP 负荷预测算法控制在±2．5%以内; BP 预测
<SparkQiang> 上传 | 大小：2mb

[讲义] 基于变分模态分解和SVM的滚动轴承故障诊断_王新.pdf

说明：针对滚动轴承振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况，提出了基于变分模态分解( Variational mode decomposition，VMD) 与支持向量机( Support vector machine，SVM) 相结合的滚动轴承故障诊断方法。该方法融合了变分模态分解和支持向量机的优势，通过变分模态分解将滚动轴承振动信号分解成若干个本征模态函数分量，轴承发生不同故障时，不同本征模态函数内的频带能量会发生变化，从包含有主要故障信息的模态分量中提取能量特征作为SV
<SparkQiang> 上传 | 大小：1mb

[讲义] 基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断_刘长良.pdf

说明：为了精准、稳定地提取滚动轴承故障特征，提出了基于变分模态分解和奇异值分解的特征提取方法，采用标准模糊C 均值聚类(fuzzy C means clustering，FCM)进行故障识别
<SparkQiang> 上传 | 大小：915kb

[讲义] 基于模糊聚类分析与BP网络的电力系统短期负荷预测_姚李孝.pdf

说明：：提出了一种基于模糊聚类分析和BP 网络的短期负荷预测方法。考虑了温度、相对湿度以及日类型等影响负荷的因素, 通过模糊聚类分析将负荷历史数据分成若干类，找出同预测日相符的预测类别，然后建立相应的BP 网络模型，用附加动量和变学习速率的方法预测每小时的负荷。对于西安地区实际负荷的预测结果的分析表明该方法有较高的预测精度，取得了令人满意的结果。
<SparkQiang> 上传 | 大小：2mb

[Java] Java EE调用百度API，进行人脸识别登陆

说明：Java EE调用百度API，进行人脸注册，注册后可以登陆，会调用百度API人脸搜索，搜索成功即可登陆，填写自己申请的百度API密钥即可使用
<xtlhq> 上传 | 大小：2mb

[Java] servlet.zip

说明：Servlet运行于支持Java的应用服务器中。Servlet可以响应任何类型的请求，但绝大多数情况下Servlet只用来扩展基于HTTP协议的Web服务器。
<qq_42795277> 上传 | 大小：225kb