卷积神经网络（CNN）用来提取特征，采用SVM分类器进行训练和分类
2022-10-21 12:05:45
727KB
1
基于SIFT特征提取和K-means分类模式识别系统的设计与实现代码大全.pdf基于SIFT特征提取和K-means分类模式识别系统的设计与实现代码大全.pdf基于SIFT特征提取和K-means分类模式识别系统的设计与实现代码大全.pdf
2022-10-19 17:05:16
702KB
1
传统光伏发电功率预测存在因气象因素特征提取不综合不精确而导致预测精度不高的问题. 为了充分挖掘气象因素对光伏出力的影响, 并有效利用深度学习技术在非线性拟合方面的优势, 本文提出了一种基于气象因素充分挖掘的双向长短期记忆(Bi-directional Long Short Term Memory, BiLSTM)网络光伏发电短期功率预测方法. 在对原始数据进行异常值及标准化处理的基础上, 采用K近邻算法(K-Nearest Neighbor, KNN)在外界温度、湿度、压强等诸多气象因素中充分挖掘影响光伏出力的关键因素, 重构多元数据序列, 并在探索输入层时间步长、模型层数及每层维数等超参数的合理设置方案的基础上, 构建BiLSTM网络模型, 实现光伏发电短期功率的高精度预测. 仿真结果表明, 与KNN、深度信念网络(DBN)、BiLSTM、PCA-LSTM等经典方法比较, 所提KNN-BiLSTM方法具有更高的预测精度.
2022-10-19 17:01:25
1.36MB
1
使用步骤
1.安装labelme，使用 pip install labelme 命令即可。
2.在labelme环境下输入 labelme命令，打开labelme软件，对图片进行标记，具体方法就是用多边形将所有水体部分圈起来命名为water，并保存文件(json格式)。
3.将main.m文件内fname和imagename改为对应的json文件名和image文件名，之后使用matlab运行main.m文件，稍等片刻，即可看到训练过程，训练结束后可以看到ac率和预测后图像和原始图像的对比。
labelme的GitHub地址：
文件中包含两个测试样例，image1和image2，分别是单通道的遥感水体图像，分辨率为79317301和一个从网上下载的RGB水体图像，分辨率为500333.
2022-10-13 21:04:42
32.63MB
1
目前支持进行提取的特征包括：
1.max ：最大值 2.min ：最小值 3. mean ：平均值 4.peak ：峰峰值 5.arv ：整流平均值
6.var ：方差 7.std ：标准差 8.kurtosis ：峭度 9.skewness ：偏度 10.rms ：均方根
11.waveformF ：波形因子 12.peakF ：峰值因子 13.impulseF ：脉冲因子
14.clearanceF：裕度因子 15.FC：重心频率 16.MSF：均方频率 17.RMSF：均方根频率
18.VF：频率方差 19.RVF：频率标准差 20.SKMean：谱峭度的均值 21.SKStd：谱峭度的标准差
22.SKSkewness：谱峭度的偏度 23.SKKurtosis：谱峭度的峭度
function fea = genFeatureTF(data,fs,featureNamesCell)
% 时域、频域相关算法的信号特征提取函数
2022-10-08 16:20:13
14KB
1