该项目研究了图神经网络在电力系统分析中的应用。 它旨在比较图神经网络 (GNN) 与传统多层感知器 (MLP) 模型在相同模型复杂度下的性能。 代码是在 Jupyter Notebook IDE 中使用 pytorch 框架开发的。 神经网络（NN）的最新进展框架被称为图神经网络（GNN），在电力系统中，电网可以被表示为一个具有高维特征和总线之间相互依赖关系的图，为电力系统分析提供更好的机器学习状态，在GNN框架中整合电网拓扑结构用于电力流的应用。 在电网中，总线可以被看作是节点，而线可以被看作是边。节点的特征是电压、电压角、有功功率和无功功率，而线路的特征可以是线路电流和线路电阻。 Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包）

BP神经网络的数据分类(Matlab完整程序和数据) BP神经网络的数据分类(Matlab完整程序和数据) BP神经网络的数据分类(Matlab完整程序和数据) BP神经网络的数据分类——语音特征信号分类 BP神经网络的数据分类——语音特征信号分类

基于 GNN 的链接预测器（Python完整源码和数据包） 调查了多个基于图形神经网络的端到端链接预测架构；编码器为GCN、RGCN、GAT、GraphSAGE，解码器为Inner-Product、Dedicom、DistMult；使用PyTorchGeometric进行建模。 在Cora、Citeseer、Pubmed数据集上进行了基准测试；GCN编码器和基于Dedicom的解码器在所有数据集上的表现都优于其他数据集（大于2%）。

python数据分析 2022年轿车销量爬虫和数据可视化源码，数据会随着月份实时改变，先爬取网页数据，再对数据进行柱状图和饼状图可视化分析，并制作相关答辩PPT。（源码+PPT）PPT对代码作用进行简单的讲解，有数据清洗，数据处理，技术难点，数据分析等。用到的可视化库为Matplotlib。

主要是调试gt9xx时使用的数据数据和参考文件，移植到android上的。

GNN基于已知结构和假设结构能量的数据预测（Python完整源码和数据包） GNN基于已知结构和假设结构能量的数据预测（Python完整源码和数据包） GNN基于已知结构和假设结构能量的数据预测（Python完整源码和数据包） GNN基于已知结构和假设结构能量的数据预测（Python完整源码和数据包） GNN基于已知结构和假设结构能量的数据预测（Python完整源码和数据包） GNN基于已知结构和假设结构能量的数据预测（Python完整源码和数据包） GNN基于已知结构和假设结构能量的数据预测（Python完整源码和数据包） GNN基于已知结构和假设结构能量的数据预测（Python完整源码和数据包） GNN基于已知结构和假设结构能量的数据预测（Python完整源码和数据包） GNN基于已知结构和假设结构能量的数据预测（Python完整源码和数据包） GNN基于已知结构和假设结构能量的数据预测（Python完整源码和数据包） GNN基于已知结构和假设结构能量的数据预测（Python完整源码和数据包） GNN基于已知结构和假设结构能量的数据预测（Python完整源码和数据包）

GNN基于电子健康记录的变异正则化图谱表征（Python完整源码和数据包） GNN基于电子健康记录的变异正则化图谱表征（Python完整源码和数据包） GNN基于电子健康记录的变异正则化图谱表征（Python完整源码和数据包） GNN基于电子健康记录的变异正则化图谱表征（Python完整源码和数据包）

基于Gamma Correcction的回归模型（Python完整源码和数据包） 基于Gamma Correcction的回归模型（Python完整源码和数据包） 基于Gamma Correcction的回归模型（Python完整源码和数据包）

基于GNN神经网络的结构搜索（Python完整源码和数据包） 基于GNN神经网络的结构搜索（Python完整源码和数据包） 基于GNN神经网络的结构搜索（Python完整源码和数据包） 基于GNN神经网络的结构搜索（Python完整源码和数据包）

基于GNN和ARIMA的时间序列预测（Python完整源码和数据包） 一个基于GNN和ARIMA的时间序列预测，包括数据预处理和预测方法。 基于GNN和ARIMA的时间序列预测（Python完整源码和数据包） 一个基于GNN和ARIMA的时间序列预测，包括数据预处理和预测方法。