建立了端到端深度网络模型M-B-LSTM，以解决了深度网络学习和预测流量随机性和分布不平衡过程中的不确定性和过拟合问题。

包含源码、数据集、实验报告 python实现k-means聚类方法和混合高斯模型，可供学习使用

包含光伏储能系统: 风电+光伏+蓄电池储能，用于储能策略研究+MPPT

深度学习—长江混合船舶数据集 长江自己拍的数据集加上seaship部分数据集

混合动力汽车整车匹配系统开发

混合自动编码器模型 这是D.Zhang的本文混合自动编码器中描述的模型的实现。 用法 python3 src/main.py --input-train tests/clusters_norm_10_train.mat --training-steps 100 --classifier-topology 64 32 16 --num-clusters 3 --autoencoder-topology 64 32 16 8 --input-dim 8 --input-predict tests/clusters_norm_10_test_1.mat --output results.mat --autoencoders-activation tanh tanh tanh tanh usage: Mixture Autoencoder model [-h] [--input-train IN

3、列混合变换的逆 因为列混合变换是把状态的每一列都乘以一个固定的多项式c(x) : b(x)=a(x)c(x) mod x4+1 所以列混合变换的逆就是状态的每列都乘以c(x)的逆多项式d(x)： d(x)=(c(x) )-1 mod x4+1 c(x)=03x3+01x2+01x+02 d(x)=0Bx3+0Dx2+09x+0E AES的基本逆变换

带有发电机前端调速装置的混合传动风电系统可以在没有电力电子变频设备的情况下与电网友好连接，有望解决现有主流变速恒频并网风电机组存在的无功损耗大、低电压穿越能力弱、输出电能质量和动态稳定性不高等问题。为了进一步提高风电机组的并网运行性能，提出一种含制氢储能的混合传动风电系统的基本架构，并对所提系统的能量传输机理与数值建模方法进行详细研究。搭建1.5 MW含制氢储能的混合传动风电系统的仿真模型，并利用物理试验对仿真模型进行原理验证。在随机变化风速输入和电网电压故障下，对所提系统的运行特性展开深入研究，结果表明含制氢储能的混合传动风电系统不仅可以有效平抑输出功率的波动，还可以提高系统的故障穿越能力和持续运行稳定性。

如果聚类的数量是预定义的，GMM 会返回一组点的聚类质心和聚类方差。 然后可以将质心和方差传递给高斯 pdf 以计算输入查询点相对于给定集群的相似度。

针对机器人在形状未知接触环境表面上进行柔顺力控制问题，在传统的力/位混合控制模型中采用一种智能预测算法，此算法通过三种预测因子预测并调整未来采样时刻的力/位混合控制模型中的期望轨迹，并考虑环境曲率和刚度变化的特点。为了验证预测算法的有效性，构建了开放式的机器人力控制系统，在不同期望力、不同跟踪速度下对非规则受限表面进行了力控制实验研究，分析了受限系统中未知环境参数对接触力的影响。实验结果证明该方法对未知接触环境的变化具有较强的适应能力。在实验条件下，稳定状态下的力控制误差可以控制在3%之内。