## 1.代码
### 1.1 模型代码
**版本1.0**：包含TE_main1（5个）和TE_main2（4个），前者用于特征提取，后者用于分类器。此版本模型均为二分类，且前者提取到的特征会保存为csv文件，后者直接读取csv文件训练二分类器，并做预测。
*第一版的一个未完成代码：TE_main_tSNE.py，该代码是为了复现 “SAE+t-SNE+DBSCAN&K-means”这篇论文，但是没有完成.*
**版本2.0**：包含TE_Main_DAE+Softmax.py和TE_Main_LSTM&DAE+Softmax.py两个文件（“预训练 + 微调”）。
**版本3.0**：包含TE_FinalModel1 ~ TE_FinalModel10共10个文件。这个版本的模型思想是：将正常样本和故障样本分开提取特征，分开训练二分类器（也是每个故障单独研究），效果极好，最后一个LSTM模型直接训练、测试全部达到了100%，这是因为人为干预了分类器的训练，所以这个版本模型不符合实际规律。
**版本4.0**：TE_FinalModel1 ~ TE_FinalModel10中，
2022-05-12 16:06:12
46.97MB
人工智能-机器学习-钢质管道三层PE防腐生产过程智能控制策略的研究.pdf
2022-05-05 09:09:33
3.47MB
matlab自相关代码使用生成对抗网络生成无模型的可再生能源方案
该存储库包含重现以下论文中显示的结果所必需的源代码：
陈以泽，王义深，丹尼尔·科申和张宝森，
接受IEEE电力系统交易（2018年）特刊，关于将极高渗透率的可再生能源集成到未来的电力系统中
该存储库中显示的方法可用于解决电力系统中的一般场景生成问题。
动机
工程师需要一种高效且可扩展的技术来捕获和建模可再生能源发电过程的时序情景以及时空情景的动态。
提出了基于传统模型的方法，其中有许多模型假设，而另一方面，这些模型很难扩展到不同位置的发电过程。
在该项目中，我们建议使用生成模型集Generative
Adversarial
Networks来为场景生成问题提供数据驱动的解决方案。
生成的样本
在这里，我们显示了一些生成的样本以及样本的自相关
语言和依存关系
我们使用Python来实现该算法。
Matlab中完成了一些数据处理工作。
具体来说，我们使用了开源Python软件包来训练神经网络模型。
要运行代码，您需要安装numpy，pandas，ipdb和matplotlib的标准软件包。
在Linux中，您可以通过pip
2022-03-08 15:44:21
13.73MB
1