针对现有故障选线方法用于中性点经消弧线圈接地系统或相电压过零点附近发生故障时选线不准确的问题,提出一种基于局部全局一致性学习算法的小电流选线方法,即首先对线路接地故障原始信号进行傅里叶变换,然后将各故障信号的特征量输入局部全局一致性学习算法,通过标签循环传递判断故障特征信号,从而选出故障线路。通过Matlab仿真模型与实验室测试平台对该方法进行了研究,结果表明该方法具有较高的选线可靠性与准确性。

机器学习算法第二版 这是Packt发布的《 的代码库。 流行于数据科学和机器学习的算法 这本书是关于什么的？ 机器学习以其强大而快速的大型数据集预测而获得了极大的普及。 但是，强大功能背后的真正力量是涉及大量统计分析的复杂算法，该算法搅动大型数据集并产生实质性见解。 本书涵盖以下激动人心的功能： 研究特征选择和特征工程过程 评估性能和误差权衡以进行线性回归 建立数据模型并使用不同类型的算法了解其工作方式 学习调整支持向量机（SVM）的参数 探索自然语言处理（NLP）和推荐系统的概念 如果您觉得这本书适合您，请立即获取！ 说明和导航 所有代码都组织在文件夹中。 例如，Chapter02。 该代码将如下所示： from sklearn.svm import SVC from sklearn.model_selection import cross_val_score svc =

用于测试基于遥感影像的svm、随机森林、lightGBM等机器学习算法

资源包含Yolov3和Yolov5的可运行的源代码，YOLOv3代码部分包含三个部分：Backbone，PANet，Yolo Head,而Yolov5代码部分包含骨干网络 Focus、BottleneckCSP 和 SSP 网络构成，其中主要包括 Focus、Conv 卷积块、BottleneckCSP 和 SSP 等模块。可以用于后续的训练和模型搭建。

机器学习算法的数学解析与Python实现.docx

蜜蜂CNN模糊进化深度学习算法（人脸识别，智能优化算法，MATLAB源码分享） 在训练阶段之后，可以使用进化算法拟合深度学习权重和偏差。 这里，CNN用于对8个人脸类别进行分类。 在CNN训练之后，创建初始模糊模型以帮助学习过程。 最后，CNN网络权重（来自全连接层）使用蜜蜂算法训练，以自然启发的方式进行拟合（这里是蜜蜂的行为）。 可以将数据与任意数量的样本和类一起使用。 请记住，代码的参数是根据数据进行调整的，如果要替换数据，可能需要更改参数。 图像数据大小为64*64，2维，存储在“CNNDat”文件夹中。 因此，重要的参数如下： “numTrainFiles”=您必须根据每个类中的样本数量来更改它。 例如，如果每个类有120个样本，那么90个就足够好了，因为90个样本用于训练，而其他样本用于测试。 “imageInputLayer”=图像数据的大小，如[64 64 1] “fullyConnectedLayer（完全连接层）”=类的数量，如（8） “MaxEpochs”=越多越好，计算运行时间越长，如405。 “ClusNum”=模糊C均值（FCM）聚类数，如3或4很好

机器学习算法 高斯过程python包安装过程

数据集： Id R F M 1 27 6 232.61 2 3 5 1507.11 3 4 16 817.62 4 3 11 232.81 5 14 7 1913.05 6 19 6 220.07 7 5 2 615.83 8 26 2 1059.66 9 21 9 304.82 10 2 2 1227.96 11 15 2 521.02 代码： # -*- coding: utf-8 -*- # @File : k-means.py # @Date : 2020-02-18 9:58 # @Author : admin

人工智能学习资料集合，有算法手册，以及各种优秀PPT，以及资料整合

1.项目基于机器学习算法，通过对单模型和融合模型计算所得的指标进行对比，实现小分子在人体内清除率指标的预测。 2.项目运行环境：Python环境、安装Jupyter Notebook 或Spyder、需要matplotlib、numpy、pandas 、sklearn安装包库 3.项目包括3个模块：数据预处理，创建模型并编译，模型训练 4.单模型训练：训练岭回归模型、随机森林模型和极端森林模型。 5. 多模型融合：回归问题最简单的模型融合方式，取加权平均对最优的两个模型进行不同权值的平均，最终输出最优的权值结果。 6. 不同模型的评价指标以rmse为指标，经过分析，融合模型得到最低的rmse，为2.698796237546118。