一个完整端到端的机器学习项目__预测建筑物的能源得分(完整分步实现源码+数据集+项目介绍).zip 【项目介绍】 这是一个受监督的回归机器学习任务：给定一组包含目标（在本例中为分数）的数据，我们希望训练一个可以学习将特征（也称为解释变量）映射到目标的模型。 受监督问题： 我们可以知道数据的特征和目标，我们的目标是训练可以学习两者之间映射关系的模型。 回归问题： Energy Star Score是一个连续变量。 在训练中，我们希望模型能够学习特征和分数之间的关系，因此我们给出了特征和答案。然后，为了测试模型的学习效果，我们在一个从未见过答案的测试集上进行评估 【你的收获】 数据清理，探索性数据分析，特征工程和选择等常见问题的解决办法 随机搜索，网格搜索，交叉验证等方法寻找最优超参数 可视化决策树 对完整的机器学习项目流程建立一个宏观的了解！值得拥有！！！

通信电源

渡槽是水工建筑物中应用最广泛的交叉建筑物之一。本书以精练和实用为原则，系统地介绍了渡槽工程的整体布置、结构型式和构造、结构计算和结构优化等内容，并编写了实用性较强的工程实例和电算程序。

建筑物、沙发、3D模型 自己做的，有实图，课程作业，2013 6 29报告完毕

针对现代高层建筑进行沉降观测，对其未来的变形趋势进行准确地预测具有重要的意义。针对传统灰色 GM(1，1)模型存在的模型精度不高的问题，本文提出了一种同时优化背景值和初始条件的GM(1，1)改进模型，并将其应用于对建筑物的沉降变形进行定量分析与即时预报。通过与原始模型和其他模型的对比分析可以发现，本文所研究的改进模型在精度上有了显著的提高，更加适用于基础沉降的预测，具有很好的工程应用价值。

迎风面投影指数计算工具介绍及计算实例

在机载激光雷达扫描过程中,建筑物背面的地面边缘线常常被遮挡,无法获取精确的建筑物背面边缘点信息,在利用获得的激光点云进行三维重建时,使得创建数字表面模型(DSM)的精度较低。为消除背面边缘点缺失造成的DSM精度降低,提出了一种建筑物地面缺失边缘线的自动提取算法;通过提取建筑物侧面和地面局部点云的拟合趋势面,计算两相邻局部趋势面的交线,并补充缺失部分的边缘点数据;最后采用补充了边缘点的建筑物激光点云重建了建筑物的DSM,并对边缘点补充前后的DSM精度进行了对比仿真实验。仿真结果表明,通过提取和补充建筑物的边缘点可有效提高建筑物重建DSM的高程精度。

宁波建筑物矢量数据.zip

建筑物图标

紫外线matlab代码艾达网 AdaNet：人工神经网络的自适应结构学习 参考资料：Cortes, C., Gonzalvo, X., Kuznetsov, V., Mohri, M. & Yang, S.. (2017)。 AdaNet：人工神经网络的自适应结构学习。 第 34 届机器学习国际会议论文集，PMLR 70:874-883 这个 Python 项目旨在实现 AdaNet 的 API，使用基于文章的算法：简而言之，这个模型正在根据它适合的数据复杂性从头构建一个神经网络， 这就是它命名为自适应模型的原因。 对于这个实现，手头的问题总是一个二元分类。 在拟合操作期间，它将构建隐藏层和每层中的神经元数量。 决定是更深（添加隐藏层）还是更宽（将神经元添加到现有层）， 或者更新现有的神经元权重以封闭的计算形式完成（通过使用巴拿赫空间对偶）文章中所示。 最后，它将优化最佳神经元（添加或现有）的权重，更新参数并进行迭代。 文章讲了AdaNet的几个变种，这是AdaNet.CVX的实现， 在附录 C 中解释 - 以封闭形式解决每个步骤中的凸子问题。 文章 [v.1] 的先前版本中显示了对该