matlab脑电功率谱代码档案清单: 依赖关系和先决条件 计算多尺度熵 样品 粗粒度 间质由Albert C. Yang博士提供他从M. Costa的代码(用C语言编写)重写了MATLAB中的原始程序。 从二进制文件加载EEG数据 loaddat.m 从Brain-atlas III机读取eeg数据从 数据输出格式: 20xn矩阵,包含来自20个通道的电压 128Hz的采样率 单位:微伏 主脚本:process.m batchMse.m(作废):输入文件列表,在每个历元,通道和比例因子中具有熵的输出单元格数组 batchCheck.m:输入文件列表,输出nx2单元格数组,{k,1}作为文件名,{k,2}作为3个时期,从每个文件中选择 plotCheck.m(obsolete):从单个文件在3个时代的选取通道中绘制情节,以进行双重检查 batchCellMse:输入像元数组,返回像元数组,每个历元都有熵,通道和比例因子 batchCellMseAvg:输入像元数组,返回像元数组,每个历元,通道和比例因子均具有平均熵 batchCellSpectral:输入单元格数组,返回单元格数组以及光
2022-05-09 20:01:54 23KB 系统开源
1
本发明公开了一种基于遗传算法优化BP神经网络的风电功率预测方法,从风电功率预测系统的数据处理模块中获取预测参考数据;对参考数据建立BP神经网络的预测模型,并采用多种群编码对应BP神经网络的不同结构,每个种群分别对神经网络权值阈值编码,生成不同长度的个体,用遗传算法中选择、交叉、变异操作进化优化每个种群,最后判断收敛条件并选择最优个体;再对BP神经网络初始化,用学习率可变的动量BP算法进一步训练网络直至收敛,利用该网络对风电功率进行预测;最后,还反复利用预测值,在一轮预测中进行多次预测实现了跨时间间隔的多步预测。本发明预测精度提高,计算时间减少,稳定性增强。
2022-05-03 22:25:45 1.21MB 神经网络 遗传算法
1
含NWP数值天气预报和不含NWP数值天气预报的BP神经网络预测风电功率两种方法进行比较,含数据,实际案例。
2022-04-18 21:05:45 18KB 神经网络 matlab 人工智能 深度学习
matlab脑电功率谱代码脑电图-MEG-代码-MATLAB 该存储库包含有用的MATLAB函数,用于EEG分析。 ssd:是ssd的频域扩展(时空频谱分解)。 请参阅功能标题。 select_component:是有助于手动排除ICA伪影的功能。 EEGLab ICA透视窗口很慢,并且没有与数据进行交互的机会。 使用此功能,可以交互查看EEG的频谱(如果所选组件被拒绝)以及将被拒绝的alpha功率量以及其他选项(请参见功能的标题)。 另外,用鼠标左键和右键单击可以选择“主动”和“被动”组件,这意味着无论如何都应拒绝主动组件,并且保留被动组件以备将来使用。 例如,在许多情况下,研究人员更喜欢去除眼睛和心脏的假象,但也希望保留肌肉假象的成分,以防他们想要去除它们。 前者将通过左键单击选择为主动,而后者将通过右键单击选择为被动。 plot_spec:是用于绘制多通道信号频谱的函数。 注意:EEGlab函数有一些错误。
2022-04-16 14:29:20 11KB 系统开源
1
matlab脑电功率谱代码硕士论文 发言题目:基于参数特征分析的情感状态分类中基于神经元脑电图的计算有效和鲁棒光谱特征信息提取模型的研究 概述描述:在本研究中,我们探索了在EEG特征提取任务中使用特征矩阵分解的各种参数PSD(功率谱密度)估计器模型。 该研究还对EEG波形的子空间维数估计进行了详细分析,这是基于本征分析的参数化PSD估计器必不可少的参数。 我们观察了计算光谱的标准偏差,绝对偏差,统计范数和其他统计参数的t值和p值,以分析光谱相关性。 该研究实现了PCA以减少特征尺寸空间,并探索了自动编码器的使用。 我们还探讨了从计算出的光谱中生成脑电图地形图像的概念,将其作为可能的特征提取方法。 提取的特征用于卷积神经网络,LSTM网络和多层感知器网络上,用于分类任务。 对于详细的数据可视化,我们使用了统计的Seaborn libray和Matplotlib3D。 有关研究的图和更多详细信息,请点击此处()。 Github代码库说明:在“ transformation_matlab_codes”子目录中提供了用于频域转换的部分matlab代码库。 “ python_automation
2022-04-15 20:17:32 160KB 系统开源
1
论文资源,粒子群优化神经网络的预测模型。
2022-03-28 11:05:23 1.2MB 论文
1
【预测模型】基于殖民竞争算法优化BP神经网络进行风电功率预测matlab源码.pdf
2022-03-10 16:52:39 1.36MB matlab代码
1
由于风电存在着不确定性,风电功率预测对于接入大量风电的电力系统意义重大。为了提高风电功率的预测精度,本文建立了基于经验模式分解法(EMD)与支持向量机(SVM)的复合预测模型。考虑到风力机组的输出有很强的非线性,该模型首先将训练数据按风速大小分成高、中、低3组,然后对各组的风电功率样本序列进行经验模式分解,并建立各个频带分量的支持向量机预测模型,各模型的预测结果等权求和即得到最终的功率预测值。使用风电场现场采集数据的预测结果,验证了该方法的可行性和有效性。
2022-03-05 16:32:37 628KB 自然科学 论文
1
针对风电功率预测问题,在现有预测方法和概率性区间预测的基础上,提出基于深度学习分位数回归的风电功率概率预测方法。该方法采用Adam随机梯度下降法在不同分位数条件下对长短期记忆神经网络(LSTM)的输入、遗忘、记忆、输出参数进行估计,得出未来200 h内各个时刻风电功率的概率密度函数。根据美国PJM网上的风电功率实际数据的仿真结果表明,所提方法不仅能得出较为精确的点预测结果,而且能够获得风电功率完整的概率密度函数预测结果。与神经网络分位数回归相比,其精度更高,且在同等置信度下的预测区间范围更小。
1
[初中二年级]人教版八年级物理《82电功率》师生共用学案.docx
2022-02-16 09:03:08 69KB 事业编