传统光伏发电功率预测存在因气象因素特征提取不综合不精确而导致预测精度不高的问题. 为了充分挖掘气象因素对光伏出力的影响, 并有效利用深度学习技术在非线性拟合方面的优势, 本文提出了一种基于气象因素充分挖掘的双向长短期记忆(Bi-directional Long Short Term Memory, BiLSTM)网络光伏发电短期功率预测方法. 在对原始数据进行异常值及标准化处理的基础上, 采用K近邻算法(K-Nearest Neighbor, KNN)在外界温度、湿度、压强等诸多气象因素中充分挖掘影响光伏出力的关键因素, 重构多元数据序列, 并在探索输入层时间步长、模型层数及每层维数等超参数的合理设置方案的基础上, 构建BiLSTM网络模型, 实现光伏发电短期功率的高精度预测. 仿真结果表明, 与KNN、深度信念网络(DBN)、BiLSTM、PCA-LSTM等经典方法比较, 所提KNN-BiLSTM方法具有更高的预测精度.

看我如何做基于最近邻算法模式识别系统的设计与实现.pdf看我如何做基于最近邻算法模式识别系统的设计与实现.pdf看我如何做基于最近邻算法模式识别系统的设计与实现.pdf

基于K近邻分类器的手写识别系统.doc基于K近邻分类器的手写识别系统.doc基于K近邻分类器的手写识别系统.doc基于K近邻分类器的手写识别系统.doc基于K近邻分类器的手写识别系统.doc

K-NN（K近邻算法）实现手写字符的识别（C语言）实现，通过VS2010平台验证通过，代码详细易懂，是该算法上手的好资料.

k近邻法matlab原始码变换后的自样本的单图像超分辨率（CVPR 2015） 介绍 这是本文的研究代码： ，和[Narendra Ahuja]（），“来自变换后的自样本的单图像超分辨率”，CVPR 2015 该算法实现，而不需要任何外部训练数据集，特征提取的图像超分辨率的先进设备，最先进的性能和复杂的学习算法。 有关更多详细信息，请访问我们的。 所有数据集（Set5，Set14，Urban 100，BSD 100，Sun-Hays 80），预先计算的结果和视觉比较都可以在以下部分中找到。 引文 如果您发现代码和数据集对您的研究有用，请考虑引用以下内容： @inproceedings{Huang-CVPR-2015, title={Single Image Super-Resolution From Transformed Self-Exemplars}, Author = {Huang, Jia-Bin and Singh, Abhishek and Ahuja, Narendra}, booktitle = {Proceedings of the IEEE Conference o

此函数执行插值的速度比 MATLAB 的“interp1”函数快。 在小型库和搜索数组的限制下，它快了约 5 倍。 在大型库数组的限制下，qinterp1 具有平坦的缩放比例，而 interp1 具有线性增加的缩放比例（请参阅此文件的图像）。 qinterp1 需要一个均匀间隔、单调递增的 x 数组。 与 interp1 一样，qinterp1 为越界的 xi 值返回 NaN。 根据 John D'Errico 的建议，最近下邻方法已更改为现在使用真正的最近邻插值（以轻微的速度成本）。 关于错误检查的说明：因为对库数组的任何错误检查都会破坏平面缩放定律，因此该函数不对库（x 和 y）数组执行错误检查。 如果 y 和 xi 数组不是列向量或行向量，则此函数将返回错误。 输入“help qinterp1”以获取使用说明。 这对于很多版本应该是向后兼容的。 它是独立于平台的。 附图显

机器学习 knn 算法一个案例的数据集（预测酒店入住位置）

什么是机器学习分类算法？【K-近邻算法(KNN)、交叉验证、朴素贝叶斯算法、决策树、随机森林】.doc

案例检索算法研究是案例推理中的一个关键问题，本文基于案例推理原理，利用不同类型特征属性将案件量化，从而构建案例库。使用K近邻算法计算历史案例与目标案例的相似度，匹配出相似度最高的历史案例。利用此最优历史案例的解决方案作为参考，去解决目标案例所述问题。最后，将该算法应用于社区纠纷调解，该算法注重实效，定位快速，能够高效解决社区纠纷。

声明         本文参考了《机器学习实战》书中代码，结合该书讲解，并加之自己的理解和阐述 问题描述         朋友海伦一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的人选，但她并不是喜欢每一个人。经过一番总结，她发现曾交往过三种类型的人： 不喜欢的人 魅力一般的人  极具魅力的人         为了让软件更好的给海伦推荐人选，海伦收集很多约会数据，她把这些数据存放在文本文件datingTestSet.txt中，每个样本数据占据一行，总共有1000行。海伦的样本主要包含以下3种特征： 每年获得的飞行常客里程数 玩视频游戏所耗时间百分比 每周消费的冰淇淋公