提出了一种基于K近邻KNN（K-Nearest Neighbour）算法的换流变压器故障诊断方法。设计了4种人工油纸绝缘缺陷，采用超高频天线采集局部放电信号。通过对局部放电超高频信号进行小波包多尺度变换，计算其多尺度小波系数的能量系数。采用KNN算法对局部放电超高频信号能量特征参数进行识别。将反向传播神经网络和所提方法对局部放电超高频信号模式的识别结果进行了对比，结果表明所提出的方法更适用于换流变压器故障诊断。

CSE523-机器学习-KHVM 一种音乐推荐系统，它使用协作过滤和机器学习算法（例如K近邻和奇异值分解（SVD））根据用户的喜好向用户推荐歌曲。 介绍 Music Recommend系统是一种根据用户的不同选择来预测或过滤偏好的系统，它从用户过去的收听历史中学习，并向他们推荐他们将来可能希望听到的各种歌曲。协作过滤算法可预测（还可以通过收集用户的喜好来过滤用户的品味，并实现来自许多其他用户的品味（协作）。 在项目的第一阶段，我们使用k最近邻算法构建了一个推荐系统，我们的系统还使用了表示均方根误差的RMSE。 对数据集进行预测时存在的误差的标准偏差称为RMSE。 均方根误差（RMSE）是用于确定回归线与数据点的匹配程度的度量。沿着RMSE，我们还应用了奇异值分解（SVD）.SVD是将矩阵分解为奇异向量的另一种方法和奇异值。 SVD通常在机器学习中用作数据缩减工具，并在其他矩阵运算（例如

行波有一个定义：在一个信号中，如果在两个连续的局部最大值之间存在一个大于零的局部最小值，或者如果在两个连续的局部最小值之间存在一个小于零的局部最大值，那么这两个连续的局部最大值之间的部分（或局部最小值）称为骑行波。 函数riding_wave.m 旨在消除由经验AM-FM 分解方法产生的FM 信号中的行波。 参考： [1] 杨志, 杨丽, 青青, 等. 一种消除经验AM/FM解调中出现的横波的方法[J]. 数字信号处理, 2008, 18(4): 488-504。 https://doi.org/10.1016/j.dsp.2007.07.003 。

用MATLAB编写，可以用来求控制系统的能控性矩阵

本文详细的解析了AVI文件的存储结构，介绍了微软提供的用来操作AVI文件的一组API使用方法，并通过例子代码，演示了如何将一组静态Bmp图片合成一个avi视频文件以及如何将一个avi视频文件解析保存为一系列的bmp图像文件

包含emd分解代码，以及其改进算法eemd的代码，可以直接使用

针对现有煤矿旋转机械滚动轴承故障诊断方法存在信号有效特征提取不完全、故障诊断精度不高及效率低等问题，提出了一种基于小波包分解和粒子群优化BP神经网络的滚动轴承故障诊断方法。该方法包括信号特征提取和故障类型识别两部分：在信号特征提取部分，对采集的滚动轴承振动信号进行小波包分解，得到各子频带能量及信号总能量，经归一化处理后获得表征滚动轴承状态的特征向量；在故障类型识别部分，通过粒子群优化算法优化BP神经网络的初始权值和阈值，以加速网络收敛速度，避免陷入局部极小值。实验结果表明，该方法提高了滚动轴承故障诊断效率和准确率。

本文实例讲述了Python实现正整数分解质因数操作。分享给大家供大家参考，具体如下： 遇到一个Python编程练习题目：将一个正整数分解质因数。例如：输入90,打印出90=2*3*3*5。 #!/usr/bin/env python # -*- coding: utf-8 -*- def div_func(n): result = [] while True: for i in xrange(2, int(n**0.5) + 1): if n % i == 0: result.append(i) n /= i bre

图像模式识别svd（奇异值分解）算法及图像相似度计算delphi源代码.

信号分解EEMD方法，EEMD 方法作为一种信号分析技术，在研究信号的局部特征方面具有独特的优越性，非常适合处理非线性、非平稳信号.