可疑制作matlab代码回归-计算-智能 此作业的目的是研究TSK （Takagi-Sugeno-Tang）模型拟合多变量非线性函数的能力。 特别是，使用来自 和 模糊神经模型的两个数据集，我们试图从可用数据中估计目标属性。 第1部分 第一个数据集用于对此类模型的训练和评估过程进行简单调查，并说明分析和解释结果的方式。 检查的模型有四个，它们在隶属函数的数量（2 或 3）和输出类型（单例或多项式）方面各不相同。 在这种情况下，数据集的小尺寸允许我们使用Grid Partition方法进行输入空间划分。 数据集： 第2部分 第二个更复杂的数据集用于更完整的建模过程，其中包括预处理步骤，例如特征选择和通过交叉验证优化模型的方法。 由于数据集较大，可能会出现规则爆炸等问题。 为了避免这种情况，首先，我们为输入分区部署了另一种称为减法聚类（SC）的方法，并且还需要通过选择最重要的特征来降低数据集的维数并拒绝不太有用的特征。 之后，我们应用Grid Search和5-fold Cross Validation来找到特征数量和集群半径的最佳组合，从而使验证误差最小。 使用该过程产生的结果，我们训练

目前基于相似度的聚类方法对风电出力场景进行聚类划分, 而相似度又大多采用欧式距离长短作为衡量依据, 其结果反映时间序列曲线的幅度大小差异, 未能反映出曲线的形态特征及变化趋势的不同. 本文提出一种基于高斯混合聚类的风电出力场景划分的方法, 即通过属于某一类的概率大小来判断最终的归属类别. 首先根据BIC准则, 肘部法则和轮廓系数分别确定GMM聚类和K-means聚类的最佳数量, 然后以某地区实际风电为研究对象, 提取该地区3年春季风电出力典型场景, 并对这两种聚类结果进行对比分析, 验证本文方法的有效性. 最后通过GMM聚类模型提取该地区各个季节风电出力典型场景.

基于聚类划分和关联规则的继电保护状态评估方法.pdf