摘要：
1：什么是机器学习 在一个函数集合中，通过对每一个函数进行评价，寻找表现最好的函数。 流程：设计模型—>判断模型好坏—>选择最优函数—>优化函数：1，修改模型，增加数据维度 2，增加正则因子，使函数更加平滑，使w更小 2：什么是有监督学习 使用经过标注的数据，学习一个变量x到y的函数映射。（y=f( 阅读全文
posted @ 2026-05-17 23:14
ssr_chen
阅读(20)
评论(0)
推荐(0)
摘要：
1：何为神经网络 神经网络是一种受人脑神经系统启发的计算模型，用于机器学习和数据处理。它由多个相互连接的节点（称为神经元）组成，这些节点分层组织，包括输入层、隐藏层和输出层。每个神经元接收输入信号，经过加权处理和激活函数转换后，输出结果传递给下一层。 神经网络通过训练过程（通常使用反向传播和梯度下降 阅读全文
posted @ 2026-05-17 23:13
ssr_chen
阅读(32)
评论(0)
推荐(0)
摘要：
cnn 结构 输入层->卷积层->池化层->全连接层->输出层 【DL笔记6】从此明白了卷积神经网络（CNN） 1. Convolutional layer（卷积层--CONV） 由滤波器filters和激活函数构成。 一般要设置的超参数包括filters的数量、大小、步长(stride)，以及pa 阅读全文
posted @ 2026-05-17 23:10
ssr_chen
阅读(38)
评论(0)
推荐(0)
摘要：
基于聚类集合的EMD-CNN-BILSTM注意力机制短期电力负荷预测 模型框架 EMD-CNN-BILSTM 子模块及作用 经验模态分解 (EMD)：EMD方法用于将非平稳的电力负荷时间序列分解成多个本征模态函数（IMF）和一个残差分量（Res）。这种分解方式能够把不同频率的信号分开，适用于处理非线 阅读全文
posted @ 2026-05-17 23:06
ssr_chen
阅读(13)
评论(0)
推荐(0)
摘要：
基于Attention-LSTM的短期电力负荷预测 模型框架 self-attention+lstm 子模块及其作用 LSTM:它能够处理和提取负荷数据中的时间依赖性，用于捕捉时间序列数据中的动态变化和周期性模式。 自注意力机制:提取与当前数据最相关的时间序列特征。自注意力机制通过计算每个时间点与其 阅读全文
posted @ 2026-05-17 23:05
ssr_chen
阅读(14)
评论(0)
推荐(0)
摘要：
Q1：每类算法有哪些算法 Q2：每种算法是用来做什么的 Q3：每种算法的基本原理 Q3：每种算法的优点以及缺点 One-stage(无提案)目标检测模型 Yolo v1 用途：实时目标检测，将目标检测任务从两阶段转为一阶段 优点：快，全局上下文信息，泛化能力强，鲁棒性强，端到端训练，结构简单 缺点： 阅读全文
posted @ 2026-05-17 22:49
ssr_chen
阅读(13)
评论(0)
推荐(0)
摘要：
目录 引言 1. 基本分类：YOLO 与 one-stage 检测 1.1 one-stage 与 two-stage 的区别 1.2 锚框与边界框 1.3 Anchor-based 与 Anchor-free 2. YOLO 系列的一般过程 2.1 网格划分与候选框生成 2.2 CNN 预测、置信 阅读全文
posted @ 2026-05-17 03:16
ssr_chen
阅读(64)
评论(0)
推荐(0)
摘要：
目录 迁移学习的基本分类 迁移学习的一般过程 迁移学习的三个基本问题 负迁移：迁移学习中的重要风险 分布差异与域自适应 分布自适应因子 的估计方法 分布差异的统一理解 常见迁移方法 小结 在机器学习任务中，我们常常会遇到一个现实问题：目标任务的数据很少，或者标注成本很高。此时，如果能把已有任务中的知 阅读全文
posted @ 2026-05-17 02:35
ssr_chen
阅读(49)
评论(0)
推荐(0)
浙公网安备 33010602011771号