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。
2022-02-22 14:06:35
1.75MB
1
可靠且极快的一维数据核密度估计器； 假设为高斯核并自动选择带宽； 与许多其他实现不同，这个实现不受问题的影响由具有广泛分离模式的多模态密度引起（参见示例）。 这多模态密度的估计不会恶化，因为我们从不假设数据的参数模型（如经验法则中使用的模型）。 输入： 数据 - 构建密度估计的数据向量； n - 用于均匀离散化的网格点数间隔 [MIN, MAX]; n 必须是 2 的幂； 如果 n 不是 2 的幂，则n 向上取整为 2 的下一个幂，即 n 设置为 n=2^ceil(log2(n))； n 的默认值为 n=2^12； MIN, MAX - 定义构建密度估计的区间 [MIN,MAX]； MIN 和 MAX 的默认值是： MIN=min(data)-Range/10 和 MAX=max(data)+Range/10，其中 Range=max(data)-min(data)； 输出： 带宽 - 最
2022-01-07 09:13:34
3KB
1
另见http://dylan-muir.com/articles/circular_kernel_estimation/ circ_ksdensityn - 计算周期和非周期域上的核密度估计用法：[vfEstimate, vfBinVol] = circ_ksdensityn(mfObservations, mfPDFSamples, ) 此函数计算（可选加权）数据样本在周期和非周期域上的核密度估计。 假设样本跨维度独立； 即密度估计是针对数据的每个维度独立执行的。 'mfObservations' 是在（可能是周期性的）域上进行的一组观察。 每行对应一个观察，每列对应一个特定的维度。 默认情况下，所有维度在 [0..2*pi] 中都是周期性的； 这可以通过提供可选参数“mfDomains”来修改。 'mfDomains' 中
2022-01-01 09:38:35
4KB
1
算法功能:建立图像特征和图像人数的数学关系
算法输入:训练样本图像1,2…K
算法输出:模型估计参数 ，参考图像
算法流程：1)对训练样本图像进行分块处理(算法1.1)；
2)通过算法1.2，计算训练样本各个对应分块的ALBP特征归一化，再用K-means算法(可使用opencv等算法库实现，不再描述其算法)，将图像块分成k(k
2021-12-31 09:13:59
5.3MB
1
本文研究了基于视频和图象处理的智能化人群密度估计的方法。首先介绍
了人群密度检测的国内外发展现状及其基本理论。通过分析可知，基于像素统
计的密度估计方法较为简单，但是当人群密度较高、人群遮挡严重时误差较大；
使用纹理分析的方法可以充分利用图像的纹理信息，但是算法复杂度较高。
2021-12-27 17:57:05
3.53MB
1
针对现有方法在高密度场景人群密度估计不够准确的问题，提出了Gabor滤波结合最小二乘支持向量机（LS-SVM）的人群密度估计算法。首先，设计一组单独的二维Gabor滤波器应用在人群图像中以产生相应的滤波通道。然后，通过计算这些通道上灰度值的均值和方差得到特征向量。最后，采用最小二乘支持向量机分析特征向量和人数之间的关系，完成最终的密度估计。在UCSD数据集和Mall数据集上的实验显示，提出的方法实现了更快的执行时间和更好的精度，证明了基于Gabor滤波器和LS-SVM的人群密度估计算法的有效性。
2021-12-07 14:28:38
1.6MB
1
一个 m 文件中高维的快速自适应核密度估计。 提供最佳精度/速度权衡，通过参数“gam”控制； 要提高“大数据”应用程序的速度，请使用小“gam”； 通常gam = n ^（1/2），其中“ n”是点数。 '
用法：[pdf,X1,X2]=akde(X,grid,gam) 输入： X - 数据为 'n' 乘 'd' 向量； 网格 - 计算 pdf 的维度为 'd' 的 'm' 个点； 默认仅提供给二维数据； 请参阅下面有关如何在更高维度中构建它的示例； gam -（可选）成本/精度权衡参数，其中 gam<n； 默认值为 gam=ceil(n^(1/2)); 更大的价值可能会导致更好的准确性，但会降低速度； 要加速代码，请使用较小的“gam”；
输出： pdf - 'grid' 处的估计密度值X1,X2 - 默认网格（仅用于二维数据） 请参阅有关如何在更高维度上构建网格的示例
二维示例
2021-11-30 15:09:10
3KB
1