![](https://img-blog.csdnimg.cn/20190918135101160.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
可创新代码
文章平均质量分 66
所有代码链接:https://mbd.pub/o/author-aGiYm2lpZQ==/work
深度学习的奋斗者
shouhou6668889,做过多个领域的机器学习与深度学习科研项目及落地项目,在优化算法领域、风速/光伏/股票等时序信号预测领域,农业病虫害图片识别领域技术均很熟练。所售代码,均有售后,可私信
展开
-
变压器寿命预测(python代码,Logistic Regression模型预测效果一般,可以做对比实验)
代码的主要过程是加载、探索和分析数据,然后使用线性回归模型对健康指数进行预测,并展示结果的可视化。进行线性回归模型的训练和评估,包括训练集和测试集的划分、模型拟合、预测和性能指标的计算。绘制了实际健康指数与预测健康指数的散点图,以展示模型对新输入数据的预测。Carbon Dioxide (CO2) 二氧化碳 (CO2)的函数,用于检查数据中的缺失值情况,并展示了缺失值的统计信息。绘制了实际健康指数与预测健康指数的散点图,以可视化模型的性能。Carbon Monoxide (CO) 一氧化碳 (CO)原创 2023-09-15 23:04:16 · 917 阅读 · 0 评论 -
变压器故障诊断数据集(油中溶解气体的相关数据 包括五种气体数据(H2,CH4,C2H6,C2H4,C2H2)及对应的故障类型 样本总数356组,故障类型7种(含正常) )
油中溶解气体的相关数据 包括五种气体数据(H2,CH4,C2H6,C2H4,C2H2)及对应的故障类型 样本总数357组,故障类型7种(含正常)将原始数据、打标签代码、 代码运行后带标签的数据放在了压缩包,如有需要,请关注最后一行。对七种类型进行打标签。原创 2023-09-15 21:24:56 · 1588 阅读 · 2 评论 -
道路检测(python代码)
循环读取视频的每一帧,将其调整为模型所需的输入大小,进行模型推理,计算平均预测结果,并将检测结果叠加在原始图像上。这段代码主要是针对车道线检测模型的训练和应用,通过使用CNN模型,可以实现在视频上检测并绘制车道线的功能。:加载之前保存的模型文件。在视频中逐帧读取图像,将其传递给模型进行检测,并在原始图像上叠加检测结果。这段代码的主要流程涉及车道线检测模型的训练、加载和在视频上应用检测结果。:使用生成器训练模型,其中数据流通过数据增强生成的批次。:冻结模型的层并重新编译,然后将模型结构和权重保存到文件中。原创 2023-08-20 19:46:08 · 898 阅读 · 4 评论 -
DCGAN对抗网络用于生成动漫卡通人物(Python代码)
convolution过程是将4×4的图像映射为2×2的图像,而反卷积过程则是将2×2的图像映射为4×4的图像,两者的kernel size均为3。不过显而易见,反卷积只能恢复图片的尺寸大小,而不能准确的恢复图片的像素值(此时我们想一想,在CNN中,卷积层的kernel我们可以学习,那么在反卷积中的kernel我们是不是也可以学习呢?有下采样也就必然有上采样,上采样实际上就是放大图像,指的是任何可以让图像变成更高分辨率的技术,这个时候我们也就能理解为什么在G网络中能够由噪声生成一张图片了。原创 2023-07-30 00:44:55 · 206 阅读 · 0 评论 -
基于timegan扩增技术,进行多维度数据扩增(Python编程,数据集为瓦斯浓度气体数据集)
扩增程序运行5000个epoch,然后将扩增数据与真实数据,利用PCA和TNSE进行特征可视化,可以看出扩增出来的数据与原始数据特征分布近似,扩增数据效果较佳。瓦斯是被预测气体,其它列为特征列,原始数据一共有472行数据,因为原始数据比较少,所以要对原始数据(总共8列数据)进行扩增。gan_lstm.py 是利用扩增后的数据与原始数据的一部分一起作为训练集,对测试集进行测试。gan_data1.npy保留扩增以后的伪数据。lstm.py是对未扩增的数据进行训练和测试。gan_code.py是数据扩增文件。原创 2023-07-19 21:02:59 · 3257 阅读 · 19 评论 -
烟花算法优化SVM代码
没有优化前的SVM分类效果是95.45%,优化后的效果是98.67% ,适应度曲线如下。3.若对其它优化算法感兴趣,请关注我的优化算法专栏。1.这里适应度函数选取的是测试集准确率。2.代码(可以直接运行)原创 2023-05-27 08:49:16 · 181 阅读 · 0 评论 -
基于时序特征处理与LSTM结合的雅虎美股数据预测
总结:这段代码主要通过加载、处理和预处理股票数据,提取时间序列特征,构建和训练LSTM模型,以及进行模型预测和评估来实现股票预测。二.数据集介绍(开始日期是:2015/11/23),数据一共是1826行,预测的收盘价格。结束时间是:2020/11/20。原创 2023-05-14 11:41:04 · 1574 阅读 · 1 评论 -
CEEMDAN_LSTM、EMD_LSTM、EEMD_LSTM模型股票预测对比结果
5.所有方法对比:从预测值与真实值的对比图上可以看出效果最好的是EMD_LSTM,从下图的衡量指标也可以看出。所以虽然CEEMDAN和EEMD比EMD方法优秀,但是具体还有看哪种方法应用于实际的数据集。2.模型:CEEMDAN_LSTM模型,EMD_LSTM、EEMD_LSTM模型利用历史收盘价格预测未来的收盘价格。1.数据为比亚迪A股每天收盘价格的数据(2011/6/30-2023/4/3)(一共2848条数据,数据越多,2.利用EEMD对收盘价格的分解。1.利用EMD对收盘价格的分解。原创 2023-05-14 11:35:11 · 863 阅读 · 7 评论 -
基于数据预处理工程(增加收益率波动)与GRU结合雅虎美股预测
基于数据预处理工程(增加收益率波动)与GRU结合雅虎美股预测原创 2023-05-14 11:34:02 · 521 阅读 · 0 评论 -
分别用四种不同的方法对时序序列的异常点检测(python代码)
具体来说,它通过导入sklearn库中的svm.OneClassSVM函数,对数据中的溶解氧(Dissolved Oxygen)这一列进行处理,将其转换为numpy数组后,通过调用fit()方法训练SVM模型。然后,使用fit_predict()方法来检测数据集中的异常值,将检测到的异常值用红色散点图标记出来,并输出异常值的个数。接着,它遍历预测结果,将预测为-1的样本点(即被分类为离群点)用红点标记在图上,并将其从原始数据中删除,最后将剩下的数据绘制成另一个图形。原创 2023-05-06 20:25:37 · 1362 阅读 · 6 评论 -
时序数据利用EEMD_LSTM模型进行预测(Python编程,数据集和代码均在压缩包,解压缩后可以直接运行,数据可以替换为股票数据,交通流量等时序数据)
本份代码实现了对时序数据的预测,具体地,它使用了 EEMD(Ensemble Empirical Mode Decomposition) 对时序数据进行分解,并且对分解出来的每一个 IMFs(Intrinsic Mode Functions) 进行 LSTM 模型的训练和预测,最后将多个 IMFs 的预测结果进行加权平均得到最终的预测结果。EEMD是一种信号分解方法,它将信号分解成多个本征模态函数(IMFs),这些IMFs具有不同的频率特征。目标:根据已知时间内的四列特征预测未来的溶解氧含量(第四列)原创 2023-05-06 16:38:19 · 1803 阅读 · 1 评论 -
股票预测(数据为招商银行在A股的数据,模型为MSCNN_Bilstm_Attention,python,代码和数据均在压缩包里,可以直接运行,并使用MAE/MSE/MAPE/涨跌准确率作为指标)
4.与另一篇文章中的CNN_LSTM_attention模型相比,测试集拟合效果更好一点,各项差异指标(MAE/MSE/MAPE)减小。2. 模型(MSCNN_Bilstm_Attention模型)3.测试集的预测值和真实值。5.需要代码的可以关注。原创 2023-05-05 21:21:43 · 393 阅读 · 0 评论 -
股票预测(数据为招商银行在A股的数据,模型为CNN_LSTM_Attention,编程语言为python,代码和数据均在压缩包里,可以直接运行,并使用MAE/MSE/MAPE/涨跌准确率作为指标)
股票预测,测试集的预测值和真实值。训练集的预测值和真实值。原创 2023-04-28 17:24:34 · 540 阅读 · 1 评论 -
CNN_BiLSTM_Attention模型,LSTM模型,DNN(全连接神经网络)三种模型对短期日负荷曲线的预测
1.数据说明:数据来源(官方下载链接:http://image.cador.cn/data/energy_out.csv)是针对变压器上的负荷变化进行研究,每15分钟采集一次负荷数据,也就是说一天内的负荷曲线由4*24=96个点组成,这份数据集里不仅考虑了历史负荷数据对负荷变化的影响,还考虑了当天的温度情况。2.训练集与测试集的划分取2013年9月1日到2014年8月31日作为训练集,取2014年9月1日到9月30日作为测试集输入特征:预测日的前两周数据输出特征:预测日内96个点..原创 2022-04-13 15:38:43 · 5734 阅读 · 1 评论 -
交通流量预测(python代码,压缩包中带有数据,CNN_GRU,CNN_BiGRU_ATTENTION,LSTM三种不同模型,多特征输入,单标签输出,可以替换为其它时序数据集)
第一个文件:CNN_BiGRU_ATTENTION表格,装载的是CNN-BiGRU-Attention.py预测测试集的结果。1.数据来源:美国单方向交通流量(16条道路)是CNN-BiGRU-Attention.py。第二个文件:CNN_GRU表格,装载的是。原创 2022-04-12 21:58:56 · 3876 阅读 · 2 评论 -
GRU,GRU+Attention,lstm+Attention,三种方法股票预测结果对比
1.数据集采用的招商银行的数据2. GRU结果2.GRU+ATTENTION结果3.lstm+attention结果原创 2021-09-16 09:25:25 · 5126 阅读 · 11 评论 -
Improving Domain-Adapted Sentiment Classification by Deep Adversarial Mutual Learning 论文学习
1..摘要域适应情感分类指的是在标记资源上训练然后在没有标记的目标域上进行推断。现有的相关模型大多包含一个特征提取器和情感分类器,特征提取器从两个领域中学习不同域的特征,特征提取器只在源领域上指导特征提取器。因此,他们缺乏一种使用在目标域的情感极的机制。为了改善域适应情感分类,以从目标域中学习情感,我们设计了一种新型的深度对抗互学习的方法,这个方法包含两组特征提取器,域识别器,情感分类器和标签探测器等。域识别器保证了特征提取器可以获取域不变的特性。同时,每组的标签探测器通过由每组的分类器生成的情感预测探索转载 2021-08-26 18:14:48 · 208 阅读 · 0 评论