自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(15)
  • 收藏
  • 关注

原创 能源互联网概述

能源互联网一、能源互联网基本概念二、能源互联网研究背景和意义2.1 能源互联网的研究背景2.2 能源互联网的研究意义2.3 能源互联网的发展目标2.4 能源互联网的理念三、能源互联网的形态3.1 物理基础: 多能协同能源网络3.2 实现手段: 信息物理能源系统3.3 价值实现: 创新模式能源运营四、能源互联网背景下广义协调优化运营模式4.1 能源互联网广义“源-网-荷-储”协调优化运营模式基本架构4.2 能源互联网广义“源-网-荷-储”协调优化运营模式的基本方法五、能源互联网“源-网-荷-储”协调优化关键技

2022-03-02 09:23:39 4961

原创 综合能源系统

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar

2022-03-01 22:44:59 14288 2

原创 智能电网概述

智能电网智能电网的定义新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入智能电网的定义智能电网就是电网的智能化,也被称为“电网2.0”,是物理电网的基础上,将先进的传感测量技术、信息与通讯技术、计算机技术和控制技术与原有的

2022-02-11 20:25:51 14932

原创 能源的定义和分类

能源的定义 能源是指能够提供能量的资源,它是人类赖以生存和发展的基础,是国民经济的命脉。

2022-02-10 09:53:50 3697

原创 为什么只有状态转移算法才是真正意义上的智能优化算法,其它的都是“假冒伪劣”?

长期以来,“论文为王”的观念被推崇至上,没有论文就没有发言权,发表了大量学术论文才能高谈阔论、坐而论道,以至于出现“大家都忙着写论文,没有时间搞科研”的反常局面,不知内情者以为发论文就是搞科研。本文正是在这种反常局面下诞生,如果列位看官对智能优化算法感兴趣,且带着求真务实的态度搞科研,倒可以看看本文,否则纯粹浪费时间。

2022-02-09 22:03:19 4941 2

原创 状态转移算法

1 相关资源:  2020年发表在自动化学报的论文《状态转移算法原理及应用》,对状态转移算法作了广泛而深入的介绍:https://kns.cnki.net/kcms/detail/detail.aspxdbcode=CJFD&dbname=CJFDAUTO&filename=MOTO202011002&v=JCreBvAGjWhrT3giHVgvnnUsFc9itorTptpKcRf1Gpsjp3YJEQri4TxEFx9J0Hw1  各种状态转移算法的源代码可以在中南大学周晓

2021-08-16 23:48:55 2403

原创 python中 list 数据类型在内存中的存放方式

结论放前面 :list 就是个指针数组,指针数组里面对应存放了每个元素所在的地址                  前几天做了好几个实验,探究了python lis t的一些东西,想看我怎么一步步得出了结论的可以看看下面的        &n

2021-02-23 14:13:32 670

原创 css 中 background-size 属性设置一个100%和两个100%的区别

                            background-size:这个属性有两个值,第一个值为x轴方向的缩放比例或者px,第二个值为y轴方向的缩放比例或者px,如果只写一个值,则第二个值默认为auto(根据图片原来的比例,以及现有的宽度,来确定高度) 

2021-02-23 13:46:04 1962

原创 背景图片全屏适应的两种方法,background-size: cover; 或者(background-size: 100% 100%;)

background: #000 url(img1.jpg) no-repeat fixed center center;background-size: cover; 或者(background-size: 100% 100%;)          注意要写好background之后再写background-size,否则会没用,切记,这儿浪费了我一个多小时时间     100%和cov

2021-02-23 13:34:01 807

原创 第四章 决策树

决策树学习算法包括哪几个部分?常用的算法有哪些?决策树的学习算法主要包括三个部分:1.特征选择 2.树的生成 3.树的剪枝常用的算法有以下几种:1.ID3 2. C4.5 3.CART决策树的根节点、内部节点和叶节点分别表示什么?叶结点对应于决策结果,其他每个结点则对应于一个属性测试;每个结点包含的样本样本集合根据属性测试的结果被划分到子结点中;根结点包含样本全集.从根结点到每个叶结点的路径对应了一个判定测试序列.特征选择的准则有哪些(如何选择最优划分属性)?主要是根据信息增益

2020-06-26 19:25:17 634

原创 第五章 神经网络

1. 试述常见的激活函数,试述将线性函数 f(x)=wTxf(x)=w^Txf(x)=wTx 用作神经元激活函数的缺陷1.1什么是激活函数如下图,如下图,在神经元中,输入的 inputs 通过加权,求和后,还被作用了一个函数,这个函数就是激活函数 Activation Function.1.2激活函数的作用如果不用激励函数,每一层输出都是上层输入的线性函数,无论神经网络有多少层,输出都是输入的线性组合,这也是为什么不使用线性激活函数的原因。如果使用的话,激活函数给神经元引入了非线性因素,使得神经

2020-06-26 19:21:45 931

原创 第十六章 强化学习

1.分析强化学习与监督学习的联系与差别。机器要做的是通过在环境中不断地尝试而学得一个"策略" (policy) π\piπ,根据这个策略,在状态xxx下就能得知要执行的动作α=π(x)\alpha=\pi(x)α=π(x), 例如看到瓜苗状态是缺水时,能返回动作"浇水". 策略有两种表示方法:一种是将策略表示为函数π:X↦A\pi:X \mapsto Aπ:X↦A, 确定性策略常用这种表示;另一种是概率表示π:X×A↦R\pi:X\times A\mapsto\mathbb{R}π:X×A↦R随机性策略

2020-06-26 19:19:37 730

原创 第十一章 特征选择

1、简述特征选择的目的。特征选择是一个重要的“数据预处理”过程,在现实机器学习任务中,获得数据之后通常先进行特征选择,此后再训练学习机器。我们进行特征选择主要有以下两个重要目的: 减轻维数灾难我们在现实任务中经常会遇到维数灾难问题,这是由于属性过多而造成的,若能从中选择出重要的特征,使得后续学习过程仅需在一部分特征上构建模型,则维数灾难问题会大为减轻。从这个意义上来说,特征选择与第十章介绍的降维有相似的动机。 降低学习任务的难度去除不相关的特征往往会降低学习任务的难度,这就像侦探破案一样,若将纷

2020-06-26 19:16:55 1461

原创 第七章 贝叶斯分类器

1. 解释先验概率、后验概率、全概率公式、条件概率公式,结合实例说明贝叶斯公式,如何理解贝叶斯定理? 先验概率先验概率P(c)P(c)P(c)表达了样本空间各类样本所占的比例,根据大数定律,当训练集包含充足的独立分布的样本时,P(c)P(c)P(c)可通过各类样本出现的频率来进行估计。 后验概率后延概率P(c∣x)P(c|x)P(c∣x),可以理解为在类别ccc在训练集xxx下所谓的“真实出现的概率” 全概率公式如图所示,一个样本空间 SSS 被 B1,B2...B6B_1,B_2...B_

2020-06-26 19:13:59 283

原创 第八章 集成学习

1. 谈谈集成学习的概念和思想。集成学习(ensemble learning)通过构建并结合多个学习器来完成学习任务,有时也被称为多分类器系统(multi-classifier system) 、基于委员会的学习(committee-based learning) 等. 集成学习的示意图如下所示:它的主要思想是通过将多个学习器进行结合,常可获得比单一学习器显著优越的泛化性能。由于基学习器的误差相互独立. 在现实任务中,个体学习器是为解决同一个问题训练出来的,它们显然不可能相互独立! 事实上,个体学习器的

2020-06-25 22:38:26 750

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除