<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_61878377的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_61878377</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_61878377]]></copyright><item><title><![CDATA[SCI算法！发文首选！参数优化下的BiLSTM-KAN模型回归预测，Python代码]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/140752296</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/140752296</guid><author>m0_61878377</author><pubDate>Sun, 28 Jul 2024 16:21:43 +0800</pubDate><description><![CDATA[KAN是2024年最新的算法，是近期非常热门的一个模型。当前对该算法的应用是非常少的，因此该算法是我们写论文的最佳选择。
同时，为进一步加强创新，小当家推出LVY-BiLSTM-KAN。其中，常青藤优化算法（IVY）是元启发式算法领域的最新研究，出版日期2024年7月8日。快来尝尝鲜，早用早发文！！！
代码及参考文献获取见文末]]></description><category></category></item><item><title><![CDATA[10种超强图像特征提取算法Python代码实现]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/140044698</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/140044698</guid><author>m0_61878377</author><pubDate>Fri, 28 Jun 2024 15:30:07 +0800</pubDate><description><![CDATA[图像特征提取是计算机视觉和图像处理的关键步骤，因为计算机不认识图像，只理解数字。通过特征提取，计算机便可以理解图像含义，实现真正意义上的“视觉智能”。

图像特征提取的目的是从中提取有用信息，以便后续的分析和应用。通过图像特征提取，可以实现数据降维、提高模型性能、简化计算、适用不同的应用场景等需求。

本期小当家带来10种超强的图像特征提取算法，不管是实际应用还是作为论文创新都是非常适用的！！！]]></description><category></category></item><item><title><![CDATA[一种基于图卷积创新的电场强度监测模型，原创未发表!!!]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/139847350</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/139847350</guid><author>m0_61878377</author><pubDate>Fri, 21 Jun 2024 07:04:08 +0800</pubDate><description><![CDATA[GCN通过在图结构上进行卷积操作，充分利用节点的邻接关系和特征信息，能够有效提取图数据的时空特征。本文提出的基于GCN和GRU的电场强度监测模型，结合GCN的空间特征提取和GRU的时间序列处理，实现了电场强度数据的高效监测和准确预测。本期推出一种创新的电场强度监测模型，通过图卷积神经网络与GRU的结合，实现对电场强度数据的高效处理和准确预测。预测准确性高：真实值与预测值对比散点图进一步验证了模型的高准确率，模型在测试集上的预测结果与真实值高度一致。一种基于图卷积创新的电场强度监测模型，原创未发表!]]></description><category></category></item><item><title><![CDATA[前沿创新 | KAN模型及其组合模型回归预测应用，Python预测回归全家桶更新]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/139758188</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/139758188</guid><author>m0_61878377</author><pubDate>Tue, 18 Jun 2024 01:33:55 +0800</pubDate><description><![CDATA[KAN一种全新的神经网络架构，与传统的 MLP 架构截然不同，且能用更少的参数在数学、物理问题上取得更高精度。本期将推出KAN及其组合模型（TCN-KAN、LSTM-KAN、Transformer-KAN、ResNet-KAN等等等）实现回归预测。KAN是2024年的最新研究成果，一经问世便受到众多关注，当前引用还比较少，早用早发文！！！]]></description><category></category></item><item><title><![CDATA[猎食者优化算法 Python代码免费获取]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/139691575</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/139691575</guid><author>m0_61878377</author><pubDate>Fri, 14 Jun 2024 23:01:17 +0800</pubDate><description><![CDATA[猎食者优化算法 Python代码免费获取！！！
猎食者优化算法(hunter–prey optimizer，HPO)是于2022年提出的一种新型智能优化算法。该算法的灵感来自于捕食动物(如狮子、豹和狼)以及猎物(如雄鹿和瞪羚)的行为。HPO具有收敛速度快，寻优能力强的特点。免费python代码获取见文末。]]></description><category></category></item><item><title><![CDATA[发文无忧|双层分解+BiTCN-BiGRU-Attention的电力负荷预测]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/139689205</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/139689205</guid><author>m0_61878377</author><pubDate>Fri, 14 Jun 2024 20:04:36 +0800</pubDate><description><![CDATA[首先采用CEEMDAN将原始电力负荷数据分解成一组比较稳定的子序列，然后联合小波阈值法将含有噪声的高频分量去噪，保留含有信号的低频分量进行累加重构。然后利用VMD对去噪后的数据进行二次信号特征提取，得到一组平稳性强且含不同频率的分量。最后，使用BiTCN-BiGRU-Attention对各分量进行了预测，并将预测结果进行迭代，获得完整的预测结果。]]></description><category></category></item><item><title><![CDATA[融合创新！CNN-Transformer时间序列预测]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/139561075</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/139561075</guid><author>m0_61878377</author><pubDate>Sun, 09 Jun 2024 13:34:16 +0800</pubDate><description><![CDATA[混合 CNN-Transformer 模型结合了 CNN 在局部特征提取和 Transformer 在捕捉长期依赖关系中的优势。本文将使用CNN-Transformer完成电力负荷多元时间序列预测，这个模型当前用的人还比较少，且不仅适用于电力负荷预测，如光伏预测、股价预测等时间序列预测也是可以用的。CNN 和 Transformer 的结合确保了模型有效地捕捉局部和全局模式，从而增强其时间序列数据预测的性能。num_heads：多头注意力机制的头数，表示每个注意力层的注意力头数量。]]></description><category></category></item><item><title><![CDATA[2024最全注意力机制模型全家桶！永久更新！]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/139508816</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/139508816</guid><author>m0_61878377</author><pubDate>Thu, 06 Jun 2024 20:01:19 +0800</pubDate><description><![CDATA[关于注意力机制（Attention）的研究与应用越来越多，这并不是空穴来风。可以说，注意力机制就像人的大脑皮层，让我们的模型更加智能化。

但是，这么多模型到底该怎么选择？今天小当家推出最全注意力机制全家桶，共10种结合注意力机制的模型，每种模型可以进行回归预测、时间序列预测，并且已经在真实数据上得到验证，代码注释也是十分清楚，适合新手！！！]]></description><category></category></item><item><title><![CDATA[Python库Altair实现精美SCI论文插图制作]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/139420689</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/139420689</guid><author>m0_61878377</author><pubDate>Mon, 03 Jun 2024 17:43:39 +0800</pubDate><description><![CDATA[Python库Altair实现精美SCI论文插图制作代码分享！！！

Altair是一个基于Python的声明性统计可视化库，专注于简洁的语法和美观的默认设置。它是基于Vega和Vega-Lite构建的，能够快速生成复杂的图表。与Matplotlib 和Seaborn相比，Altair 更注重统计特征。Altair凭借其强大而简洁的可视化语法，可快速构建各种可视化效果。]]></description><category></category></item><item><title><![CDATA[一次搞定33种python机器学习回归算法！超级全！]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/139363977</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/139363977</guid><author>m0_61878377</author><pubDate>Sat, 01 Jun 2024 01:13:59 +0800</pubDate><description><![CDATA[一次搞定33种python机器学习回归算法！超级全！永久更新！

小当家推出python回归预测全家桶，目前包含33种前沿和经典的算法，十分全面。当前python回归预测全家桶亮点如下：

1、凡入手Python回归预测全家桶，可免费远程配置环境（python+pycharm专业版），同时讲解模型及调参要点！！！

2、Python回归预测全家桶一次购买永久更新，后续还会推出很多新颖、实用的回归预测模型，总有一款适合你！

3、全家桶中的模型经过初步调试，代码注释详细，易于理解，替换数据便利，把要预测的目标]]></description><category></category></item><item><title><![CDATA[EI期刊复现:《改进正弦算法引导的蜣螂优化》]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/139309401</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/139309401</guid><author>m0_61878377</author><pubDate>Thu, 30 May 2024 02:01:47 +0800</pubDate><description><![CDATA[多策略改进MSADBO
为什么要改进DBO算法，这一点很重要，不能空穴来风。文章作者指出蜣螂优化算法虽然具有寻优能力强、收敛速度快的特点，但同时也存在全局探索和局部开发能力不平衡，容易陷入局部最优，且全局探索能力较弱的缺点。因此，为了提高 DBO的搜索性能，提出了 3 种加强 DBO 的策略。]]></description><category></category></item><item><title><![CDATA[顶刊复现：机器学习解释利器—SHAP实战【免费获取】]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/139090728</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/139090728</guid><author>m0_61878377</author><pubDate>Tue, 21 May 2024 14:11:48 +0800</pubDate><description><![CDATA[🎉今天分享一个实用的机器学习模型解释工具——SHAP（SHapley Additive exPlanations）。构建一个高性能的模型只是成功的一部分，能够解释模型的预测结果才是关键。SHAP 就是这样一个神奇的工具，它能帮我们理解每个特征对模型预测的贡献。今天的文章会手把手教你如何使用 SHAP，输入实际数据进行分析，同时可保留图片，带完整的代码示例，让你轻松上手！拿去就能用！]]></description><category></category></item><item><title><![CDATA[一行一行代码带你上手机器学习，快速入门！]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/138823812</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/138823812</guid><author>m0_61878377</author><pubDate>Tue, 14 May 2024 09:00:00 +0800</pubDate><description><![CDATA[小伙伴们好，小当家后台收到提问：小白该如何学习python及机器学习算法？对于新手来说这确实是一个困惑。机器学习项目无疑是新手的入门的最佳选择之一。那么今天小当家为大家带来一个实战项目，通过一行一行代码来学习python语言及机器学习算法的应用。同样，本次文章的全部代码也是免费的，获取方式见文末。话不多说，下面开始我的分享！！！]]></description><category></category></item><item><title><![CDATA[一文教会CNN-LSTM如何添加四种注意力机制, 一看就会！附完整免费python代码！！！]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/138774014</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/138774014</guid><author>m0_61878377</author><pubDate>Mon, 13 May 2024 09:00:00 +0800</pubDate><description><![CDATA[小伙伴们好，今天小当家带来如何添加四种注意力机制到CNN-LSTM中的教程，干货满满！有需要可免费获取！注意力机制是一种让模型在处理数据时能够“关注”到更重要信息的技术，它可以显著提升模型对数据的理解和处理能力。在深度学习模型中，特别是在处理序列数据（如文本、时间序列）或图像数据时，注意力机制发挥着重要作用。话不多说，下面开始我的分享！！！]]></description><category></category></item><item><title><![CDATA[发文新思路之区间预测：梯度提升（QR-GBDT）分位数回归预测实战！！！]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/138734024</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/138734024</guid><author>m0_61878377</author><pubDate>Sun, 12 May 2024 09:00:00 +0800</pubDate><description><![CDATA[小伙伴好，今天小当家向大家介绍一下怎么用GBDT去做区间预测。区间预测是现代统计分析和机器学习领域中一个非常重要的概念，特别是在需要评估预测不确定性时。与传统的单点预测方法相比，区间预测提供了更多关于数据未来走向的信息，这对于决策制定过程是极其宝贵的。]]></description><category></category></item><item><title><![CDATA[还不会自动调参吗？24年SCI算法NRBO实现XGBoost参数自适应寻优！！！]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/138711918</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/138711918</guid><author>m0_61878377</author><pubDate>Sat, 11 May 2024 13:36:10 +0800</pubDate><description><![CDATA[各位小伙伴在学习机器学习时可能会苦恼，某个模型的参数究竟该如何调整。因为参数调整在机器学习中占据着非常关键的地位，因为它直接影响到模型的性能和预测的准确性。今天，小当家向大家介绍一种模型参数自适应寻优的方法，解决调参焦虑！！！]]></description><category></category></item><item><title><![CDATA[24年算法Python版免费获取！牛顿-拉夫逊优化算法(NRBO)-原理详解及实现！]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/138682252</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/138682252</guid><author>m0_61878377</author><pubDate>Fri, 10 May 2024 21:25:26 +0800</pubDate><description><![CDATA[NRBO 是一种基于种群的优化算法，它在开始时随机生成一组解，这些解构成了初始种群。初始种群的每一个解都是在解空间中随机位置的一个点，代表了一个潜在的解。因此，使用公式(7)生成随机种群：式中，xij表示第n个总体的第j维位置，rand表示(0,1)之间的随机数。下式给出了可以描述所有维度的种群的种群矩阵。]]></description><category></category></item><item><title><![CDATA[创新点！搭建BiTCN-CNN双流结构回归预测模型，实现高精度预测效果！！！]]></title><link>https://blog.youkuaiyun.com/m0_61878377/article/details/138636929</link><guid>https://blog.youkuaiyun.com/m0_61878377/article/details/138636929</guid><author>m0_61878377</author><pubDate>Fri, 10 May 2024 21:15:36 +0800</pubDate><description><![CDATA[在具体实现中，BiTCN通过多层卷积层处理输入数据，每层卷积都通过不同的滤波器和激活函数来提取特征，同时使用扩张卷积（dilated convolution）来增加感受野，即无需增加参数的情况下扩大模型对输入数据的覆盖范围。这样，BiTCN提供的长期依赖信息和CNN捕获的短期局部特征可以同时用于最终的决策层，通常是一个或多个全连接层，以进行最终的预测。总体来说，这个模型在这组数据上的表现非常出色，具有很高的R²值（0.9929），说明模型能够解释大部分数据的变异性；python算法小当家，]]></description><category></category></item></channel></rss>