- 博客(85)
- 收藏
- 关注
RSS订阅
原创 北大核心，EI，SCI直接冲！！
我们致力于各种优化算法开发及其应用、机器学习、深度学习、数值计算、建模仿真、路径规划......并构建一站式学术服务平台，包括不限于：论文翻译、润色、排版、参考文献插入、辅导、以及各种个性化定制。多位985、211高校博士联合，拥有丰富的科研与算法实践经验，曾发表多篇SCI一区、二区高水平论文。我们坚持认真的态度，专注算法改进与应用，只为呈现高品质成果。
2025-01-09 12:18:57
220
原创 顶刊复现，全网首发，最新版本改进LSHADE-SPACMA
原文复现，全网首发！2025年1月最新发表算法，改进CEC2017竞赛优胜算法LSHADE-SPACMA，Modified LSHADE-SPACMA with new mutation strategy and external archive mechanism for numerical optimization and point cloud registration，发表于顶级期刊Artificial Intelligence Review，效果极佳！改进版本竞赛算法非常稀少！
2025-01-09 12:01:41
691
原创 贝叶斯优化决策树分类（matlab代码）
结果可视化: 代码中包含了对模型预测结果的可视化，包括了真实类别和预测类别的对比图以及测试集的混淆矩阵，有助于直观地了解模型的表现。模块化的结构: 代码分为清除命令窗口、数据加载、数据划分、参数设置、算法处理块、结果分析和绘图块等模块，使得代码更易于理解和维护。模型评估: 使用了十折交叉验证的方法对模型进行评估，考虑到了模型的泛化能力，有助于更客观地评估模型的性能。数据预处理: 在数据划分之前，对数据进行了Z-score标准化处理，有助于提高模型的收敛速度和准确率。测试集准确率:0.86667。
2025-04-03 11:30:07
287
原创 贝叶斯优化SVM分类（matlab代码）
代码中通过十折交叉验证等方法评估了模型的性能，计算了训练集、验证集和测试集的准确率，并输出了十折验证准确率和运行时长。此外，还通过绘制分类情况图和混矩阵对模型的分类效果进行了可视化展示，帮助更直观地了解模型的性能和分类结果。代码中设置了贝叶斯迭代次数 BO iter，通过调整这个参数，可以控制贝叶斯优化算法的迭代次数，从而更好地优化模型的超参数。通过SVM算法进行分类任务的处理，采用了自动优化超参数的方法，从而更好地适应数据集，并提高了模型的性能。数据集划分为训练集、验证集、测试集，比例为8:1:1。
2025-04-02 11:43:06
460
原创 贝叶斯优化LSTM分类预测（matlab代码）
参数设置:代码中设置了贝叶斯迭代次数 BO iter，通过调整这个参数，可以控制贝叶斯优化算法的迭代次数，从而更好地优化模型的超参数。结果展示: 在算法处理块结束后，展示了模型在训练集、验证集和测试集上的准确率，以及程序的运行时长。数据标准化: 对数据进行了 Zscore 标准化处理，使得数据的均值为 0，标准差为 1，有利于提高模型的收敛速度和性能。数据处理: 在数据加载后，对数据进行了划分，包括训练集、验证集和测试集，这有助于评估模型的泛化能力。数据集划分为训练集、验证集、测试集，比例为8:1:1。
2025-04-01 11:13:48
509
原创 贝叶斯优化GRU分类预测（matlab代码）
可视化结果:代码中包含了对训练过程和预测结果的可视化，包括损失函数的曲线、真实标签与预测标签的对比等，有助于直观地评估模型的性能和结果的准确性。参数设置:代码中设置了贝叶斯迭代次数 BO iter，通过调整这个参数，可以控制贝叶斯优化算法的迭代次数，从而更好地优化模型的超参数。数据处理:在数据加载后，对数据进行了划分，包括训练集、验证集和测试集，这有助于评估模型的泛化能力。先提供matlab代码运行效果图给博主评估其价值，可以的话，就可以进行兑换。数据集划分为训练集、验证集、测试集，比例为8:1:1。
2025-03-27 11:02:50
485
原创 改进mopos进行多目标巡检（matlab代码）
在原始的 MOPSO 算法中，粒子局部最优引导的选择方式为：在第t次迭代时，从当前种群\中通过均匀随机抽样的方式挑选一个粒子作为局部最优引导粒子，从整数集合中进行均匀随机抽样。这种选择方式虽能使粒子在一定程度上探索解空间，但由于选取的粒子随机性较大，可能并非是当前种群中具有优良特性的解，导致粒子后续的搜索方向缺乏足够的引导性，影响算法收敛速度与寻优精度。通过上述改进点的引入，改进后的 MOPSO 算法在解决多目标优化问题时具有更好的性能。利用同等价值的matlab代码兑换博主的matlab代码。
2025-03-26 12:10:09
385
原创 极光优化PLO-Transformer-LSTM多变量时序
正是由于Transformer模型采用并行机制，本身是适用于自然语言处理任务，可以很好地实现机器翻译的任务，当Transformer模型应用于时序数据预测时，输入序列可能会存在时间信息的缺失；而在时间序列预测中，模型的输入是已知的历史时间数据，而输出是未来时间的预测值，在这种情况下，是不需要解码器的注意力层结构的。（五）在我们的实验中，原始Transformer模型设置最大训练次数为50次，初始学习率为0.01，L2正则化系数为0.005，自注意力机制中的头数为4，因此每个头的键的通道数为4*32。
2025-03-26 12:06:02
593
原创 贝叶斯优化CNN分类预测（matlab代码）
可视化结果: 代码中包含了对训练过程和预测结果的可视化，包括损失函数的曲线、真实标签与预测标签的对比等，有助于直观地评估模型的性能和结果的准确性。参数设置:代码中设置了贝叶斯迭代次数 BO iter，通过调整这个参数，可以控制贝叶斯优化算法的迭代次数，从而更好地优化模型的超参数。数据处理:在数据加载后，对数据进行了划分，包括训练集、验证集和测试集，这有助于评估模型的泛化能力。先提供matlab代码运行效果图给博主评估其价值，可以的话，就可以进行兑换。数据集划分为训练集、验证集、测试集，比例为8:1:1。
2025-03-26 11:43:16
187
原创 WGAN对抗生成数据（matlab）代码
该模型引入了梯度惩罚（Gradient Penalty）技术，有效提升了训练过程的稳定性，同时提高了生成样本的质量。WGAN 的提出，主要是为了解决原始生成对抗网络（GAN）在训练时不稳定以及出现模式崩溃等问题。由于数据量不大，也可以承接调试工作。在数据扩充方面，当面临数据量不足的状况时，可利用 WGAN 梯度惩罚方法合成新的数据样本，用于模型训练。先提供matlab代码运行效果图给博主评估其价值，可以的话，就可以进行兑换。算法设计、毕业设计、期刊专利！WGAN生成对抗网络，数据生成，样本生成程序。
2025-03-25 11:39:37
342
原创 贝叶斯优化BiLSTM分类(matlab代码)
参数设置：代码中设置了贝叶斯迭代次数 BO_iter，通过调整这个参数，可以控制贝叶斯优化算法的迭代次数，从而更好地优化模型的超参数。结果展示: 在算法处理块结束后，展示了模型在训练集、验证集和测试集上的准确率，以及程序的运行时长。数据标准化： 对数据进行了 Zscore 标准化处理，使得数据的均值为 0，标准差为 1，有利于提高模型的收敛速度和性能。数据处理: 在数据加载后，对数据进行了划分，包括训练集、验证集和测试集，这有助于评估模型的泛化能力。数据集划分为训练集、验证集、测试集，比例为8:1:1。
2025-03-25 10:50:00
355
原创 CNN-LSTM分类预测（matlab代码）
可视化结果: 代码中包含了对训练过程和预测结果的可视化，包括损失函数的曲线、真实标签与预测标签的对比等，有助于直观地评估模型的性能和结果的准确性。模块化结构: 代码将整个流程模块化，使得代码更易于理解和维护。不同功能的代码块被组织成函数或者独立的模块，使得代码逻辑清晰，结构化程度高。参数化设计: 代码中许多常用的参数被设定为变量，方便用户根据实际情况进行调整和修改，提高了代码的灵活性和可重用性。利用同等价值的matlab代码兑换博主的matlab代码。数据集划分为训练集、验证集、测试集,比例为8：1：1。
2025-03-24 11:03:44
388
原创 SA模拟退火算法优化高斯回归回归预测matlab代码
数据处理流程遵循标准化规范，通过 Z-score 标准化技术对数据进行归一化处理，并实施严格的训练 - 验证 - 测试集划分策略，为模型训练的准确性和可靠性提供了保障。结果可视化模块通过绘制多组对比曲线，直观呈现模型在不同阶段的预测性能，包括训练集、验证集和测试集的真实值与预测值的动态对比，便于直观评估算法效能。系统设计采用分层架构模式，代码逻辑划分为数据预处理、参数配置、算法实现和结果可视化四大功能模块，显著提升了代码的可维护性与可读性。利用同等价值的matlab代码兑换博主的matlab代码。
2025-03-24 10:52:48
508
原创 SSA麻雀搜索算法优化随机森林回归预测（matlab代码）
通过绘制 SSA 寻优过程的收敛曲线，以及训练集、验证集和测试集的真实标签与预测标签的曲线对比图，以直观的方式展示了模型的预测效果。随后，将数据合理地划分成训练集、验证集和测试集，这一系列操作有效保障了模型训练的准确性与可靠性，为后续的分析与预测奠定了坚实基础。这种结构极大地提升了代码的可读性与可维护性，便于后续的开发与管理。麻雀搜索算法（Sparrow Search Algorithm，简称 SSA）是于 2020 年被提出的一种新兴群智能优化算法，其灵感主要源自麻雀的觅食行为与反捕食行为。
2025-03-21 11:47:03
524
原创 SSA麻雀搜索算法优化决策树回归预测（matlab代码）
在结果呈现上，通过绘制 SSA 寻优过程的收敛曲线，以及训练集、验证集和测试集的真实标签与预测标签的曲线对比图，实现了结果的可视化。首先对数据进行了标准化处理，采用了 Zscore 标准化方法，而后将数据精准地划分为训练集、验证集和测试集，这些步骤有效保障了模型训练的准确性和可靠性。根据功能模块，代码被清晰地划分成数据准备、参数设置、算法处理以及结果展示等几个部分，这一设计极大地提高了代码的可读性与可维护性。为了保证模型训练的有效性，数据集按照 8：1：1 的比例被合理划分为训练集、验证集和测试集。
2025-03-20 11:09:31
347
原创 SSA优化MLP回归预测(matlab代码)
在结果呈现方面，采用了可视化的方式。通过绘制 SSA 寻优过程的收敛曲线，以及训练集、验证集和测试集的真实标签与预测标签的曲线对比图，能够以直观的形式展示模型的预测效果，让用户可以更轻松地理解算法和模型的性能表现。具体清晰地分为数据准备、参数设置、算法处理模块以及结果展示等几个部分，这种结构极大地提升了代码的可读性，同时也让代码的维护变得更加轻松便捷。首先对数据进行了标准化处理，运用了 Zscore 标准化方法，随后将数据准确划分为训练集、验证集和测试集，这些操作有效保障了模型训练过程中的准确性和可靠性。
2025-03-19 11:30:25
511
原创 SSA麻雀搜索算法优化GAM回归预测（matlab代码）
通过精心绘制 SSA 寻优过程的收敛曲线，以及训练集、验证集和测试集的真实标签与预测标签的曲线对比图，以直观的方式呈现了模型的预测效果，让用户能够迅速且清晰地理解算法以及模型的性能表现，为进一步的评估和优化提供了有力支持。对数据进行了全面的标准化处理，其中包括 Zscore 标准化方法，并且严格按照比例将数据划分为训练集、验证集和测试集，这一系列操作有效保障了模型训练的准确性与可靠性，为后续的分析和预测奠定了坚实基础。在数据处理方面，将数据集按 8：1：1 的比例科学地划分为训练集、验证集以及测试集。
2025-03-18 12:27:17
688
原创 SSA麻雀搜索算法优化GRNN回归预测（matlab代码）
在结果可视化方面，通过绘制 SSA 寻优过程收敛曲线，以及训练集、验证集和测试集的真实标签与预测标签的曲线对比图，将模型的预测效果直观地呈现出来，方便用户理解算法和模型的性能表现。首先运用 Zscore 标准化方法对数据实施标准化处理，之后再将其划分为训练集、验证集和测试集，如此操作有助于确保模型训练具备较高的准确性与可靠性。麻雀搜索算法（Sparrow Search Algorithm，SSA）作为一种在 2020 年新提出的群智能优化算法，其设计理念主要源自麻雀的觅食行为以及反捕食行为。
2025-03-17 11:22:54
418
原创 SSA优化最近邻分类预测（matlab代码）
不仅计算出了训练集、验证集和测试集的准确率，还输出了十折验证准确率以及运行时长。此外，通过绘制分类情况图和混淆矩阵，对模型的分类效果进行了可视化呈现，能让人更直观地了解模型的性能和分类结果。先是对数据进行了标准化处理，运用 Zscore 标准化方法，随后将数据科学地划分为训练集、验证集和测试集，这一系列操作有效保障了模型训练的准确性和可靠性。在结果可视化环节，通过绘制 SSA 寻优过程收敛曲线、分类情况图以及混淆矩阵，直观地展示了模型的分类效果，为模型性能的直观分析和比较提供了有力帮助。
2025-03-14 11:25:55
524
原创 SSA-随机森林分类预测matlab代码
在模型评估环节，详细计算了训练集、验证集和测试集的准确率，同时记录并输出了模型的运行时长。此外，为了更直观地呈现模型的分类效果，还通过绘制分类情况图和混淆矩阵，对模型的分类性能进行了可视化展示，便于更清晰地了解模型的性能表现以及分类结果。在代码结构方面，采用了模块化设计。在结果可视化方面，通过绘制 SSA 寻优过程的收敛曲线、分类情况图以及混淆矩阵，以直观的方式呈现了模型的分类效果，为模型性能的直观分析和比较提供了有力支持。数据集被合理地划分为训练集、验证集和测试集，三者的比例设定为 8：1：1。
2025-03-13 11:14:03
551
原创 SSA-朴素贝叶斯分类预测matlab代码
不仅计算了训练集、验证集和测试集的准确率，还输出了十折验证准确率以及运行时长。此外，通过绘制分类情况图和混淆矩阵，对模型的分类效果进行了可视化呈现，便于更直观地了解模型的性能表现以及分类结果。同时，将数据准确划分为训练集、验证集和测试集，这一操作有效保障了模型训练的准确性与可靠性。关于结果可视化，通过绘制 SSA 寻优过程的收敛曲线、分类情况图以及混淆矩阵，以直观的方式展示了模型的分类效果，为模型性能的直观分析与比较提供了有力支持。数据集被合理划分为训练集、验证集和测试集，三者的比例为 8：1：1。
2025-03-11 14:08:45
419
原创 SSA优化决策树分类预测（matlab代码）
不仅计算了训练集、验证集和测试集的准确率，还输出了十折验证的准确率以及运行时长。此外，通过绘制分类情况图和混淆矩阵，对模型的分类效果进行了可视化呈现，使得模型的性能和分类结果能够更加直观地被理解。在标准化之后，将数据准确地划分为训练集、验证集和测试集，这一处理方式对于保障模型训练的准确性和可靠性起到了关键作用。在结果可视化方面，通过绘制 SSA 寻优过程的收敛曲线、分类情况图以及混淆矩阵，以直观的方式展示了模型的分类效果。数据集被合理划分为训练集、验证集和测试集，三者的比例设定为 8：1：1。
2025-03-10 14:19:03
385
原创 SA优化随机森林回归预测（matlab代码）
模拟退火算法，英文名为 Simulated Annealing，常简称为 SA，是一种启发式算法，主要用于处理优化问题。该算法的灵感来源于固体退火过程中温度逐渐下降的原理，采用随机搜索的方式，并运用接受劣解的策略，从而在复杂的搜索空间内找寻全局最优解，或者是接近最优的解。具体绘制了 SA 寻优过程的收敛曲线，以及训练集、验证集和测试集的真实标签与预测标签的曲线对比图。在代码结构上，采用了模块化的设计。在数据处理方面，将数据集按照 8：1：1 的比例，合理地划分为了训练集、验证集以及测试集。
2025-03-07 11:53:50
603
原创 SA优化决策树回归预测（matlab代码）
该算法的灵感来源于固体退火时温度逐步下降的过程，借助随机搜索手段，并采用接受劣解的策略，能够在复杂的搜索空间内找寻到全局最优解或者接近最优的解。此外，将数据合理地划分为训练集、验证集和测试集，这一系列操作对于保障模型训练的准确性和可靠性起到了积极的作用。在结果呈现方面实现了可视化：通过绘制模拟退火算法（SA）寻优过程的收敛曲线，以及训练集、验证集和测试集的真实标签与预测标签的曲线对比图，能够以直观的方式展现模型的预测效果，方便用户对算法和模型的性能有更为清晰的理解。平均相对误差（MAPE）
2025-03-06 18:07:23
380
原创 SA优化SVM回归预测（matlab代码）
模拟退火算法（Simulated Annealing，简称为 SA），作为一种启发式算法，在优化问题的求解领域发挥着重要作用。该算法的灵感源自固体退火时温度逐步下降的过程，凭借随机性搜索方式以及接受劣解的独特策略，能够在复杂的搜索空间中探寻全局最优解，或找到与最优解极为接近的结果。具体来说，绘制了 SA 寻优过程的收敛曲线，以及训练集、验证集和测试集的真实标签与预测标签的曲线对比图。为了更科学地进行模型训练与评估，数据集被合理地划分为训练集、验证集和测试集，它们的比例为 8：1：1。均方根误差（RMSE）
2025-03-04 15:33:28
404
原创 SA优化LSTM回归预测（matlab代码）
结果可视化：通过绘制SA寻优过程收敛曲线、训练集、验证集和测试集的真实标签与预测标签的曲线对比图，直观地展示了模型的预测效果，便于用户理解算法和模型的性能。数据处理流程清晰：对数据进行了标准化处理，包括Zscore标准化，将数据分为训练集、验证集和测试集，有助于保证模型训练的准确性和可靠性。模块化结构：代码按照功能模块进行划分，清晰地分为数据准备、参数设置、算法处理块和结果展示等部分，提高了代码的可读性和可维护性。数据集划分为训练集、验证集、测试集,比例为8：1：1。平均相对误差（MAPE）
2025-03-03 14:31:30
423
原创 SA优化GRU回归预测（matlab代码)
结果可视化：通过绘制SA寻优过程收敛曲线、训练集、验证集和测试集的真实标签与预测标签的曲线对比图，直观地展示了模型的预测效果，便于用户理解算法和模型的性能。数据处理流程清晰：对数据进行了标准化处理，包括Zscore标准化，将数据分为训练集、验证集和测试集，有助于保证模型训练的准确性和可靠性。模块化结构：代码按照功能模块进行划分，清晰地分为数据准备、参数设置、算法处理块和结果展示等部分，提高了代码的可读性和可维护性。数据集划分为训练集、验证集、测试集,比例为8：1：1。平均相对误差（MAPE）
2025-03-03 14:30:20
404
原创 SA优化GAM回归预测（matlab代码）
结果可视化：通过绘制SA寻优过程收敛曲线、训练集、验证集和测试集的真实标签与预测标签的曲线对比图，直观地展示了模型的预测效果，便于用户理解算法和模型的性能。数据处理流程清晰：对数据进行了标准化处理，包括Zscore标准化，将数据分为训练集、验证集和测试集，有助于保证模型训练的准确性和可靠性。模块化结构：代码按照功能模块进行划分，清晰地分为数据准备、参数设置、算法处理块和结果展示等部分，提高了代码的可读性和可维护性。数据集划分为训练集、验证集、测试集,比例为8：1：1。平均相对误差（MAPE）
2025-02-24 11:49:16
358
原创 改进A*算法并用于城市无人机路径规划
改进A*算法进行城市无人机路径规划，考虑碰撞，飞行高度等优化启发式搜索。所有指标超过A*和A算法！先提供matlab代码运行效果图给博主评估其价值，可以的话，就可以进行兑换。利用同等价值的matlab代码兑换博主的matlab代码。算法设计、毕业设计、期刊专利！
2025-02-23 19:23:59
504
原创 IABC-CEC2005原创3种策略改进蜂群优化算法ABC，Matlab代码
原理：模拟蜂群中雇佣蜂、观察蜂、侦察蜂的分工与行为。食物源位置代表问题解，花蜜量对应解的质量，蜜蜂通过信息传递与共享，不断寻找和更新食物源以找到最优解。4、侦察蜂阶段：对陷入局部最优的食物源，雇佣蜂变侦察蜂随机搜索新食物源。应用：可用于函数优化、组合优化、机器学习以及电力系统调度等工程应用领域。5、终止条件判断：满足如最大迭代次数等条件则输出最优解，否则继续迭代。3、观察蜂阶段：根据信息以概率选择食物源并搜索更新。1、初始化：随机生成初始食物源种群并计算花蜜量。2、雇佣蜂阶段：在当前食物源邻域搜索并更新。
2025-02-21 11:52:07
691
原创 IWPA_CEC2005
3种策略改进WPA狼群算法，独家原创，效果非常好，可以直接拿来写毕设或者论文。先提供matlab代码运行效果图给博主评估其价值，可以的话，就可以进行兑换。利用同等价值的matlab代码兑换博主的matlab代码。算法设计、毕业设计、期刊专利！
2025-02-19 16:26:38
569
原创 SA-朴素贝叶斯分类matlab
不仅计算了训练集、验证集和测试集的准确率，还输出了十折验证准确率以及运行时长。此外，通过绘制分类情况图与混淆矩阵，对模型的分类效果进行可视化展示，从而更直观地呈现模型的性能与分类结果，便于理解。对数据实施了标准化处理，其中包含 Zscore 标准化操作，并且将数据划分成训练集、验证集和测试集，这一系列举措有助于确保模型训练的准确性与可靠性。如此一来，极大地提升了代码的可读性与可维护性。在结果可视化环节，通过绘制树形图、分类情况图以及混淆矩阵，直观地展示了模型的分类效果，为直观分析和比较模型性能提供了便利。
2025-02-14 13:51:12
405
原创 RIME-CNN-SVM故障诊断
构建一个高效、准确的基于卷积神经网络（CNN）的电力系统故障识别与分类仿真系统，实现对电力系统故障的精准识别与分类。在这一模型中，CNN被用来执行故障数据的特征提取与抽象化处理，随后，这些经过抽象的特征会被传递给SVM模型，由SVM进一步执行分类与回归分析的任务，从而实现对故障类型的精确判定或故障严重程度的准确评估。通过细致的参数调优，能够最大化地发挥RIME-CNN-SVM模型在风电预测等领域的实际应用潜力，为电力系统的稳定运行提供更为坚实的保障。文件内包含程序简要说明文档，代码注释详细，完美运行。
2025-02-13 16:21:59
956
1
原创 KOA优化高斯回归预测matlab
该算法模拟行星在不同时刻的位置与速度，每个行星都代表着一个候选解，在优化进程中，这些候选解会相对于当前所找到的最佳解（即 “太阳”）进行随机更新。KOA 借助引入多个行星候选解，实现对搜索空间更为高效的探索与利用，这是由于这些行星在不同时间会展现出各异的状态，这对全局优化极为有利。在结果呈现上，通过绘制 KOA 寻优过程收敛曲线，以及训练集、验证集和测试集的真实标签与预测标签的曲线对比图，以直观的方式展示了模型的预测效果，极大地方便了用户理解算法以及模型的性能。平均绝对误差(MAE)均方根误差(RMSE)
2025-02-12 11:42:30
522
原创 KOA优化LSBooST回归预测matlab
此算法模拟行星在不同时刻的位置与速度，每个行星象征着一个候选解，在优化进程中，会相对于当前已发现的最佳解（类比为 “太阳”）进行随机更新。为了更直观地呈现模型的预测效果，方便用户理解算法和模型的性能，通过绘制 KOA 寻优过程收敛曲线，以及训练集、验证集和测试集的真实标签与预测标签的曲线对比图，实现了结果的可视化。数据处理流程同样清晰明确，对数据实施了标准化处理，其中包含 Zscore 标准化，并且将数据划分为训练集、验证集和测试集，这一系列操作有助于确保模型训练的准确性与可靠性。均方根误差(RMSE)
2025-02-11 11:04:16
502
原创 KOA优化最近邻分类预测matlab
这是因为不同时间的行星呈现出各异状态，对全局优化颇为有利。关于模型评估，代码运用十折交叉验证等方法来评估模型性能，计算训练集、验证集和测试集的准确率，并输出十折验证准确率以及运行时长。此外，还通过绘制分类情况图与混淆矩阵，对模型的分类效果进行可视化展示，从而帮助使用者更直观地了解模型性能与分类结果。在结果可视化方面，通过绘制 KOA 寻优过程收敛曲线、分类情况图以及混淆矩阵，直观呈现了模型的分类效果，有助于对模型性能进行直观的分析与比较。该数据集按照 8:1:1 的比例，被划分为训练集、验证集以及测试集。
2025-02-10 11:17:12
391
原创 KOA开普勒优化朴素贝叶斯分类预测matlab
关于模型评估，代码运用十折交叉验证等方式对模型性能展开评估，计算出训练集、验证集和测试集的准确率，并输出十折验证准确率以及运行时长。数据处理流程条理清晰。在代码结构方面，采用模块化设计，依据功能模块清晰划分，涵盖数据准备、参数设置、算法处理以及结果展示等部分，这极大地提升了代码的可读性与可维护性。在结果可视化环节，通过绘制 KOA 寻优过程收敛曲线、分类情况图以及混淆矩阵，直观地展示了模型的分类效果，为模型性能的直观分析与比较提供了便利。此数据集按 8：1：1 的比例，划分为训练集、验证集与测试集。
2025-02-09 13:28:39
592
原创 GWO优化决策树回归预测matlab
将数据集按照 8 : 1 : 1 的比例，划分为训练集、验证集和测试集。在结果呈现上，通过绘制 GWO 寻优过程收敛曲线，以及训练集、验证集和测试集的真实标签与预测标签的曲线对比图，将模型的预测效果直观地展示出来，方便用户理解算法及模型的性能。数据处理流程清晰明确，先对数据进行标准化处理，如 Zscore 标准化，再将其分为训练集、验证集和测试集，这一系列操作有助于确保模型训练的准确性与可靠性。在代码编写方面，采用模块化结构，依据功能模块清晰划分，具体分为数据准备、参数设置、算法处理以及结果展示等部分。
2025-02-08 10:29:40
516
原创 GWO优化高斯回归预测matlab
在结果呈现上，通过绘制 GWO 寻优过程收敛曲线，以及训练集、验证集和测试集的真实标签与预测标签的曲线对比图，以可视化的方式直观展示模型的预测效果，方便用户理解算法和模型的性能表现。数据处理流程明确，对数据实施了标准化处理，其中包含 Zscore 标准化，并将数据划分为训练集、验证集和测试集，这一处理方式有助于保障模型训练的准确性与可靠性。本次所使用的数据为 Excel 股票预测数据，数据集按照 8:1:1 的比例，划分为训练集、验证集和测试集。平均相对误差(MAPE)均方根误差(RMSE)
2025-02-07 17:30:15
445
原创 【SOC估计】基于扩展卡尔曼滤波器实现锂离子电池充电状态估计matlab代码和报告
近些年来，基于扩展卡尔曼滤波器（EKF）的 SOC 估计方法，凭借其高精度和强鲁棒性，备受关注。综上所述，基于扩展卡尔曼滤波器的 SOC 估计方法是一种成熟且有效的技术，能够实现高精度的 SOC 估计。等效电路模型 (ECM)：该模型运用等效电路来模拟电池的电化学行为，借助电路参数的改变，反映电池的充放电状态。电化学模型 (ECM)：此模型基于电池内部的物理化学过程，对电池动态特性的描述更为精准，不过计算复杂度较高。定义状态向量：状态向量涵盖需要估计的电池状态，比如 SOC、电池电压、电流等。
2025-02-06 17:48:32
1962
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