针对超短期负荷预测周期短，要求预测速度快的特点，构建了基于稳健回归和回声状态网络的超短期负荷预测方法。
回声状态网络作为一种递归神经网络，其隐含层为一个储备池，并且通过线性回归训练网络，从而具有映射复杂动态系统的能力和训练快速的特点，能较好地满足超短期负荷预测的要求。
考虑到异常负荷数据的影响，将稳健回归运用于网络训练阶段，以削弱异常值的影响，从而提升预测的精度。
通过算例验证了所提方法的可行性和有效性。
回声状态网络作为一种递归神经网络，其隐含层为一个储备池，并且通过线性回归训练网络，从而具有映射复杂动态系统的能力和训练快速的特点，能较好地满足超短期负荷预测的要求。
考虑到异常负荷数据的影响，将稳健回归运用于网络训练阶段，以削弱异常值的影响，从而提升预测的精度。
通过算例验证了所提方法的可行性和有效性。
2025/1/15 7:18:36
602KB
1
GPS获得垂直分量是基于参考椭球的大地高，它与工程中需要的正常高有一差值，即高程异常。
而由于大地水准面的不规则性，使GPS获得的垂直信息使用受到了限制。
进行GPS高程拟合，通过己知点的高程异常值推求未知点的高程异常值，进而求得未知点的正常高是目前转换GPS高程的主要方法。
BP网络由于其自组织、自适应的特点被广泛应用于GPS高程拟合中。
而由于大地水准面的不规则性，使GPS获得的垂直信息使用受到了限制。
进行GPS高程拟合，通过己知点的高程异常值推求未知点的高程异常值，进而求得未知点的正常高是目前转换GPS高程的主要方法。
BP网络由于其自组织、自适应的特点被广泛应用于GPS高程拟合中。
2024/10/7 4:57:42
1.82MB
1
LOF算法：剔除异常值，用于数据量不大，使用简单，并具有可视化功能，可将异常数据在图上显示出来，方便耐用。
。
。
。
所需积分不晓得为啥被提高了，在此重新改一下传
。
。
。
所需积分不晓得为啥被提高了，在此重新改一下传
2016/6/13 19:50:53
1KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB