人工智能

压缩包内有PID仿真实验报告和simulink仿真文件，相应的文章：https://blog.csdn.net/Fan_zhaoyang/article/details/119410248#comments_20936284

新版本代码特点：（注意目前只适用于2560*720分辨率的双目，其他分辨率需要修改) 1、替换“回”字形查找改为“米”字形查找，可以设置存储像素点的个数20可修改，然后取有效像素点的中位数（个人觉得比平均值更有代表性）。 2、每10帧（约1/3秒）双目匹配一次，提升代码的运行速度。 3、可以进行实时检测，运行速度与机器的性能有关。

1.采用鲸鱼算法优化VMD分解层数和惩罚系数的MATLAB代码，目标函数根据样本熵计算。直接运行，可以换数据。 2.核心算法加密，有需要请在CSDN联系作者。

download-NEU-DET

数据集有三列:年、月和乘客。“passengers”列包含指定月份中旅行的乘客总数，可以看到数据集中有144行3列，这意味着数据集中包含了乘客12年的出行记录。这项任务是根据前132个月的数据，预测过去12个月出行的乘客数量。请记住，我们有144个月的记录，这意味着前132个月的数据将用于训练我们的LSTM模型，而模型性能将使用最后12个月的值进行评估。

这篇文章给大家带来是Transformer在时间序列预测上的应用，这种模型最初是为了处理自然语言处理（NLP）任务而设计的，但由于其独特的架构和能力，它也被用于时间序列分析。Transformer应用于时间序列分析中的基本思想是：Transformer 在时间序列分析中的应用核心在于其自注意力机制，这使其能够有效捕捉时间序列数据中的长期依赖关系。通过并行处理能力和位置编码，Transformer 不仅提高了处理效率，而且确保了时间顺序的准确性。其灵活的模型结构允许调整以适应不同复杂度这篇文章给大家带来是Transformer在时间序列预测上的应用，这种模型最初是为了处理自然语言处理（NLP）任务而设计的，但由于其独特的架构和能力，它也被用于时间序列分析。Transformer应用于时间序列分析中的基本思想是：Transformer 在时间序列分析中的应用核心在于其自注意力机制，这使其能够有效捕捉时间序列数据中的长期依赖关系。通过并行处理能力和位置编码，Transformer 不仅提高了处理效率，而且确保了时间顺序的准确性。定制化训练个人数据集进行训练利用python和pytorch实现

PlatEMO平台是由课题组田野师兄进行开发的，里面包含了众多经典多目标优化算法的matlab代码，需要的自行下载(仅仅限粉丝下载)

Unet通常应用到单类别的语义分割，经过调整后该代码适合于多类别的语义分割。对应博客：https://blog.csdn.net/brf_UCAS/article/details/112383722

stable-diffusion部署需要的包

包含比赛代码、数据、训练后的神经网络模型等。 在分析光伏发电原理的基础上，论证了辐照度、光伏板工作温度等影响光伏输出功率的因素，通过实时监测的光伏板运行状态参数和气象参数建立预测模型，预估光伏电站瞬时发电量，根据光伏电站DCS系统提供的实际发电量数据进行对比分析，验证模型的实际应用价值。 1 数据探索与数据预处理 1.1 赛题回顾 1.2 数据探索性分析与异常值处理 1.3 相关性分析 2 特征工程 2.1 光伏发电领域特征 2.2 高阶环境特征 3 模型构建与调试 3.1 预测模型整体结构 3.2 基于LightGBM与XGBoost的构建与调试 3.3 基于LSTM的模型构建与调试 3.4 模型融合与总结 4 总结与展望 参考文献