辅导文章
模型描述
1）相似度统计量构造。数据归一化后，利用皮尔森相关系数确定环境因子权重，构造相似日的统计量－相似度。
2）K-means 聚类。根据相似度应用 K-means 聚类法对历史日数据样本聚类，找出合适样本，使得历史日样本被分为若干类。
3）预测日所属类别识别。以相似度最大的类别作为预测日的类别，形成训练样本。
4）ELM 神经网络建模与预测。利用训练样本建立ELM 神经网络模型，利用测试样本对模型进行验证。最后，经过补偿及反归一化过程得出最后预测值。
预测效果
论文辅导 | 基于K-means聚类和ELM神经网络的养殖水质溶解氧预测
机器学习之心2024-06-27 14:05
相关推荐
小O的算法实验室7 小时前
AAAI-26，全局相关性学习：通过谱图神经网络增强进化算法AI街潜水的八角8 小时前
菌落微生物检测和识别2：基于深度学习YOLO26神经网络实现菌落微生物检测和识别(含训练代码和数据集)HZZD_HZZD9 小时前
用电负荷聚类分析实战：基于`scikit-learn`的`K-Means`与`DBSCAN`双算法对比、`PCA`降维可视化与智能电表负荷画像全流程江畔柳前堤1 天前
系统的本质——从LTI系统到神经网络ShallWeL1 天前
【机器学习】（30）—— 嵌入空间LaughingZhu2 天前
Product Hunt 每日热榜 | 2026-07-30淼澄研学2 天前
PyTorch深度学习实战：从零构建神经网络模型的五个核心步骤ShallWeL2 天前
【机器学习】（29）—— Embedding过期的秋刀鱼！2 天前
更大的神经网络（自动微分 auto diff）江畔柳前堤2 天前
重新理解“方差“：从统计学到LLM的七个维度