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
flying_13141 天前
图神经网络分享系列-GGNN(GATED GRAPH SEQUENCE NEURAL NETWORKS)(一)赋创小助手1 天前
超微2U高密度服务器AS-2126HS-TN评测（双AMD EPYC 9005 Turin）前进的李工1 天前
深度解析：词向量与自注意力机制永远都不秃头的程序员(互关)1 天前
【K-Means深度探索（十一）】K-Means VS 其他聚类算法：如何选择最合适的工具？肥猪猪爸1 天前
NLP中BIO标签浅析数智工坊1 天前
【MobileVIT论文解读】打破 CNN 与 ViT 壁垒：MobileViT 如何重塑移动端视觉模型？永远都不秃头的程序员(互关)1 天前
【K-Means深度探索（九）】K-Means与数据预处理：特征缩放与降维的重要性！sunfove1 天前
拥抱不确定性：使用 PyTorch 构建贝叶斯神经网络 (BNN)一招定胜负1 天前
仅通过提示词用豆包实现项目：爬虫+神经网络对目标图片分类飞Link2 天前
【论文笔记】《Deep Learning for Time Series Anomaly Detection: A Survey》