ELM:ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比—Jason niu

2023-11-19

%ELM:ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比—Jason niu
load spectra_data.mat 
temp = randperm(size(NIR,1)); P_train = NIR(temp(1:50),:)'; T_train = octane(temp(1:50),:)'; P_test = NIR(temp(51:end),:)'; T_test = octane(temp(51:end),:)'; N = size(P_test,2); [Pn_train,inputps] = mapminmax(P_train); Pn_test = mapminmax('apply',P_test,inputps); [Tn_train,outputps] = mapminmax(T_train); Tn_test = mapminmax('apply',T_test,outputps); [IW,B,LW,TF,TYPE] = elmtrain(Pn_train,Tn_train,30,'sig',0); tn_sim = elmpredict(Pn_test,IW,B,LW,TF,TYPE); T_sim = mapminmax('reverse',tn_sim,outputps); result = [T_test' T_sim']; E = mse(T_sim - T_test); N = length(T_test); R2=(N*sum(T_sim.*T_test)-sum(T_sim)*sum(T_test))^2/((N*sum((T_sim).^2)-(sum(T_sim))^2)*(N*sum((T_test).^2)-(sum(T_test))^2)); figure(1) plot(1:N,T_test,'r-*',1:N,T_sim,'b:o') grid on legend('真实值','预测值') xlabel('样本编号') ylabel('辛烷值') string = {'ELM:ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比—Jason niu';['(mse = ' num2str(E) ' R^2 = ' num2str(R2) ')']}; title(string)

 

转载于:https://www.cnblogs.com/yunyaniu/p/8436918.html

本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

ELM:ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比—Jason niu 的相关文章

  • JS解混淆-AST还原案例

    目录 一 js混淆了解 1 为什么要混淆 2 常见的混淆模样 ob sojson jsfuck AAencode jjEncode eval 二 AST初步认识 三 解混淆常用的方法 一 js混淆了解 1 为什么要混淆 js混淆的作用 为了
  • 为什么计算机中的整数要用补码表示?补码表示有什么好处?

    为什么计算机中的整数要用补码表示 补码表示有什么好处 在计算机中 补码可谓是十分神奇而又重要的存在 我们知道整数在计算机内部的机器数一般都是补码表示的 这里给出几个这样表示的好处 符号位可以和数值为一起参加运算 比如俩个负数相加 只要结果在
  • 风投平台

    一 天使湾创投 http www tisiwi com 二 天使汇 http angelcrunch com 三 蚂蚁天使 https www mayiangel com index htm 四 梦想小镇孵化器平台 http www dre
  • docker+jenkins+git搭建java自动化部署

    一 杂言 首先今天在写这篇文章的时候 刚好LOL洲际赛 RW赛前不被看好的情况下 为LPL扳回一城 RNG成功的在BO5最后一场拿下AFS LPL成功的拿下了洲际赛的冠军 恭喜LPL 田忌赛马的故事大家都耳熟能详 但是不可避免的也会出现逆转
  • pandas读取和存储CSV文件

    import pandas as pd import numpy as np read csv data pd read csv data temp 0 csv header None data DataFrame object data
  • 前端核心手写面试题(看你的马步扎实不扎实)

    防抖 防抖
  • c++类和对象--封装--属性和行为做整体

    封装的意义 1 将属性和行为当做一个整体来表现对象 类中的属性和行为统称为成员 属性又叫成员属性或成员变量 行为又叫成员函数或成员方法 案例 设计一个圆类 求圆的周长 include
  • 华为OD机试真题 Java 实现【机器人活动区域】【2023Q1 200分】

    一 题目描述 现有一个机器人 可放置于 M N的网格中任意位置 每个网格包含一个非负整数编号 当相邻网格的数字编号差值的绝对值小于等于 1 时 机器人可在网格间移动 问题 求机器人可活动的最大范围对应的网格点数目 说明 1 网格左上角坐标为
  • QT+ OpenGL学习

    文章目录 QT OpenGL QOpenGLWidget 不需要GLFW QOpenGLFunction X X Core 不需要GLAD 你好 三角形 顶点输入 顶点着色器 片段着色器 链接着色器 本节代码 元素缓冲对象EBO QT交互
  • haxm-windows_v7_5_6下载

    下载地址 https github com intel haxm releases download v7 5 6 haxm windows v7 5 6 zip 我已经下载好上传了 想自己去下载的小伙伴可以去上面的网站自己下载哦
  • 当今职场,正在加速淘汰 “巨婴员工”

    我担任过多家上市公司的技术高管职位 在工作中经常会遇到巨婴型员工 他们外在的表现是 不能够很好地管理自己 缺乏自律 缺乏起码的抗挫折能力和抗压能力 需要领导呵护着 同事们忍让着 作为一名管理者 绝不能放任团队中的巨婴存在 必须时刻保持团队的
  • STM32F4之ADC1【库函数操作】

    折腾了两天ADC多通道采样 采样的结果都很乱 完全不是预期值 在amobbs求助也没有找到结果 于是决定从简单开始 一步步折腾着破ADC ADC试验1实验说明 1 这个实验仅仅是初始化一个ADC 对其输入进行采样 2 使用STM32F4的A
  • Windows下强大的包管理器(二)

    Windows下强大的包管理器 Scoop BB Time 官方解释 What does Scoop do 安装教程 配置教程 修改用户安装程序和全局安装程序默认安装位置 直接修改环境变量 命令行方式 未完待续 使用教程 查找软件 安装软件
  • webpack之处理字体图标资源和打包其他资源

    1 下载图标地址 iconfont 阿里巴巴矢量图标库 2 添加字体图标资源 按照网站要求将资源等引入使用 src fonts iconfont ttf src fonts iconfont woff src fonts iconfont
  • Qt之QSS(动态属性)

    简述 QSS可以定制应用程序的外观 无需关注Qt样式背后的魔力 从非常轻微到极其复杂的调整 样式表都可以做到 对于一个完全定制和独特的用户体验 QtQuick和QGraphicsView是更好的选择 简述 自定义属性 限制 示例 效果 源码
  • 如何打开mysql数据库?

    方法一 win r 输入cmd 点击确定 输入mysql uroot p命令 回车 输入密码 方法二 用图形化工具 navicat 点击链接 选择mySQL 输入用户名和密码 点击确定 打开即可看到myql中已有数据库
  • 因 Log4j 漏洞,ONUS 被黑客攻击后拒交赎金;OpenHarmony 3.0 实现全设备能力初步覆盖;压缩软件 7-Zip 新版发布

    整理 宋彤彤 责编 屠敏 开源吞噬世界的趋势下 借助开源软件 基于开源协议 任何人都可以得到项目的源代码 加以学习 修改 甚至是重新分发 关注 开源日报 一文速览国内外今日的开源大事件吧 一分钟速览新闻点 被 Log4j 黑客攻击后 这家金
  • postMan使用技巧

    使用postMan调试接口 一些接口要实现登录才能访问 即要还token才能访问 一般登录后 拿到token才复制到其他接口下添加token变量 如些复制感觉是挺麻烦的 这时我们可以设置postman的全局变量 操作如下 添加调试环境和全局
  • 攻防实战

    0x00 前言 本文介绍了笔者在某次攻防演练中 如何从外网渗透到某车企的内网的详细过程 为了保护敏感信息 所有数据都已经脱敏 有些截图也不完整 请见谅 这次网络攻防演练分为两个阶段一共十四天 前七天是私有资源阶段 后七天是公共资源池阶段 共
  • 洛谷 P1056 排座椅 桶排序

    桶排序大法好 每次一看到这种范围小的题 本萌新就想用桶排 因为题目中的m n都小于1000 我们就可以定义两个1000的数组 表示每一行或每一列可以隔开几对讲话的童鞋 然后再定义两个1000的数组用来对前两个数组的值进行桶排序 再用通道总数

随机推荐

  • c51简单delay函数i的值跟延时的时间呈线性关系

    c51简单delay函数i的值跟延时的时间呈线性关系 一 简单delay函数 晶振频率 11 0592 MHZ define uchar unsigned char void Delay uchar i while i 二 证明 1 调试计
  • 深入浅出:前端浏览器缓存、清除缓存的几种方法

    介绍一个浏览器缓存机制的原理 https blog csdn net u014590757 article details 80140654 https www cnblogs com vajoy p 5341664 html https
  • 脊柱神经系统分布在哪里,脊柱神经系统分布图片

    脊柱两侧分出多少对脊神经 它构成了颈丛 臂丛 腰丛和骶丛 接着分布到全身 构成周围神经 31对脊神经 分别对应于31个脊髓节段上 即8颈 12胸 5腰 5骶 1尾 脊髓每个节段发出一对脊神经 颈丛由第1 4颈神经的前支构成 臂丛由第5 8颈
  • 使用Robot Framework实现多平台自动化测试

    基于Robot Framework Jenkins Appium Selenium Requests AutoIt等开源框架和技术 成功打造了通用自动化测试持续集成管理平台 以下简称 平台 显著提高了测试质量和测试用例的执行效率 01 设计
  • [1076]使用IntelliJ IDEA配置Tomcat

    文章目录 一 下载Tomcat 二 Tomcat环境变量配置 三 在IntelliJ IDEA配置Tomcat 一 下载Tomcat 1 进入官网Http tomcat apache org 选择download 下载所需要的Tomcat版
  • 单表查询

    简单sql查询语句应用 1 基本查询 查询Student表中全体学生的全部信息 select from Student go 查询全体学生的学号 姓名 select sno sname from Student go 2 查询时改变列标题的
  • Segmentation简记-Hybrid Task Cascade for Instance Segmentation

    创新点 1 Hybrid Task Cascade HTC 总结 基于maskrcnn和cascade rcnn的改进 论文中提出的几种cascade结构 a b结构就不细说了 分析一下c和d c较ab多出了一个结构 就是mask的casc
  • 基于Matlab的双向长短时记忆网络(BiLSTM)数据预测

    基于Matlab的双向长短时记忆网络 BiLSTM 数据预测 概述 在数据分析与预测领域 使用深度学习模型进行时间序列数据预测已成为一种常用的方法 本文将介绍如何使用Matlab中的双向长短时记忆网络 BiLSTM 模型对时间序列数据进行预
  • 超详细的计算机网络基础知识总结 第四章:网络层

    本文基于 王道计算机考研 计算机网络 其他文章 超详细的计算机网络基础知识 第一章 概述 超详细的计算机网络基础知识 第二章 物理层 超详细的计算机网络基础知识 第三章 数据链路层 超详细的计算机网络基础知识 第五章 传输层 超详细的计算机
  • 如何处理GPU上Error Number:700 an illegal memory access was encounter

    现象描述 GPU上网络运行过程中出现Error Number 700 an illegal memory access was encounter 原因分析 出现该现象 在框架稳定的背景下基本上可以确定是网络中有算子踩显存 因此CUDA上报
  • 毕业三年之际写给可能迷茫的你我

    工作半年 总感觉三分热度 难于沉淀 后劲不足 网上偶遇这篇文章 原来不止我一人是这样 遂转载此文以共勉 转自 http liugang ok iteye com blog 1969907 这些文字其实是在六月中下旬写的 算起来已经有好几个月
  • numpy生成等差等比数列

    文章目录 arange linspace logspace arange numpy arange start stop step dtype None 功能 Return evenly spaced values within a giv
  • java视频压缩

    项目开发中往往有一些时候可能会遇到一些上传视频 这时候我们如果上传一个手机拍摄的1分钟视频 大小110M 可能需要特别长的时间 这个时候就需要我们对视频进行压缩 虽然清晰度有所下降 但是对于一些特定的场景还是很有必要的 ffmpeg主要组成
  • 快速理解各类软件开发过程模型(瀑布模型、螺旋模型、喷泉模型等)

    快速理解各类开发过程模型 瀑布模型 螺旋模型 喷泉模型等等 1 开发模型 基础概念 2 结构化模型 瀑布模型 V模型 3 原型化模型 快速原型模型 增量模型 演化模型 螺旋模型 4 面向对象化模型 喷泉模型 5 其他模型 构建组装模型 6
  • 关于Wince进程外组件~ .

    转载自 http blog csdn net tttyd article details 6223594 Windows CE提供以下几种COM Base的应用 1 Minimal COM提供最基础的COM开发接口 API 每个com对象的
  • Spring中使用RedisTemplate操作Redis(spring-data-redis)

    https www cnblogs com songanwei p 9274348 html RedisTemplate如何检查一个key是否存在 return getRedisTemplate hasKey key 由一个问题 复习了一下
  • JAVA中的Runtime启动子进程并杀掉

    一 前言 最近在项目中需要将一个java工程打成一个jar包 并在运行jar包后启动通过java中的runtime类来启动一个nodejs的服务 在做的过程中遇到了一些不小的坑 下面就将其记录下来 二 Runtime类 Runtime cl
  • MySQL基础篇【第一篇】 数据库概述及数据准备、常用命令、查看表结构步骤

    作者简介 大家好我是 每天都要敲代码 一位材料转码农的选手 希望一起努力 一起进步 个人主页 每天都要敲代码的个人主页 系列专栏 MySQL专栏 推荐一款模拟面试 刷题神器 从基础到大厂面试题 点击跳转刷题网站进行注册学习 目录 一 数据库
  • Java课题笔记~ SpringBoot基础配置

    二 基础配置 1 配置文件格式 问题导入 框架常见的配置文件有哪几种形式 1 1 修改服务器端口 http localhost 8080 books 1 gt gt gt http localhost books 1 SpringBoot提
  • ELM:ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比—Jason niu

    ELM ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比 Jason niu load spectra data mat temp randperm size NIR 1 P train NIR temp 1 50 T train o