XiaoMi-AI文件搜索系统
World File Search SystemKMEANS
一种基于模糊的推理方法，用于评估接收末端电源系统中协调的生成网格储存控制能力
摘要。随着灵活的负载和能源存储的快速发展，它具有巨大的科学和工程价值，可以通过协调的生成网格加载存储控制使用HVDC Feed-Infi-Infer Power提高接收端电源系统的安全性和经济性。在本文中，提出了一种基于模糊的推理方法，以评估具有HVDC馈电功率的接收端功率系统的生成网格加载存储控制能力的协调控制能力。首先，通过考虑发电，电网，电力负载和能源存储的协调和相互作用来构建评估索引。主观重量和客观重量都被认为可以计算每个评估指数的全面权重。此外，在每个评估指数中提出了基于Kmeans聚类的方法。最后，通过提出的方法评估了不同状态下修改的IEEE 57-BUS系统的协调控制能力。
使用深度学习来识别分子连接特征
图5。1 -like（浅蓝色）或2个（洋红色）痕迹的1D直方图由混合溶液测量的不同模型排序。基于使用0.4 nm片段作为输入的分类结果显示为实线。作为参考，使用剪切迹线作为输入的分类结果在此重现为阴影区域。（a）应用于0.4 nm片段的CNN模型会产生3066 1类和5216 2类样痕迹（与3406 1类似于3406 1 -like和4876 2-在使用完整迹线时喜欢痕迹）。（b）应用于0.4 nm片段的PC 1 /1DH模型产生6053 1类和2229 2类样痕迹（与4397 1-类似于4397 1 -like和3901 2 -like tlace时，使用完整的痕迹时）。（c）应用于0.4 nm片段的KMeans/2DH模型产生392 1-类似于7890 2-像痕迹（与5260 1 -like和3022 2 -2 -like Traces相比，当使用完整的迹线时）。（d）应用于0.4 nm片段的逻辑回归模型产生的4730 1类和3553 2类样痕迹（与4569 1-类似于4569 1的痕迹和3713 2 -2 -like tlace tlace时使用完整痕迹时）。
使用分层 K 函数进行激光雷达数据分类 ...
使用分层 K 均值聚类的激光雷达数据分类 Nesrine Chehata a,b , Nicolas David b , Frédéric Bretar b a Institut EGID - Université Bordeaux 3 - Equipe GHYMAC Allée Daguin 33607 Pessac- Nesrine.Chehata@egid.u-bordeaux3.fr乙国家地理研究所 - MATIS Av. 实验室Pasteur 94165 St. Mandé cedex, France- nicolas.david@ign.fr, frederic.bretar@ign.fr Commission III, WG III/3 关键词：遥感、LIDAR、层次分类、DTM、多分辨率 摘要：本文涉及使用激光雷达点云过滤和分类来建模地形，更一般地用于场景分割。在本研究中，我们建议使用众所周知的 K 均值聚类算法来过滤和分割（点云）数据。K 均值聚类非常适合激光雷达数据处理，因为可以根据所需的类别使用不同的特征属性。当仅处理 3D 点云时，属性可能是几何或纹理的，但当联合使用光学图像和激光雷达数据时，属性也可能是光谱的。该算法基于固定的邻域大小，可以处理植被茂密的陡峭地貌、山区区域和呈现微地形的地形。我们的算法的新颖之处在于提供分层分割聚类来提取地面点。聚类分割的数量用于自动限定分类可靠性。这一点在以前的工作中很少被处理。此外景观< /div>