kmeans标签_AtomGit开源社区

kmeans

Python 电商订单数据分析实战：基于 LRFM+KMeans 用户分群全流程（附完整代码 + 可视化）

在电商行业精细化运营时代，依靠传统经验划分用户已经无法满足精准营销、客户留存、流失预警等业务需求。本次项目基于真实电商订单数据，使用 Python 完成数据清洗、探索性数据分析、多维度可视化、LRFM 指标构建、KMeans 聚类用户分群全流程实战，结合渠道收益、月度营收、小时客流、月度退款等业务指标综合分析，最终完成用户分层并输出可落地的运营建议，适合数据分析初学者、Python 学习者、电商运

 lzzywcx
2026-06-13 17:35:19

 213

 8

#python #数据分析 #kmeans
电商用户分群实战：LRFM+K-Means 聚类挖掘高价值用户（完整代码 + 分析）

技术层面：完整实现了数据清洗→可视化分析→特征工程→标准化→K-Means 聚类全链路数据分析流程，掌握 LRFM 模型与无监督聚类在业务中的落地用法；业务层面：通过数据量化用户价值，实现精细化用户分层，告别粗放式营销，为电商精准运营提供数据支撑；拓展方向：可增加用户地域、商品品类特征做多维度聚类，也可结合分类算法构建用户流失预测模型。

hzl6030604
2026-06-13 17:35:37

 238

 6

#kmeans #聚类 #算法
Python 电商订单全流程数据分析：营收洞察 + 退款分析 + RFM+K-Means 用户分群实战

本项目完整实现电商订单数据分析闭环数据层：完成 10 万 + 级订单数据清洗，处理空值、异常值，保证数据质量；运营层：从渠道、月份、时段、退款四大维度拆解营收与售后问题，输出可落地的运营建议；用户层：结合 LRFM 模型与 K-Means 机器学习算法完成用户分层，实现从 “整体营收” 到 “单个用户” 的精细化分析。整套代码适配 Jupyter Notebook，交互式图表（pyecharts）

321480
2026-06-13 17:35:20

 202

 5

#python #数据分析 #kmeans
Python 电商订单全流程分析：数据清洗 + 多维度可视化 + LRFM+K-Means 用户分群（附完整可运行代码）

数据层：完成 10 万 + 订单数据清洗，解决缺失值、负数异常值，保障数据质量；可视化层：从渠道、月份、小时、退款 4 个维度完成营收分析，定位核心渠道、消费高峰、售后风险月份；特征层：基于业务构建 LRFM 四维用户特征，量化用户消费行为；模型层：使用手肘法确定最优聚类数，通过 K-Means 实现用户自动分群；运营落地：结合统计表、饼图、雷达图完成用户画像，可针对不同群体制定差异化营销方案（高

 lzzydxcxx
2026-06-13 17:29:32

 197

 4

#python #kmeans #开发语言
计算机毕业设计之基于K-Means聚类的移动游戏数据分析系统

本文介绍了一个基于K-Means聚类的移动游戏数据分析系统，该系统通过Selenium爬取STEAM平台游戏数据（包括游戏内容、评论、玩家性别和时长等信息），利用Hadoop存储数据，Django提供后端服务，Vue构建前端界面。系统实现了游戏数据可视化展示（通过ECharts呈现玩家年龄、教育程度和游戏时长等统计信息）和个性化推荐功能（基于K-Means算法训练模型）。该系统整合了Python、

2401_85546142
2026-06-10 14:40:25

 195

 4

#kmeans #聚类 #汽车 +3
K-Means 聚类详解：算法原理 + 迭代过程图解 + C++ 实现 + 如何选 K（肘部法则）

本文全面介绍了K-Means聚类算法的原理与实现。该无监督学习算法通过交替进行「分配」和「更新」两步迭代（将点归到最近中心，再将中心移至簇质心），直至收敛。文章包含算法图解、时间复杂度分析（O(n·k·t)）、完整C++代码实现，并重点讨论了关键问题：如何选择K值（肘部法则）、初始值敏感性、球形假设局限性和数据归一化需求。K-Means以其简单高效著称，适用于球形分布且规模相近的簇，但需注意预处理

 lmkjnbhffs
2026-06-10 11:29:50

 918

 25

#算法 #kmeans #聚类
书匠策AI：论文圈偷偷在用的“文字化妆师“，降重降AIGC到底有多能打？

工具是工具，书匠策AI不是替你写论文，而是帮你把"能用"的论文变成"好用"的论文。降重降AIGC只是最后一道关卡，前面的选题、框架、论证还得你自己来。但至少在最后这一步，别再用笨办法一个字一个字改了。微信搜一搜"书匠策AI"，官网*，该省的时间省下来，多睡一觉不香吗？我是你们的论文搭子，咱们下期见！✌️。

书匠策AI学术
2026-06-06 10:31:29

 207

 7

#人工智能 #AIGC #链表 +4
科普：论文查重为什么总要花钱？这个免费工具或许能改变你的认知

工具是为人服务的，不是来收割人的。书匠策AI的免费查重功能，我自己实测过，流程顺畅、结果可用、没有套路。配合它的AI降重和格式工具，确实能帮你在论文这条路上少走不少弯路。记住两个入口：书匠策AI毕业季加油，祝大家查重一把过，顺利上岸！🎓。

书匠策AI学术
2026-06-05 10:54:18

 22

#oracle #数据库 #链表 +4
论文查重免费？书匠策AI这个隐藏功能，可能帮你省下一顿火锅钱

我做论文科普这么久，最烦的就是那种打着"免费"旗号实际上全是坑的工具。书匠策AI这个免费查重，我自己用过，流程顺畅、结果清晰、没有隐藏收费，配合它的AI降重功能，确实能帮毕业党省下不少钱和时间。记住两个入口：💬 公众号：微信搜一搜"书匠策AI毕业季加油，祝你们查重一次过，顺利拿证！🎓。

书匠策AI学术
2026-06-05 10:52:56

 23

#人工智能 #模拟退火算法 #symfony +4
书匠策AI官网www.shujiangce.com实测：期刊论文写作居然能像“点外卖“一样丝滑？

AI不是来替你写论文的，是来帮你跳过"从0到1"那段最折磨人的路的。书匠策AI把期刊论文写作拆成了"选题→开题→大纲→图表→成稿→格式"六个清晰的模块，每个模块都有AI帮你托底。你要做的，就是在每个节点注入自己的判断和思考。书匠策AI论文这条路，别死扛。工具选对了，你会发现——原来期刊论文，真的可以不那么"秃头"。

书匠策AI学术
2026-06-05 10:51:04

 24

#人工智能 #深度学习 #python +4
论文查重还在花钱？这个AI免费查重工具，90%的同学还不知道！

说真的，写论文这件事，工具选对了，效率能翻倍。与其花大价钱去买那些不靠谱的查重服务，不如先试试书匠策AI这个免费的选项。📱 公众号：微信搜书匠策AI好了，今天的科普就到这里。👋。

书匠策AI学术
2026-06-05 10:47:50

 36

#人工智能 #深度学习 #python +4
实验3考勤

选择后会自动加载表信息，我们主要是分析各类异常考勤占比的特征，所以只需保留 student_id 、class_id、late_count、early_leave_count、leave_count、uniform_violate_count，其他字段跳过（skip）；基于考勤业务理解，将变量聚焦在迟到次数、早退次数、请假次数、校服违规次数四类行为维度，每个维度直接反映一类考勤特征，变量间业务含义

 Akker_sleep
2026-05-25 20:32:30

 345

 11

#算法 #kmeans
保姆级零代码K-Means实操！从聚类建模到可视化画像，全流程手把手教程

本实验基于学生考勤数据，使用K-Means聚类算法实现自动分群。通过AIStudio平台零代码完成数据加载、聚类建模和结果入库，将学生划分为三类群体：自律模范型（C1）、轻微波动型（C2）和纪律高危型（C3）。借助助睿BI平台进行可视化分析，制作6组散点图展示考勤指标关系，并通过仪表盘集中呈现。最后将聚类结果回写到考勤表，新增cluster和attendance_group字段，形成完整的数据闭环

 喝酸奶舔盖963
2026-05-25 12:10:18

 388

 8

#kmeans #聚类 #算法
零代码搞定学生考勤画像！K-Means 聚类实战：让 AI 自动识别「乖宝宝」和「刺头」

通过本次实验，我们完整走通了「数据加载 → 特征选择 → K-Means 聚类 → 结果入库 → BI 可视化解读」的全链路：✅ 在 AI Studio 中零代码搭建工作流，完成学生考勤行为的 K-Means 聚类建模；✅ 将聚类结果保存至表，实现数据资产的沉淀；✅ 在助睿 BI 平台连接数据源、构建数据集，为后续的可视化分析和业务画像命名打下基础。整个过程无需编写 Python/SQL 代码，通

 2301_81464909
2026-05-24 16:27:29

 577

 14

#人工智能 #kmeans #算法 +2
基于K-Means聚类的学生考勤行为智能分群分析

标签扩展增强了数据资产价值：将分析得到的“考勤群体标签”回写到原始数据表，极大地丰富了学生主题表的信息维度。业务理解是模型价值的起点：K-Means聚类输出的数字本身没有意义，通过助睿BI进行可视化探索，将业务经验与数据分布相结合，才能让模型结果产生管理价值，定义出“模范型”、“高危型”等有行动指导意义的标签。最后，使用“更新”组件，配置更新条件为两张表的student_id匹配，将转换后的gro

disen702
2026-05-24 14:44:15

 371

 7

#kmeans #聚类 #算法
零代码大数据实战！K-Means聚类拆解学生考勤画像，校园精细化管理解锁新玩法✨

本次实验依托Uniplore助睿零代码大数据平台，完整复刻了数据预处理—AI聚类建模—可视化分析—业务画像解读—标签迭代更新的工业级数据挖掘全流程。区别于传统人工统计的主观化、低效化弊端，借助K-Means聚类算法实现了学生考勤行为的客观、智能分群，依托标准化的考勤特征数据，保障了聚类结果的稳定性、准确性和可解释性。通过BI可视化拆解，成功将抽象的算法聚类结果转化为贴合校园管理场景的三类学生画像，

AM越.
2026-05-24 13:14:15

 417

 5

#大数据 #kmeans #聚类
助睿实验作业2-学生考勤行为K-Means聚类分群与画像分析

通过本次实验，我完整掌握了以下技能：在助睿AI Studio中零代码完成K-Means聚类建模，包括数据加载、参数配置、结果保存。使用助睿BI进行多维度散点图分析，通过颜色映射和交互探索，为聚类结果赋予实际业务含义。利用数据集成平台（ETL）的字段选择、值映射、更新等组件，将机器学习结果回写至原始业务表，形成闭环的数据加工流程。

TchaoSheaYu
2026-05-24 11:44:03

 619

 18

#kmeans #聚类 #算法
学生用户画像——考勤主题扩展标签构建

本实验依托已有的学生考勤主题标签数据表，运用 K-Means 聚类算法，选取迟到、早退、请假、校服违规等考勤相关指标开展学生考勤行为分群研究。实验借助 AI Studio 平台以零代码拖拽方式完成数据导入、K-Means 模型训练、聚类结果入库等建模流程，将学生划分为三类聚类群体；再通过助睿 BI 平台搭建多维度可视化分析图表与综合仪表盘，解读各类聚类簇的行为特征，明确区分出自律模范型、轻微波动型

 2301_79954091
2026-05-21 17:02:51

 382

 9

#kmeans #聚类
保姆级教程！别再用Excel盯考勤了，零代码+K-Means带你秒建学生考勤画像（附防坑指南）

本文完整复盘了基于助睿数智（Uniplore）零代码平台，利用 K-Means 聚类算法构建“学生考勤群体画像”的全链路实战。教程从底层考勤数据的 ETL 处理、AI Studio 拖拽式聚类建模，到助睿 BI 的多维散点图可视化洞察，最终将“自律模范”、“纪律高危”等画像标签完美回写至业务数据库，实现了从“离线分析”到“业务赋能”的闭环。全文不仅手把手拆解操作细节，更融入了“距离计算陷阱”、“最

 草木本心987
2026-05-19 20:40:13

 781

 26

#kmeans #算法 #机器学习 +1
机器学习-第七章朴素贝叶斯+kmeans聚类

朴素贝叶斯是一种分类算法，其核心思想是基于概率进行分类。特征之间相互独立。1.1 什么是朴素贝叶斯贝叶斯：指基于贝叶斯定理，利用概率统计进行分类的方法。它是机器学习中唯一纯粹依赖概率值进行分类的算法。朴素：指“特征条件独立假设”，即假设数据集中每个特征（列）之间是没有关联的，相互独立的。朴素的作用：在这个假设下，计算联合概率或条件概率时，复杂的计算过程可以简化为直接进行概率相乘，从而大大简化了模型

 weixin_54623031
2026-05-10 17:48:14

 397

 10

#机器学习 #kmeans #聚类
K-means 聚类算法

K-means 是我们最常用的基于欧式距离的聚类算法，其认为两个目标的距离越近，相似度越大。本文大致思路为：先介绍经典的牧师-村名模型来引入 K-means 算法，然后介绍算法步骤和时间复杂度，通过介绍其优缺点来引入算法的调优与改进，最后我们利用之前学的 EM 算法，对其进行收敛证明。

瞻邈
2023-04-02 15:49:32

 907

#算法 #聚类 #kmeans
项目介绍 MATLAB实现基于PSO- Kmeans粒子群优化算法（PSO）结合K均值聚类（Kmeans）进行用户用电行为分析（含模型描述及部分示例代码）专栏近期有大量优惠还请多多点一下关注加油

摘要：本项目采用PSO-Kmeans混合算法对用户用电行为进行分析，通过粒子群优化算法优化Kmeans初始聚类中心，提升负荷曲线聚类的准确性和稳定性。项目包含数据预处理、PSO优化、Kmeans聚类、评估可视化等模块，实现典型用电模式识别和用户分群。MATLAB代码示例展示了数据清洗、PSO适应度函数构造、主迭代过程和聚类结果可视化等关键环节。该算法可识别"早高峰""

xiaoxingkongyuxi
2026-04-30 08:00:00

 391

 7

#算法 #matlab #kmeans +4
项目介绍 MATLAB实现基于WOA-Kmeans鲸鱼优化算法（WOA）结合K均值聚类（Kmeans）进行多特征分类预测（含模型描述及部分示例代码）专栏近期有大量优惠还请多多点一下关注加油谢谢

摘要：本项目基于MATLAB R2025b实现了鲸鱼优化算法(WOA)与K均值聚类(Kmeans)相结合的多特征分类预测模型。针对传统K均值算法在高维数据中易陷入局部最优的问题，通过WOA的全局搜索能力优化初始聚类中心，提升聚类精度和鲁棒性。项目包含数据预处理、WOA优化、Kmeans聚类、分类预测和可视化评估五大模块，采用向量化编程提高计算效率，并通过主成分分析降维展示聚类结果。实验表明，该混合

 xiaoxingkongyuxi
2026-04-29 12:30:00

 151

 2

#算法 #matlab #kmeans +4
Day 15 编程实战：KMeans聚类与股票风格分类

本文介绍了使用KMeans聚类算法对股票进行风格分类的实战案例。首先通过生成模拟数据创建了300只股票样本，包含市盈率、市净率、ROE等5个关键特征。然后演示了如何使用肘部法则和轮廓系数确定最佳聚类数量，并比较了KMeans++与传统随机初始化的效果差异。最后对A股股票进行聚类分析，将股票划分为价值股、成长股、盈利股和热门股等风格类别，通过PCA降维可视化展示聚类结果。整个案例涵盖了数据预处理、模

 wayz11
2026-04-27 10:43:15

 919

 22

#kmeans #聚类 #分类 +2
项目介绍 MATLAB实现基于WOA-Kmeans-Transformer-LSTM鲸鱼优化算法（WOA）结合K均值聚类（Kmeans）和Transformer-LSTM组合模型进行多特征分类预测（含

摘要：本项目提出一种基于WOA-Kmeans-Transformer-LSTM的多特征分类预测模型，通过鲸鱼优化算法(WOA)结合K均值聚类和Transformer-LSTM深度学习模型，提升复杂时序数据的分类精度。模型采用分层架构：K均值聚类进行特征空间分层，Transformer模块处理特征交互，LSTM模块建模时序依赖，WOA算法优化超参数组合。在MATLAB环境下实现了从数据预处理、模型构

 xiaoxingkongyuxi
2026-04-27 08:15:00

 404

 11

#算法 #matlab #kmeans +4
【Python数据挖掘35讲】第31章基于RFM信用评分与K-Means聚类的企业客户细分方法研究：面向精准营销的双层递阶框架

客户细分是客户关系管理与精准营销的核心技术环节，其本质是从异构的客户行为数据中识别出具有内在同质性的群体，以实现差异化资源配置与策略定制。本文以国家基础学科公共科学数据中心企业信用样本数据为实证载体（2，500家企业，涵盖制造业、服务业、信息技术等五大行业，构建了包含信用评分、负债率、利润率、资产周转率等11维特征的企业客户评价指标体系），提出并验证了一个融合RFM信用评分（企业级变体）与K-Me

小清河505
2026-04-25 22:30:48

 521

 8

#数据挖掘 #python #kmeans
Spark实现K-means客户分群实战练习

本文介绍了使用K-means聚类算法对客户消费数据进行分群分析的完整流程。首先通过Python脚本将Excel数据转换为CSV格式并上传至HDFS，随后使用Scala编写Spark应用程序，调用MLlib中的K-means算法实现聚类分析。项目采用3个聚类中心，通过标准化处理后计算轮廓系数和WSSSE评估模型效果，最终输出包含客户ID、RFM特征值和所属群组的CSV结果。系统还提供了可视化分析模块

 GinManV
2026-04-24 13:23:07

 974

 29

#spark #kmeans #大数据 +3
Agent调用工具失败？5个常见Tool Registration错误及修复方案（2026 全新深度排查指南全程避坑，亲测有效）

在构建 LangChain Agent 应用时，"Tool registration failed" 或 "Tool not found" 是开发者最常遇到的拦路虎。本文基于 LangChain 0.2+ 最新架构，结合数百个真实项目案例，系统梳理 5 大类 Tool 注册错误，提供可立即落地的修复方案。全文超 12,000 字，涵盖原理剖析、代码示例、调试技巧、最佳实践，助你彻底攻克 Agent

yangzhihua
2026-04-22 21:56:06

 1425

 9

#java #leetcode #kmeans
项目介绍 MATLAB实现基于WOA-Kmeans-Transformer-BiLSTM鲸鱼优化算法（WOA）结合K均值聚类（Kmeans）和Transformer-BiLSTM组合模型进行多特征分类

摘要：本文提出了一种基于WOA-Kmeans-Transformer-BiLSTM的混合模型，用于解决多特征分类预测问题。该模型结合了鲸鱼优化算法（WOA）的全局搜索能力、K均值聚类的特征优化能力，以及Transformer-BiLSTM的深度序列建模优势。通过WOA自动优化关键超参数，K均值聚类重构特征空间，Transformer捕获全局依赖，BiLSTM建模局部时序模式，实现了对复杂多源数据的

 xiaoxingkongyuxi
2026-04-18 08:15:00

 717

 13

#算法 #matlab #kmeans +4
时间序列分类-K-Means聚类

fit=auto.arima(as.numeric(datanew[,j]),# 第j列数据转数值。coef=matrix(0,16,12)# 新建16行12列的0矩阵，存12个序列的AR系数。max.q=0,d=1,# 强制q=0，不做MA。xlab='',ylab='',zlab='')# 不显示轴标签。# 核心：拟合 ARIMA(p,1,0) 模型 = 一阶差分后的 AR(p)coef=co

云水雅韵
2026-04-16 11:29:57

 459

 10

#分类 #kmeans #聚类
书匠策AI：课程论文的“智慧工匠”，让学术创作如行云流水！

只需输入你的专业方向（如“生物学”“经济学”）或感兴趣的话题（如“气候变化”“社交媒体”），AI会像“学术侦探”一样，分析海量文献和最新研究趋势，为你推荐多个细分领域的选题。AI生成的大纲包括“研究背景”“文献综述”“研究方法”“实证分析”“结论与建议”等部分，他在此基础上增加了“国内外对比”章节，使论文更具深度。例如，你写“短视频营销的优势”，AI会提供“传播速度快”“互动性强”“成本低”等角度

 书匠策AI学术
2026-04-14 10:55:37

 51

#人工智能 #科技 #大数据 +4
AI 入门 30 天挑战 - Day 5 费曼学习法版 K-means 聚类

想象你在整理书架上的书情况 1：监督学习（有人告诉你怎么分）妈妈告诉你：- 这些是小说，放一层- 这些是科普，放一层- 这些是历史，放一层你照做就好了 → 监督学习 ✅情况 2：无监督学习（没人告诉你，自己发现规律）给你一堆书，什么都不说：你自己观察：- 咦？这些书都有故事情节 → 可能是小说- 那些书都是讲科学的 → 可能是科普- 还有一些讲古代的事 → 可能是历史你自己发现了分类规律 → 无监

 m0_67081842
2026-04-10 09:08:10

 687

 11

#人工智能 #学习 #kmeans
django基于k-means算法的校园美食推荐系统_j4eg7g7z

摘要：本文介绍了一个基于K-means算法的校园美食推荐系统，采用Python+Django框架开发。系统通过收集用户消费数据和菜品特征，利用K-means聚类分析用户偏好和菜品相似性，实现个性化推荐。核心功能包括用户管理、菜品数据管理、聚类分析和推荐引擎等模块。系统架构分为数据采集、预处理、算法模型和用户交互四层，采用MySQL数据库存储数据，使用Scikit-learn实现机器学习算法。该系统

 QQ346127357
2026-04-09 12:19:29

 144

 4

#算法 #django #kmeans
使用 k-Means 算法进行遥感影像的语义分割

如我之前提到的，k在 k-均值中是你最终希望得到的簇的数量，你应该在训练模型之前设置这个值。

布客飞龙
2026-04-08 00:19:42

 182

 3

#算法 #kmeans #机器学习
风储调频在Matlab/Simulink中的探索：基于四机两区系统的实践

这次基于Matlab/Simulink，采用频域模型法，围绕IEEE经典四机两区系统进行的风储调频研究，通过附加虚拟惯性控制和储能附加下垂控制，有效提升了系统频率特性。快速的仿真速度也为进一步优化和扩展研究提供了便利。希望这篇分享能给同样在研究相关领域的朋友一些启发，一起探讨更多有趣的想法。

QQ:487739278
2026-04-06 17:45:00

 128

 1

#kmeans
文本分类十年演进

2015-2025年，是自然语言处理（NLP）从传统统计机器学习迈向大模型、具身智能的黄金十年，也是完成完整生命周期演进的十年。文本分类是NLP最基础、最核心的底层任务，核心本质是将非结构化文本自动划分到预定义类别中，是信息检索、舆情分析、内容安全审核、金融风控、智能人机交互的核心技术底座。这十年，文本分类完成了三次范式跃迁，分类准确率从2015年的85%-90%提升至2025年的99%以上，从依

 jzwspace
2026-03-31 17:19:40

 499

 3

#分类 #数据挖掘 #人工智能 +4
K-means十年演进

摘要 2015-2025年，K-means算法经历了从经典聚类工具到大模型时代语义理解核心组件的演进。最初作为结构化数据的静态分簇方法，K-means通过分布式优化、深度嵌入聚类和联邦学习等创新，逐步适应大数据、隐私计算及非结构化数据场景。核心突破包括：工程化成熟（2015-2017）：K-means++、Mini-Batch优化提升效率，Spark MLlib实现分布式扩展。高维与隐私突破

 jzwspace
2026-03-30 08:47:11

 148

#kmeans #算法 #机器学习 +3
基于扩张状态观测器的PMSM自抗扰控制ADRC仿真模型研究：探索TD、NLSEF与ESO的协同...

下次遇到难缠的控制对象时，不妨试试这个自带抗扰Buff的方案——当然，准备好咖啡，调参夜战是免不了的。更妙的是，ESO输出的扰动估计曲线几乎和真实扰动重合，这验证了扩张状态观测的威力。②非线性状态误差反馈律NLSEF:把跟踪微分器产生的跟踪信号和微分信号与扩张状态观测器得到的系统的状态估计通过非线性函数进行适当组合，作为被控对象的控制量。②非线性状态误差反馈律NLSEF:把跟踪微分器产生的跟踪信号

 MhNHJesogA
2026-03-25 19:15:00

 136

#kmeans
电信运营商用户分群与精准运营（K-Means聚类）

算法团队：数据清洗、特征工程（衍生/标准化）、K-Means模型训练（K-Means++）、特征存储（Feast）、模型注册（MLflow）；业务团队：API网关、用户分群服务（调用模型+特征服务）、运营平台集成、分群效果监控；基础设施团队：K8s集群、MinIO存储、CI/CD工具链。

A尘埃
2026-02-07 15:07:52

 885

 16

#kmeans #聚类 #算法
基于单矢量控制的永磁同步电机模型预测电流控制Simulink仿真模型探索

基于单矢量控制的永磁同步电机模型预测电流控制Simulink仿真模型对应学习资料：1.带一份与仿真对应的Word详细说明报告。2.一份与仿真对应的详细讲解PPT针对具体被控对象(PMSM)，建立定子电流预测模型，然后通过采集当前时刻的定子电流值来计算得出对应的电流环输出，以预测模型替换了PI控制器后，省去设计控制器时困难的参数选取，避免了PI控制器惯有的超调等问题，并且预测控制比传统PI控制的动态

 EQylwUYz
2026-03-22 17:00:00

 39

#kmeans
探索船舶航向控制：基于Norrbin与Nomoto模型的PID与ADRC控制之旅

Norrbin模型是一种对船舶动力学进行描述的模型。它以一种较为简洁却有效的方式，捕捉船舶在水中运动时的关键特性。例如，它会考虑到船舶受到的水动力、舵角与船舶航向变化之间的关系等，通过一系列的数学公式来建立起模型，使得我们能够在理论层面模拟船舶的运动。

QUFridIM
2026-03-20 09:00:00

 335

 8

#kmeans
探索 PFC - LLC 谐振开关电源设计方案宝藏资料

PFC-LLC谐振开关电源设计方案整套学习资料程序+仿真+硬件软件说明报告+原理图+计算书等等注：该方案性价比很高，一套资料下来可以自己做个实物验证，要想看细节可以咨询我，我给你看资料的详细展示视频01.电路原理图：使用AD绘制，附带BOM表02.基于DSP28034编写的程序：PFC和LLC闭环程序，注释非常详细03.仿真模型：从开环到闭环的仿真都有，参数都是设计出来的，仿真验证04.硬件计算书

 CYpdpjRnUE
2026-03-18 17:30:00

 171

 4

#kmeans
基于蒙特卡洛，copula函数，fuzzy-kmeans获取6个典型场景进行随机优化多类型电动汽车采用分时电价调度，考虑上级电网出力、峰谷差惩罚费用、风光调度、电动汽车负荷调度费用和网损费用

随着电动汽车渗透率快速提升，其时空分布不均的充电负荷特性对配电网安全经济运行构成挑战。本文提出基于蒙特卡洛模拟、Copula函数相关性建模与Fuzzy-Kmeans聚类的场景分析框架，生成6个典型场景并构建多目标随机优化模型。模型以"上级电网峰谷差惩罚+风光弃电损失+EV调度成本+网损费用"最小化为目标，结合分时电价策略实现多类型电动汽车（私家车、出租车、公交车）的协同调度。

荔枝科研社
2026-03-17 08:33:00

 119

 4

#kmeans #算法 #机器学习
基于Matlab/Simulink实现储能系统与钒液流电池模型搭建

基于Matlab/Simulink实现了以下功能，搭建了储能系统变换模型以及钒液流电池模型，仿真效果较好，系统充放电正常。下图为系统模型图，电池输出电压电流以及SOC波形。1.钒液流电池本体建模2.储能变换器建模3.双向DC变换4.恒定功率控制最近在研究储能系统相关的项目，使用Matlab/Simulink搭建了储能系统变换模型以及钒液流电池模型，整体仿真效果还不错，系统充放电都能正常进行，在这里

 ZAEQgyKFs
2026-03-15 10:45:00

 362

 5

#kmeans
CNN - LSTM 基于卷积神经网络 - 长短期记忆网络的数据分类预测 MATLAB 代码分享

CNN-LSTM基于卷积神经网络-长短期记忆网络的数据分类预测MATLAB代码代码注释清楚。main为运行主可以读取本地EXCEL数据。很方便，容易上手。在数据预测和分类领域，CNN（卷积神经网络）和 LSTM（长短期记忆网络）都是非常强大的工具。CNN 擅长处理空间数据中的局部特征，而 LSTM 则对时间序列数据中的长期依赖关系有着出色的捕捉能力。将两者结合，能在很多复杂的数据分类预测任务中取得

 hlABgYML
2026-03-14 09:15:00

 299

 4

#kmeans
基于蒙特卡洛，copula函数，fuzzy-kmeans获取6个典型场景进行随机优化多类型电动汽车采用分时电价调度，考虑上级电网出力、峰谷差惩罚费用、风光调度、电动汽车负荷调度费用和网损费用

随着电动汽车渗透率快速提升，其时空分布不均的充电负荷特性对配电网安全经济运行构成挑战。本文提出基于蒙特卡洛模拟、Copula函数相关性建模与Fuzzy-Kmeans聚类的场景分析框架，生成6个典型场景并构建多目标随机优化模型。模型以"上级电网峰谷差惩罚+风光弃电损失+EV调度成本+网损费用"最小化为目标，结合分时电价策略实现多类型电动汽车（私家车、出租车、公交车）的协同调度。

老杰爱编程
2026-03-14 06:42:09

 129

 3

#kmeans #算法 #机器学习 +1
基于蒙特卡洛，copula函数，fuzzy-kmeans获取6个典型场景进行随机优化多类型电动汽车采用分时电价调度，考虑上级电网出力、峰谷差惩罚费用、风光调度、电动汽车负荷调度费用和网损费用

随着电动汽车渗透率快速提升，其时空分布不均的充电负荷特性对配电网安全经济运行构成挑战。本文提出基于蒙特卡洛模拟、Copula函数相关性建模与Fuzzy-Kmeans聚类的场景分析框架，生成6个典型场景并构建多目标随机优化模型。模型以"上级电网峰谷差惩罚+风光弃电损失+EV调度成本+网损费用"最小化为目标，结合分时电价策略实现多类型电动汽车（私家车、出租车、公交车）的协同调度。

2501_93142541
2026-03-14 06:30:55

 144

 1

#kmeans #算法 #机器学习 +1
基于蒙特卡洛，copula函数，fuzzy-kmeans获取6个典型场景进行随机优化多类型电动汽车采用分时电价调度，考虑上级电网出力、峰谷差惩罚费用、风光调度、电动汽车负荷调度费用和网损费用

随着电动汽车渗透率快速提升，其时空分布不均的充电负荷特性对配电网安全经济运行构成挑战。本文提出基于蒙特卡洛模拟、Copula函数相关性建模与Fuzzy-Kmeans聚类的场景分析框架，生成6个典型场景并构建多目标随机优化模型。模型以"上级电网峰谷差惩罚+风光弃电损失+EV调度成本+网损费用"最小化为目标，结合分时电价策略实现多类型电动汽车（私家车、出租车、公交车）的协同调度。

woshilaiwade
2026-03-14 06:19:37

 153

 4

#kmeans #算法 #机器学习 +1
基于蒙特卡洛，copula函数，fuzzy-kmeans获取6个典型场景进行随机优化多类型电动汽车采用分时电价调度，考虑上级电网出力、峰谷差惩罚费用、风光调度、电动汽车负荷调度费用和网损费用

随着电动汽车渗透率快速提升，其时空分布不均的充电负荷特性对配电网安全经济运行构成挑战。本文提出基于蒙特卡洛模拟、Copula函数相关性建模与Fuzzy-Kmeans聚类的场景分析框架，生成6个典型场景并构建多目标随机优化模型。模型以"上级电网峰谷差惩罚+风光弃电损失+EV调度成本+网损费用"最小化为目标，结合分时电价策略实现多类型电动汽车（私家车、出租车、公交车）的协同调度。

老潘编程
2026-03-14 06:08:30

 120

 4

#kmeans #算法 #机器学习 +1