本代码使用单层感知机和多层感知机运行同样的数据回归拟合任务，并对比了两者的性能，从结果中可以看出，多层感知机的效果明显好于单层感知机。其相邻神经元节点全连接，同层的神经元节点无连接。单层感知机是二分类的线性分类模型，输入是被感知数据集的特征向量，输出时数据集的类别{+1,-1}。该函数称为单层感知机，其中w是网络的N维权重向量，b是网络的N维偏置向量, w.x是w和x的内积，w和b的N维向量取值要

可以看到，使用两个特征进行预测的准确度为85.2077，与使用所有特征进行预测的准确度相差不大，这表明随机森林特征选择方法有效的选择出了最重要的特征，实现了从大量特征到少数重要特征的特征降维筛选，极大的降低了特征的冗余性。当随机森林评价完成特征的重要性后，还需要对各个特征变量之间的相关性进行评估，以更加明显的看出何种特征最能影响预测结果，使用皮尔逊系数作为各个特征变量之间的相关性评价指标，从下图可

为提高区域电网新能源消纳率，使电力系统运行成本最小，提高电力系统供电可靠性。提出考虑特性分布的储能电站接入的电网多时间尺度“源–储–荷”协调调度策略。综合储能电站、负荷侧各类需求响应资源的多时间尺度特性制定日前调度计划，并通过日内滚动与实时修正实现对预测数据更高精度的保证。以系统运行成本、弃风惩罚成本、失负荷惩罚成本为目标函数，建立多时间尺度调度模型。最后通过 MATLAB 平台调用商用软件包 C

比如说我们要训练一个(n -> m -> k) 结构的网络，实际上我们是先训练网络(n -> m -> n)，得到(n -> m)的变换，然后再训练(m -> k -> m)网络，得到(m -> k)的变换。因此，其输入的大小将与其输出的大小相同。同样，再把一阶特征输入到刚训练好的第二层稀疏自编码器中，得到每个(h(1)(k))对应的二阶特征激活值$h(2)(k) $。接着，你需要把原始数据输入到

本文使用CNN-LSTM混合神经网络对时间序列数据进行回归预测。本模型的输入数据个数可以自行选择，可以为多输入、也可以为单输入，使用Matlab自带的数据集进行训练，可以轻松的更换数据集以实现自己的功能。首先使用CNN网络对输入数据进行深度特征提取，然后将提取到的抽象特征进行压缩，将压缩后的数据输入后续的LSTM网络进行回归预测。相比一般的单层网络结构，本文所提出的CNN-LSTM包含了三层CNN

灰狼优化算法(Grey Wolf Optimization)。GWO通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的。GWO算法具有结构简单、需要调节的参数少、容易实现等特点，其中存在能够自适应调整的收敛因子以及信息反馈机制，能够在局部寻优与全局搜索之间实现平衡，因此在对问题的求解精度和收敛速度方面都有良好的性能。本文实现了三种不同的GWO算法，并通过仿真实验验证了该智能算法在求解

BP神经网络是一种常见的多层前馈神经网络，本文通过粒子群算法(PSO)对BP神经网络的网络参数进行寻优，得到最优化的网络参数，并与未使用PSO的BP网络对同一测试样本进行预测，对比分析并突出PSO-BP的优越性。本文章代码可改性强，注释详细，替换输入与输出后即可满足不同的任务，实现自己想要的功能，适合新入门神经网络的同学学习。

使用Matlab自带的深度学习工具箱构建卷积神经网络（CNN）进行图片分类，以识别并分类手写数字为例。首先将大量的图片数据导入；然后给不同种类的图片打上对应的分类的标签，划分为训练集和测试集；构建CNN网络其中包括3层2维卷积和3个池化层，全连接层及分类层；调整好输入输出格式对CNN进行训练及测试；最后结果表明CNN可以有效的对手写数字图像进行分类。

代码构建了含光热电站、储气、储碳、碳捕集装置的综合能源系统优化调度模型，并考虑P2G装置与碳捕集装置联合运行，从而实现碳经济的最大化，与此同时，代码还包含光热电站模型，有需要学习光热电站的也可以考虑此代码，注释详细，模块清晰。首先对于系统参与的市场进行一些假设以便简，化计算。确定性碳捕集电厂调度模型是以电厂的负荷需求预测结果为基准并进行调度，但在实时市场中，因无法精准预测外界用电量波动，实际结果可

建立了冷热电气多能互补的微能源网在孤岛／并网模式下的协调调度模型，并利用供热／供冷系统的热惯性和热／冷负荷的柔性，发挥供热／供冷系统的“储能”功能，以电转气（Ｐ２Ｇ）装置实现电—气网络双向互通。本文研究微能源网在孤岛和并网２种运行模式下的日前预调度问题。但如果各类型负荷均按指定曲线调度时，则无法充分发挥不同类型负荷的特点，例如温度负荷用户对温度要求的模糊性，通常可以作为柔性负荷，供热管道由于其热惯