跟踪负荷度

基于场景划分，对风光出力数据分析不同场景下的耦合特性，研究其减小波动性、提高跟踪负荷度及预测精度等特性，提出耦合度和跟踪负荷度计算方法。

提出一种基于相似度辅助决策的带宽自适应跟踪算法。 提高跟踪算法的空间定位准确性，并自适应更新带宽准则。 提高算法对目标尺度变化的自适应性，提高空间和尺度定位准确性。

2018-高负荷-kv 项目 “高负荷系统” 课程。步骤1：HTTP + 存储（截止日期2018-10）克隆并添加上游： $ git clone git@github.com:/2018-highload-kv.git Cloning into '2018-highload-kv'... $ git remote add upstream git@github.com:polis-mail-ru/2018-highload-kv.git

作为练习使用，这里提供了三个小文件，用于Matlab的图像目标跟踪实验。这些文件帮助用户熟悉目标跟踪技术的基本概念和应用方法。

使用Matlab实现meanshift算法进行目标跟踪。

这款应用程序利用消费者负载模型生成办公楼的综合电力负荷配置文件。用户可以根据需要调整模型参数，并在不同的时间分辨率和周期下生成数据。

线性回归的热负荷计算，用 MATLAB 写起来其实蛮，适合做工程的朋友。用fitlm直接建模，数据扔进去就能跑出结果，斜率、截距都自动搞定。如果你遇到数据不是完全线性的，还能用poly2搞多项式回归，灵活得。整个流程清晰、代码也不复杂，适合上手或者做个小项目试水。

全年 365 条用电负荷曲线的 K-means 聚类，k_means111.m 这份代码写得还挺清爽的，尤其适合用来做电力数据类的聚类探索。你直接扔一堆负荷曲线进去，它就能帮你分成几个典型日——比如工作日、周末、节假日那种，挺实用的。 代码逻辑比较直白，基本上是先归一化，再跑一遍 K-means 算法。用的是 Matlab 的内置函数，像 kmeans() 这些都直接调，参数也写得比较清楚，新手看起来不会太吃力。 如果你之前没接触过类似的，可以先看看这篇基于 K-means 算法的负荷数据曲线聚类，讲得还蛮接地气。要是你偏好 Python，那推荐你翻下Python 实现 K-Means 聚类算

优化cameanshift的跟踪程序，操作简便，注释清晰明了。

Matlab 的图像功能真不是盖的，做目标跟踪这种活儿还挺顺手。利用它视频帧、提取目标特征、跟踪移动轨迹，整个流程跑起来还挺流畅，适合用来做个 demo 或小项目练练手。哦对了，像那种交通监控、行人识别场景也完全能用上。 图像那块，matlab 自带的工具箱挺齐全，啥vision.ForegroundDetector、blobAnalysis都有，结合 UI 做点交互也不是难事。比如你想让用户点一下选目标，用个imshow加ginput就行，响应也快，代码也简单。 我还挖了几个不错的参考，像Matlab 图像目标跟踪这篇就挺直白，基本能跑通。还有个交通视频目标跟踪系统，场景接地气，推荐你看看。