是我在贵州大学读本科的时候做的一个GPA计算器

文档包含：包括每年的原始数据、计算过程、结果汇总 部分数据如下： 31省

针对在线序贯极限学习机(OS-ELM)对增量数据学习效率低、准确性差的问题, 提出一种基于增量加权平均的在线序贯极限学习机(WOS-ELM)算法.将算法的原始数据训练模型残差与增量数据训练模型残差进行加权作为代价函数,推导出用于均衡原始数据与增量数据的训练模型,利用原始数据来弱化增量数据的波动,使在线极限学习机具有较好的稳定性,从而提高算法的学习效率和准确性. 仿真实验结果表明, 所提出的WOS-ELM算法对增量数据具有较好的预测精度和泛化能力.

基于pyqt5建立系统，然后调用ssdeep工具，实现图像之间的模糊哈希数值计算，并实现相似度的计算。具体过程见： https://blog.csdn.net/m0_68894275/article/details/124317203

【区间复合平均价法（次低价平均）：M：为进入详评的投标人数量 a．如果M<10，不去掉任何一个报价 b．如果10<=M<20，去掉一个最高评标价和一个最低评标价，如果如在同一包内出现并列最高或最低评标价的情况，在计算基准价时只去掉其中一个最高或最低评标价，以下类推 c．如果20<=M<30，则去掉两个最高评标价和一个最低评标价 d．如果30<=M，则去掉三个最高评标价和两个最低评标价； 然后计算剩余投标人（N个）评标价的算术平均值A1； 再剔除（剔除只为计算平均值使用，并不是废标）评标价与算术平均值A1 偏差超过[-20%，10%]区间的投标人报价，计算剔除后投标人（P个）评标价的算术平均值A2； 最后计算A2和P个投标人中最低评标价的算术平均值A3，以A3为基准价； 若N个评标价均在算术平均值A1 [-20%，10%]区间以外，则所有进入详评的投标人（M个）评标价的算术平均值A4作为基准价。 价格部分得分=100-100×n×m×|投标人的评标总价-基准价|/基准价； 当投标人的评标总价>=基准价，m=1； 当投标人的评标总价<基准价，m=[0.3，0.8]； 当计算出的价格部分得分<0，按0分计。】

2018全国区县天气，包含一级地域、二级地域、气象站所在地、每月的平均高温平均低温和空气质量指数等

2021全国区县天气，包含一级地域、二级地域、气象站所在地、每月的平均高温平均低温和空气质量指数等

2018全国区县天气，包含一级地域、二级地域、气象站所在地、每月的平均高温平均低温和空气质量指数等

2019全国区县天气，包含一级地域、二级地域、气象站所在地、每月的平均高温平均低温和空气质量指数等

带有遗忘因子的基于偏差补偿的递归最小二乘估计，用于输出误差移动平均系统