详情介绍：https://blog.csdn.net/s1t16/article/details/128898122 为对股票价格的涨跌幅度进行预测，本文使用了基于长短期记忆网络(LSTM)的方法。根据股票涨跌幅问题， 通过对股票信息作多值量化分类，将股票预测转化成一个多维函数拟合问题。将股票的历史基本交易信息作为特征输入，利用神经网络对其训练，最后对股票的涨跌幅度做分类预测。

Python基于LSTM模型实现预测股市源代码+模型+数据集

粒子群算法PSO优化LSSVM最小二乘支持向量机惩罚参数c和核函数参数g，用于回归预测，有例子，易上手，简单粗暴，直接替换数据即可。 仅适应于windows系统。 质量保证，完美运行。 本人在读博士研究生，已发表多篇sci，非网络上的学习代码，不存在可比性。

内容概要：引入气象因子用于光伏出力预测，增加预测精度。 仿真平台：Matlab

粒子群算法(PSO)优化双向长短期记忆神经网络的数据回归预测，PSO-BiLSTM回归预测，多输入单输出模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

假设观察到的3-中微子混合模式与（轻子）风味对称性的存在有关，对应于非阿贝尔离散对称群Gf，并且Gf分解为带电轻子的特定残余对称性Ge和Gν 和中微子质量项，我们得出中微子混合矩阵U的狄拉克相δ余弦的和规则。 考虑的剩余对称性为：i）Ge = Z2和Gν= Zn，n> 2或Zn×Zm，n，m≥2； ii）Ge ＝ Zn，n＞ 2或Zn×Zm，n，m≥2且Gν＝ Z2； iii）Ge ＝ Z2且Gν＝ Z2； iv）Ge完全断裂，且Gν= Zn，n> 2或Zn×Zm，n，m≥2； v）Ge = Zn，n> 2或Zn×Zm，n，m≥2，Gν完全断裂。 对于给定的Ge和Gν，这样得出的coscoδ的求和规则在所采用的方法内是精确的，并且特别适用于任何包含Ge和Gν作为子组的Gf。 我们确定了在没有对无约束参数进行额外假设的情况下无法确定或无法唯一确定cos⁡δ值的情况。 在大多数情况下，一旦风味对称性Gf固定，就可以明确预测cosδδ的值。 在风味对称组Gf = S4，A4，T'和A5的这些情况下，我们提出cosδδ的预测，要求3-中微子混合参数sin2⁡θ12，sin2⁡θ13和s

鉴于传统单一预测对非平稳信号处理不佳且滤波不足、预测精度不够等缺点,提出基于SVM-Wavelet组合算法对通风机进行故障预测,运用小波进行信号滤波和特征提取,结合SVM训练样本建立模型,最终在与Matlab无缝连接的Lab VIEW上位机软件中实现模型预测。

测风塔10m风速(m/s)、测风塔30m风速(m/s)、测风塔50m风速(m/s)、测风塔70m风速(m/s)、轮毂高度风速(m/s)、测风塔10m风向(°)、测风塔30m风向(°)、测风塔50m风向(°)、测风塔70m风向(°)、轮毂高度风向(°)、温度(°)、气压(hPa)、湿度(%)、实际发电功率（mw）

Al-Si合金凝固组织的三维模拟及预测，张华，倪红卫，用有限元商业软件PROCAST中的CA-FÉ（Cellular Automaton-Finite Element）模型，对不同工艺条件下Al-Si合金A104的凝固组织进行了三维模拟及预�

提出一种基于线性预测残差倒谱的基音周期检测算法．该算法对语音信号的线性预测残差信号做倒谱变 换，将其作为基音检测特征．并综合残差倒谱峰、短时能量和短时过零率三种特征，构造一个清浊音判决函数，简化 清浊音判决过程，提高判决精度．在基音周期检测过程中，根据基音连续原则，提出峰值重定位方法，有效降低基音 倍频和半频的错误率．对比实验表明，本文算法的性能不仅较之传统的倒谱方法有明显改善，同时也优于目前效果 较好的YIN算法和多尺度小波算法．