two-layer-model 双层违约风险预测模型 原型为： 本项目为复现此双层模型，并进行了简单的模型性能对比

Bradley-Terry模型排名脚本 一个用于计算Bradley-Terry模型的小脚本，该脚本： 从Google电子表格中下拉成对匹配数据。 使用简单的正则化方案（虚拟游戏）计算Bradley-Terry模型。 在新标签中将缩放的分数上传回相同的Google电子表格。 我很快在下午写下了这些内容，以便我们可以在办公室中对我们的相对排名进行追踪。 我把它放在一个计划工作上，并让每个人都可以在工作中访问该工作表。 笔记 您需要为gspread设置API密钥以访问您的Google工作表： ://gspread.readthedocs.io/en/latest/oauth2.html 确保您将目标Google工作表与与您的凭据（通常是随机生成的凭据）相关联的电子邮件地址共享。 “游戏数据”表应包含5列： date ， Player A ， Player B ， Wins A ，

输出一个人的侧视图（侧视图）作为输入时的坐姿。 输出可以告诉你一个人是否坐直、驼背（前倾）、斜倚（后倾）以及他是否双手合十、双腿合十（跪着）。 OpenPose检测骨骼 使用CMU感知计算实验室发明的开放式姿势模型。 这个OpenPose模型可以检测人体的关键点。这些关键点坐标可用于估计人的坐姿。 该软件可以检测多个人的关键点，但只能检测一个人的姿势。 使用了一个经过训练的keras OpenPose模型来检测关键点。 文件夹 model.py -包含模型的体系结构。 config_reader.py -包含模型预测关键点所必需的参数。 util.py——计算关键点坐标所需的一些函数。 运行 python3 posture_image.py 用于以图像作为输入测试此软件。如果你想用你自己的图像测试它，把这个图像放在sample_images文件夹中，并在第237行进行相应的更改。 Run python3 posture_realtime.py用于实时测试。需要坐在离摄像头较远的位置。 要有8GB内存

OpenFace中用到的model(4个)， 也可以在OneDrive中下载。 - cen_patches_0.25_of.dat - cen_patches_0.35_of.dat

我已经制作了一个功能齐全的用户交互式 MatLab 程序，以使用“Pade 的近似方法”获得任何“大规模模型”的所需“降阶模型”。 该程序将提供“降阶传递函数”以及“阶跃响应”，以将其与“原始大规模传递函数”进行比较。

Model 3成本拆解 UBS_Tesla_M3_Teardown_2.zip

论文SEFRON: A New Spiking Neuron Model With Time-Varying Synaptic Efficacy Function for Pattern Classification的源码。

1- 确定性方法使用 (1) 内点算法，(2) 顺序二次规划：SQP 和 (3) 基于非线性优化的求解器优化，如 Levenberg-Marquardt 算法。 2- 用户可以根据每个盆地定义初始（起点）点，在“Initial_Param.txt”文件中： 3- Bounds of parameters（GR4J模型的4个参数）可以在“Bounds_Param.txt”文件中修改 4-显示 Nash 和 RMSE 值

函数 [Material_State2,D_crco]=Fixed_Crack_Model(Material,Material_State,e) 输入： -------- 材料：包含材料属性 Material.E（弹性模量）的变量， Material.v（泊松比）、Material.f_t（抗拉强度）、Material.g_f（断裂能除以单元尺寸）和 Material.beta（剪切保持因子） Material_State：包含先前增量或迭代的材料状态变量的历史变量。 它包括 Material_State.s（应力向量）、Material_State.e（应变向量）和 Material.e_cr_l（裂纹应变向量）、Material.e_cr_n_max（最大达到正常裂纹应变）和 Material.theta（垂直于裂纹的角度） 这些历史变量的初始值应该为零，除了 theta 它是

使用 EM 算法的 Gamma 混合模型估计。 此代码使用 EM 算法估计遵循 Gamma 分布的有限混合模型的分量。 作者：贡萨洛·维加斯·桑切斯-费雷罗 - - 如何使用它 - - - 语法：[w, alpha, beta] = GMMestimator(y,nl,maxIter,tol_error,flag_pinta,w_0,alpha_0,beta_0) 输入： y - 样本向量nl - 混合成分的数量。 maxIter - 最大迭代次数tol_error - 收敛假设的容差flag_pinta - 显示拟合演变的标志w_0 = 初始权重大小 (1 x nl)。 它们的总和应为 1。（可选） alpha_0 = 每个 Gamma 分量的初始 alpha 参数（大小：1 x nl）（可选） beta_0 = 每个 Gamma 分量的初始 beta 参数（大小：1 x nl）（可