有效和规范的资本市场可以被视为经济体可持续金融发展的前提。 为了提高股票市场的效率并减少不确定性，决策者必须采用波动率度量。 本文的主要目的是检验各种模型的相对能力，以预测未来的波动率，并设计适当的波动率模型以捕捉达卡证券交易所（DSE）股票收益的波动性。 通过利用从2001年11月27日到2013年7月31日的每日数据，发现从波动持续性的角度来看，MA（2）-GARCH（2，1）由于样本内和样本外准确性均更好。 相反，从捕获非对称效果的角度来看，MA（2）-EGARCH（1，3）更好。 因此，没有明确的获胜者，因此该决定应取决于有关人员的目的。

本文讨论了贝叶斯方法，用于在测试过程中估计和预测软件系统的可靠性。 针对软件故障，提出了由Musa-Okumoto（1984）软件可靠性模型引起的非均质泊松过程（NHPP）。 Musa-Okumoto NHPP可靠性模型由执行时间部分和日历时间部分两个部分组成，是软件可靠性分析中的一种流行模型。 软件可靠性模型的预测分析对于修改，调试和确定何时终止软件开发测试过程非常重要。 但是，文献中缺少对Musa-Okumoto（1984）NHPP模型的贝叶斯和古典预测分析。 本文讨论了与开发测试程序密切相关的单样本预测中的四个软件可靠性问题。 采用基于非信息先验的贝叶斯方法来为这些问题制定明确的解决方案。 给出了基于真实和模拟数据的示例，以说明已开发的理论预测结果。

第三届智慧中国杯数据应用大赛 国能日新第二届光伏功率预测赛# 光伏发电具有波动性和间歇性，大规模光伏电站的并网运行对电力系统的安全性和稳定造成较大的影响。对光伏电站输出功率的高精度预测，有助于调度部门统筹安排常规能源和光伏发电的协调配合，及时调整调度计划，合理安排电网运行方式。因此，本题旨在通过利用气象信息、历史数据，通过机器学习、人工智能方法，预测未来电站的发电功率，进一步为光伏发电功率提供准确的预测结果。 包含十个场站的数据及天气数据，第一届为4个场站数据，第二届为10个场站数据。

通过matlab编程求解旅行商问题（TSP） 通过matlab编程求解旅行商问题（TSP） 通过matlab编程求解旅行商问题（TSP） 通过matlab编程求解旅行商问题（TSP） 通过matlab编程求解旅行商问题（TSP）

我们研究了具有耦合通道ηcΛ，J /ψΛ，DΞc，D¯sc，DΞc'，D⁎Ξc，D的等标量隐藏魅力奇异扇区中的介子-重子S波相互作用 JP = 1 / 2−中的s⁎c，D⁎Ξc′，D⁎Ξc⁎，J /ψΛ，D⁎Ξc，D¯sc，D⁎Ξc′，DΞc⁎， 3 / 2−中的DDc⁎和5 / 2−中的D⁎Ξc⁎。 我们在交互中施加了重夸克自旋对称性的约束，并通过将局部隐藏量规方法扩展到魅力领域来获得不消失的矩阵元素。 使用先前在非奇异的隐藏魅力区域中使用的相同的介子-重子-回路调节器，可以使紫外线散度重新归一化，从而可以很好地再现新发现的五夸克态的性质。 我们获得了1 / 2-的五个状态，3 / 2-的四个状态和5 / 2-的一个状态，可以在不久的将来与即将进行的LHCb实验进行比较。 5 / 2-，3 / 2-中的三个和1 / 2-中的另外三个谐振源于等量D'（⁎）Ξc'和D'（⁎）Ξc⁎相互作用。 它们应位于相应阈值（4446、4513、4588和4655 MeV）之下仅几MeV的位置，并且应该是等位旋1/2 D（⁎）Σc（⁎）准结合状态的SU（3）兄弟姐妹。 以前的发现，这为Pc（444

中国对新鲜农产品的冷链需求不断增长，而冷链物流的网络布局混乱，成本巨大。 为了解决这个问题，本文建立了冷链物流网络的最优模型，并用遗传算法对其进行了求解。 该最优模型以物流网络的总运行成本为目标，并嵌入了包含两个分配问题的非线性混合整数规划。 该模型确定了预冷站和新鲜农产品物流中心的最佳布局和物流管理。 我们的主要贡献是同时考虑冷链物流的建设成本和运营成本。 案例研究说明了该模型的有效性。

CDV F蛋白基因抗原表位预测，张立娜，，CDV是动物病毒中较重要的研究目标，且属人畜共患病，因此对其进行疫苗的研制是很有必要的。本研究以犬瘟热病毒基因组序列为材料，

NLP医疗保健 使用MIMIC III中的结构化和非结构化数据预测30天ICU再次入院 数据处理 结构化数据 结构化网络的ETL过程可以在结构目录中找到在structured_etl_part1.scala和structured_etl_part2.py 非结构化数据 非结构化数据的所有数据处理脚本都包含在dataproc目录中。 使用data_processing_script.py处理NOTEEVENTS以获取单词向量。 使用get_discharge_summaries.py编写放电汇总 使用build_vocab.py从放电摘要构建vocab。 使用word_embeddings.py在所有单词上训练单词嵌入。 使用extract_wvs.py中的gensim_to_embeddings方法，用我们的vocab编写经过训练的单词嵌入。 造型 结构化网络 在struc_net

深度学习模型现在很火，应用的领域也是各方各面。在序列预测方面，当属LSTM模型的应用最广。我基于matlab编写了用LSTM模型实现多步预测时间序列的程序代码。序列数据是我随机生成的，如果有自己的数据，就可以自己简单改一下代码，读取txt或excel都可以。注意读取后的序列必须命名为行向量。代码最后还提供了误差分析部分，展示了绝对误差、MAE、RMSE、MAPE共4个误差指标，可供参考。代码基于matlab2021版编写，适用于2018版之后的所有版本。

应用时间序列预测构建模型，关于1900-1998年全球7级以上地震发生次数数据的案例分析 适合初学者，有详细的代码解释，对数据进行白噪声检验，自相关、偏相关图的查看方法及其中蕴含的意义，以及通过观察模型，构建ARMA模型，进行多次拟合，选取最合适的，进而进行时间序列预测，得到相关的置信区间，以及图例，可以明确方便的观察未来的趋势。