基于粗糙集神经网络的数据挖掘在门业制造车间质量控制中的应用，陈振，刘颖，本文在对门业制造车间质量控制的特点进行分析的基础上提出了一个基于粗糙集BP神经网络的质量预测模型。用粗糙集的属性约简对输入�

基于注意力机制attention结合门控循环单元GRU分类预测，GRU-Attention分类预测。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

为获得比较理想的直流电压，需要利用具有储能作用的电抗性元件（如电容、电感）组成的滤波电路来滤除整流电路输出电压中的 脉动成分以获得直流电压。

针对西部含水软岩冻结井筒马头门维护困难的问题,利用数值模拟、现场监测等手段进行马头门破坏机理分析,并提出修复加固设计。现场应用结果表明,利用锚-注-喷等多种方式进行修复加固,可提高马头门、井筒及巷道相接处的围岩强度,能够有效地降低马头门变形破坏程度。

我们基于量表组$$ SO（10）\ times U（1）_ \ psi $$ SO（10）×U（1）ψ提出了一个简单的非超对称大统一理论（GUT）。 该模型包括3代费米子，分别为$$ \ mathbf {16} $$ 16（$$ + 1 $$ +1），$$ \ mathbf {10} $$ 10（$$-2 $$ -2）和 $$ \ mathbf {1} $$ 1（$$ + 4 $$ +4）表示形式。 $$ \ mathbf {16} $$ 16小子包含标准模型（SM）费米子和右旋中微子，并引入$$ \ mathbf {10} $$ 10 -plet和单重子费子来制作模型。 无异常。 量规耦合统一为$$ M_ {GUT} \ simeq 5 \乘以10 ^ {15} {-} 10 ^ {16} $$MGUT≃5×1015-1016 GeV通过包含中间的Pati-Salam达到$ $ M_ {I} \ simeq 10 ^ {12} {-} 10 ^ {11} $$MI≃1012-1011GeV，这是跷跷板机制的自然尺度。 对于$$ M_ {I} \ simeq 10 ^ {12} {

在我的工作经验中，在C#语言本身的学习上花了大量的时间，积累了一些经验，一些是在学习和工作中遇到的问题和解决办法分享出来，希望大家也能有收获。有些表述错误的地方，也希望及时指正。 （一）VSExxx.dll的使用 程序的运行以平台系统位数不匹配，64位系统上C#调用32位的C++ *.dll，其原因是该API是在32位系统下面开发的，在64位系统上面开发编译的时候需要将生成的目标平台设为X86，但是linux运行时会出现错误：An attempt was made to load a program with an incorrect format，生成的目标平台设为X86的程序须在32位

1. Matlab实现基于门控循环单元的数据回归预测（完整源码和数据) 2. 多变量输入，单变量输出，数据回归预测 3. 评价指标包括：R2、MAE、MSE、RMSE 4. 包括拟合效果图、预测误差图、预测结果图等等 5. Excel数据，暂无版本限制，推荐2018B及以上版本 6. 其他代码连接：https://docs.qq.com/sheet/DT1hWRkpoVVJ3TGZv?tab=BB08J2

基于卷积神经网络-双向门控循环单元结合注意力机制(CNN-BIGRU-Attention)多维时间序列预测，matlab代码，2020版本及以上。 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。

MATLAB实现WOA-CNN-BiGRU鲸鱼算法优化卷积双向门控循环单元数据分类预测 1.Matlab实现WOA-CNN-BiGRU多特征分类预测，多特征输入模型，运行环境Matlab2020b及以上； 2.基于鲸鱼算法(WOA)优化卷积神经网络-双向门控循环单元(CNN-BiGRU)分类预测，优化参数为，学习率，隐含层节点，正则化参数； 3.多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用； 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图； 4.data为数据集，输入12个特征，分四类；运行主程序即可，其余为函数文件，无需运行.

插件：多门店全插件 重点：无任何域名限制 源码没有加密，安装需要php7.4以上版本打开php 扩展sg11+Redis+fileinfo