二元分类模型比较 在本笔记本中，我使用生成的二进制分类数据比较了Scikit-Learn算法 ， ， ， ， ， 和简单的ANN在Keras和PyTorch中构建的预测精度。

Comparison of static and dynamic cerebral autoregulation measurements

imu_comparison_data：论文的数据和代码基于惯性传感器的运动跟踪方法调查：以上肢人类运动为重点

“分解还是不分解：股票价格预测的不同神经网络和GBM模型之间的比较。” 在这个项目中，有9个文件： LSTM.py具有该报告中提到的两种LSTM的代码。 TCN.py具有两个TCN的代码，但是它们具有相同的超参数。 GBM.py具有用于仿真价格几何布朗运动的代码。 stat_decompose.py将时间序列分解为三个部分：趋势，季节性和残差。 testing.py测试LSTM和TCN。 testing_GBM.py测试GBM模型。 testing_decomp3.py将八个分解模型的预测写到csv文件中。 RMSE_MAE_decompose.py从testing_decomp3生成的csv文件中收集预测，并将其与真实数据进行比较。 compare_results.py会打印出可预测某只股票以及平均RMSE和MAE的最佳模型。 报告摘要： 在这项工作中，考虑了18只

narx的matlab代码基于人工神经网络的地下水位预测：LSTM CNN和NARX的比较 此仓库的doi： 相关出版物的doi： 该存储库使您可以重现结果并应用以下方面的地下水位预测方法： Wunsch，A.，Liesch，T.，Broda，S.，人工神经网络进行地下水位预测：长短期记忆（LSTM），卷积神经网络（CNN）和具有外生非线性自回归网络的比较输入（NARX） 接触： 作者的ORCID： A. Wunsch： 列斯（T. Liesch）： 布罗达（S. Broda）： 有关详细说明，请参阅出版物。 请调整脚本中的所有绝对加载/保存和软件路径，以使其运行，您需要Matlab和Python软件才能成功运行应用程序。 我们进一步使用的Python包。 要运行Python代码，请下载并安装此软件包。 内容概述： / CNN-Python代码包含模型的Python脚本和必要的示例文件。 / LSTM-Python代码包含模型的Python脚本和必要的示例文件。 / NARX-Matlab代码包含模型的Matlab脚本和必要的示例文件。

matlab的slam代码ICIEA2018_IEKF_LeastSquare_Comparison 这是我论文中模拟的Matlab代码：基于EKF的SLAM和基于优化的SLAM算法的比较（ICIEA2018）代码还在清理中，即将推出。

用于单通道语音增强的深噪声抑制模型的比较评估 考虑到视频会议系统和流传输工具的日益增加的使用，具有计算有效和有效的语音增强器变得有利和必要。 Microsoft DNS挑战极大地促进了该领域的创新，但仍有很大的改进空间。 这项工作比较了此挑战中提出的两种用于语音增强的深度学习模型：NSNet2和双信号转换LSTM网络（DTLN）。 在基于混响时间RT60和信噪比（SNR）规范的两种对比条件下，分别使用两个数据集和三种不同的以语音质量为中心的措施对这两种模型进行了比较：语音质量的感知评估（PESQ），深噪声抑制平均意见分数（DNSMOS）和虚拟语音质量目标听众（ViSQOL）。 概述 这是“单声道语音增强的深噪声抑制模型的比较评估”研究报告的伴随代码，该研究由EstebanGómez进行，该研究是巴塞罗那Pompeu Fabra大学的声音和音乐计算硕士学位的学生，是音乐信息的一部分检索过程。

在这个 Simulink 文件中，我们将 ZNN 模型与 GNN 模型进行了时变矩阵求逆的比较

开发人员

用于通过ROC AUC比较两组预测的统计显着性的算法的Python实现。 还可以计算单个ROC AUC估计值的方差。