实验二 预测分析算法设计与实现，大家可以看看，如果有需要

基于状态空间的模型预测MPC控制器的设计，附带例子（MATLAB）

pytorch实现基于LSTM的高速公路车辆轨迹预测源码+数据集.zip 第1步：轨迹数据滤波，将原始US101和I-80的原始数据放入下图文件夹，运行代码"trajectory_denoise.py"，结果如下： image 第2步：移除不必要特征以及添加新特征，运行代码"preprocess.py"，结果如下： image 第3步：根据需要添加横、纵向速度和加速度特征，运行代码"add_v_a.py"，结果如下： image 第4步：按照滑动窗口法提取所需8s轨迹序列，运行代码"final_DP.py"，结果如下： image 第5步：最终合并US101和I-80数据集，为保证数据的均衡性以及充分利用数据集，随机采样10组数据集，每组按照6:2:2的比例划分训练集、测试集和验证集；运行代码"merge_data.py". 模型训练及测试 MTF-LSTM模型训练，运行代码"MTF-LSTM.py" MTF-LSTM-SP模型训练，运行代码"MTF-LSTM-SP.py" 本文训练好的MTF-LSTM和MTF-LSTM-SP模型保存在文件夹/algorithm

基于时滞型神经网络的输电线路覆冰预测，以三维图的形式展示给各位

Installing step1，安装anaconda(可参考https://zhuanlan.zhihu.com/p/32925500)； step2，创建一个conda环境，conda create -n your_env_name python=3.6； step3，进入创建conda的环境 conda activate your_env_name，然后执行pip install -r requirements.txt； step4，按照Getting Started执行即可，推荐使用PyCharm Getting Started python get_data.py --name ssq # 执行获取双色球训练数据 如果出现解析错误，应该看看网页 http://datachart.500.com/ssq/history/newinc/history.php 是否可以正常访问 若要大乐透，替换参数 --name dlt 即可 python run_train_model.py --name ssq # 执行训练双色球模型 开始模型训练，先训练红球模型，再训练蓝球

非最小相位是指具有右半平面零、极点或滞后的线性对象，在DCDC变换器中,Boost变换器以电容电压作为输出量进行反馈控制时，是一个非最小相位系统。由于目前大多数Boost电路的控制方法选用的是传统PID控制，这种方法具有结构简单、可靠性高等特点，但是系统的动态特性、抗干扰性能却有待进一步提高。由于预测PI控制算法具有抗滞后和抗非最小相位特性的能力，将其应用到Boost电路中进行理论研究并进行实时仿真。仿真结果表明，预测PI控制算法具有良好的动态特性且抗干扰性强,能够体现良好的控制效果。

AI_Stock 可以根据新闻预测股票价格的AI。

资源包含文件：设计报告word+代码 股票价格预测详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/122463596?spm=1001.2014.3001.5502

数据包括历史光伏逆变器数据，首先利用pycaret筛选模型，后使用tensorflow-keras框架构建lstm完成光伏发电预测

使用UCF101完成的视频动作分类识别，使用CRNN模型完成，迭代次数为120，花了很多时间和钱（），不过因为模型参数pth太大了，CSDN放不下，需要再私聊吧