CET IIB研究项目 使用机器学习研究MOF的化学稳定性 金属有机骨架（MOF）由于具有大的表面积与体积之比，因此在化学工业中被广泛用作催化剂。 该项目与剑桥大学化学工程系的高级材料小组合作，

虚拟电厂(VPP)在调度过程中面临多种不确定因素，给决策和系统安全运行带来一定的困难。提出了基于混合随机规划/信息间隙决策理论(IGDT)的VPP调度优化模型，该模型针对电价概率分布描述较为准确、预测精度较高的特点，采用随机规划处理电价的不确定性；针对风光出力概率分布难以精确刻画、预测精度较低的特点，采用IGDT处理风光出力的不确定性，通过赋予风光出力偏差系数不同的权重，解决了IGDT同时处理风光出力不确定性的问题。此外，针对不确定性决策的盲目性和不同策略面临风险程度的不同，引入风险成本量化不同决策方案对应的风险。仿真结果验证了所提模型的有效性。

基于日前供热负荷预测和风电出力预测，考虑储热装置运行机理，研究风电场与热电机组联合运行的优化方法。将含储热装置的热电厂和风电场组成一个发电利益集合体，在满足地区供热负荷和提升风电消纳的同时，通过调节热电机组和储热装置的出力最大化发电利益集合体的收益。考虑热电机组的热-电耦合特性和储热装置的运行约束，建立了日前调度模型并进行求解。在此基础上，考虑风电出力的随机性，建立了相应的随机优化模型。算例分析表明，考虑储热的风电-热电机组联合优化所获得的收益高于风电场和热电机组单独运行获得的总收益，并且可在现行“以热定电”运行机制下提高风电的消纳能力。同时采用随机优化模型能有效降低系统联合出力的不确定性，可较好地解决风功率预测中的不确定性问题。

名为 routh_sc 的 m 文件，表示 ROUTH 稳定性准则，它是一个向量，该向量表示系统传递函数中分母的特征系数方程的值。 它是一个带有功效算法的小程序，尊重方法中提到的步骤，并将表格显示为矩阵（但仅适用于 6.5 和最新版本）。

JJF1059-2012.1 测量不确定度评定与表示。最新的

用神经网络确定权重的matlab代码 存储库贡献者：Timothy Dunn，Jesse Marshall，Diego Aldarondo，William Wang，Kyle Severson DANNCE（用于计算人类学的3维对齐神经网络）是一种卷积神经网络（CNN），可从多角度拍摄的视频中计算行为动物上用户定义的解剖学界标的3D位置。 与现有的动物（例如）2D关键点检测方法相比，DANNCE的关键创新在于该网络是完全3D的，因此它可以了解3D图像特征以及相机和地标在3D空间中的相互关系。 我们还使用大鼠运动捕捉和同步视频的大型数据集对DANNCE进行了预训练，因此标准网络对啮齿动物的运动和姿势具有广泛的先验知识。 DANNCE跟踪地标的能力可以很好地转移到小鼠和其他哺乳动物，并且可以在不同的摄像机视角，摄像机类型和照明条件下工作。 示例结果 鼠 鼠 DANNCE安装 DANNCE需要启用CUDA的GPU和适当的驱动程序。 我们已经在NVIDIA GPU（包括Titan V，Titan X Pascal，Titan RTX，V100和Quadro P5000）上测试了DANNCE。

二年级科学下册教案 -《11 确定位置》 冀人版.doc

传统上，葡萄栽培者对研究葡萄叶/叶柄的生物化学与其相关光谱反射率之间的关系具有浓厚的兴趣，以便了解果实的成熟率，水分状况，营养水平和疾病风险。 在本文中，我们对330至2510 nm的反射波长区域（986个总光谱带）实施成像光谱（高光谱）反射率数据，以评估葡萄园的营养状况。 这构成了带有病态协方差矩阵的高维数据集。 对有助于营养评估和预测的有用信息的变量（波段）的识别在多元统计建模中起着关键作用。 近年来，研究人员已成功开发出许多连续的，几乎无偏的，稀疏且准确的变量选择方法来克服此问题。 本文比较了四种正则化和一种功能回归方法：弹性网，多步自适应弹性网，Minimax凹面惩罚，迭代确定性独立筛选以及用于波长变量选择的功能数据分析。 此后，使用逐步回归可增强这些正则化稀疏模型的预测性能。 使用高维和高度相关的葡萄高光谱数据集进行回归方法的比较研究表明，Elastic Net用于变量选择的性能产生了最佳的预测能力。

密云水库流域径流曲线数模型(SCS-CN)中径流曲线数（CN）和初损率的确定，何杨洋，王晓燕，为密云水库上游流域径流曲线数（CN）和初损率进行参数区域化，为该研究区域内采用SCS-CN模型进行径流预测提供参考，本文利用算数平�

诺伯特·维纳（Norbert Wiener）于1938年提出的多项式混沌扩展（PCE）。直观地，可以将PCE视为在不确定模型参数下以高维多项式形式构造和获得模型响应面的数学最优方法。 最近，多项式混沌扩展得到了对任意多项式混沌扩展的概括（aPC：Oladyshkin S.和Nowak W.，2012），这就是PCE的所谓数据驱动的概括。 像所有多项式混沌扩展技术一样，aPC通过在正交多项式基础上进行扩展来近似仿真模型输出对模型参数的依赖性。 aPC将混沌扩展技术推广到具有任意概率测度的任意分布，该概率测度可以是离散的，连续的或离散的连续的，并且可以解析地（作为概率密度/累积分布函数），数值表示为直方图或原始数据集来指定。 处于有限扩展阶数的aPC仅需要存在有限数量的矩，并且不需要完全的知识，甚至不需要概率密度函数。 这避免了分配有限的可用数据未充分支持的参数概率分布的必要性。 或者，它允