交替条件期望算法 (ACE) 来计算最佳变换通过对排序数据进行快速平均。 程序 ace_main.m 从数据集执行最佳变换的计算。 该算法由 L. Breiman 和 JH Friedman 发明 [1] 除了两个不同之外，该程序紧跟其后： 1. 输出没有相对于平均值的归一化最佳变换，因此平均值可能不一定为零。 2. 在计算最优值之前对数据进行排序转换。 这导致条件期望值的更简单计算。 算法（但不是估计条件期望值）也在[2]、[3]、[4]中描述。 一个应用程序在[5]中提供了将复杂的Ginzburg-Landau方程拟合到二元流体数据的方法。 用法： 程序 ace_main.m 包含数据的定义、ace.m 的调用以及结果的显示。 此功能是应用程序必须修改的功能除了示例数据； 其他子程序不需要修改。 函数 ace.m 定义为'函数 [psi,phi]=ace(x,ll,dim,w

EBM模型是一个综合考虑径向和SBM两类距离函数的混合模型。该模型不仅解决了传统数据包络分析方法未考虑松弛变量，以及损失效率前沿投影值原始比例信息的缺陷，而且解决了对多个处于前沿位置的决策单元进行比较问题，为决策单元效率测算提供了一种新方法。 为了照顾不懂matlab的小白，本人还整理了详细的操作说明文档，从matlab安装到代码的使用步骤，均做了详细的图文说明，里面还有配套的示例数据，可跟着说明整体跑一遍，就能学会操作！一切只为大家能更好的使用。有问题CSDN私信我哦

此提交提供了一些用于操作排列（顺序、排名）集（或配置文件）的工具。 函数的帮助中提供了基本理论和参考资料。 PermutationDistance 计算排列或排列组之间的 Kendall tau 距离（或交换或冒泡排序距离）。 MedianPermutation 计算使 Kendall tau 距离之和最小的阶（或多个阶）。 这是 Kemeny-Young 订单，它具有作为共识订单的理想特性。 然而，这是一个计算困难的问题。 这种实现使用了文献中的各种想法来提高效率，但进行了精确的计算，因此它可以处理的排列的长度和数量受到限制。 它在我们的数据上成功运行（作为下面聚类算法的一部分）：长度为 15 的 20 个左右排列的集合。 MallowsClustering 使用参数指数模型（Mallows phi 分布）运行期望最大化 (EM) 算法，以找到表示数据的“最佳”混合模型。 这使用（加权）

GML、ML指数、以及超效率SBM测算的matlab代码，可以计算VRS以及CRS下非期望产出的SBM及SBM-GML 的matlab代码，代码可根据投入产出计算全要素生产率GML指数，计算结果准确可靠。全套资料均为本人整理制作，有什么问题都可以在下面留言评论，为了照顾不懂matlab的小白，本人还整理了详细的操作说明文档，从matlab安装到代码的使用步骤，均做了详细的图文说明，里面还有配套的示例数据，可跟着说明整体跑一遍，就能学会操作！整体来说简单易学，一切只为大家能更好的使用，资料制作不易，希望大家多多支持。 代码编写参考文献为: 1.中国商业银行全要素生产率增长及其收敛性研究--基于GML指数的实证分析 2.A global Malmquist-Luenberger productivity index.

城市生态效率年度数据(2006-2019)，兼顾经济发展与生态环境相协调，考虑了四种期望产出，三种非期望产出 说明：此数据均为本人整理并测算，是本人论文写作中用到的数据，资源整理不易，希望大家能给点支持，有问题都可以留言，我会一一解答。 1、数据来源：原始指标数据来源自中国城市统计年鉴、中国区域统计年鉴、中国能源年鉴、中国环境年鉴、哈佛大学官网等 2、时间跨度：2006-2019年 3、区域范围：包含283个地级市，考虑的数据的可得性以及行政区域的变更 4、数据说明： （1）生态效率指的是一定的生态投入所产生的效率，一般用生态的投入、成本与社会经济产出或效益之比来测度本数据集借鉴核心参考文献，考虑了三种期望产出：GDP、税收、城市绿化。三种非期望产出：二氧化硫排放量、烟粉尘、工业废水！（指标考虑完善） 指标选取参考文献为： 1.高铁网络对城市生态效率的影响——基于中国277个地级市的空间计量研究 2.环境规制与中国城市生态效率提升--基于空间计量模型的分析的做法 3.数字经济发展提升了城

Python中的一个用于HTTP流量模拟和期望的多变、具有表现力且可hack的功能库

RECS：非线性，动态，随机，有理期望均衡模型的求解器

本文将BP神经网络应用于车牌的自动识别，在简述BP神经网络的基础上，重点 讨论了用BP神经网络方法对车牌照字符的识别，用MATLAB完成了对车牌照数字识别的模拟， 最后得出实验结果，证明这种方法是高效的.

构建了含有资源、经济与环境在内的煤炭产业效率评价指标体系，利用超效率SBM和Malmquist模型对20个煤炭资源型省份的面板数据进行横向和纵向、静态和动态的分析。研究发现：超效率SBM分析结果的纵向对比显示产业效率整体呈上升趋势，横向对比发现20个省份在研究期间的产业效率表现出显著的区域差异性。Malmquist动态分析显示效率提高主要依赖技术进步，纯技术效率和规模效率未发挥作用，表明产业规模与组织管理水平配置还需提升；横向对比显示各个省份之间的效率值存在较大差异且均存在不同程度的波动，整体来看，TFP小于1的省份主要归因于其技术效率的严重落后，须意识到技术进步对煤炭产业发展的重要性，加大相关技术的研发力度，注重技术效率的缺陷，提高技术水平。

这几天把EM算法(Expectation Maxinum)反复琢磨了几遍，经过几次讨论，对EM算法的数学模型有了比较深入的理解。考虑到： 1. 这个算法在Machine Learning中极其重要，也是进行Machine Learning深入研究的一个重要阶梯 2. 这个算法确实需要一定的概率和数学基础 3. 中文或翻译的教材似乎没有很好的解释清楚这个算法 于是我根据Pattern Recogition and Machine Learning一书相关章节的内容，结合自己的理解，写了一套中文的EM算法介绍和分析。又混合高斯模型开始，由浅入深，逐步讲解了EM算法在混合高斯模型应用和一般化描述。自己感觉还是比较容易理解的。 如果发现pdf中有什么问题，或有什么错误，请直接与我联系，欢迎讨论。 要下载最新的版本请到http://glatteis.spaces.live.com