这是一个简单的 MATLAB 函数，它根据 ECI 或 ECEF 中的位置向量计算 ECI 或 ECEF 中的重力向量。

NBA预测 使用Python中的Logistic回归模型预测NBA比赛 模型 该模型使用从stats.nba.com刮取的八个因素来确定NBA游戏的预测结果。 每个统计数据都调整为每100个回合，以确保速度不会影响预测。 主队 胜率 篮板 营业额 正负 进攻等级 防守等级 真实投篮命中率 用法 安装 pip3 install -r requirements.txt 每日预测 打开nbaPredict.py 编辑对makeInterpretPrediction的调用，其中包含所需的比赛日期，赛季以及赛季的开始日期 通过终端或IDE运行程序 等待约1-3分钟，模型即可完成抓取统计信息并预测结果 输出结果作为主队击败客队的机会百分比 过去的预测 打开makePastPredictions.py 使用所需的开始日期，结束日期，季节，季节的开始日期和输出文件名来编辑对makePastPredictions的调用。 注意：开始日期应至少在季节开始后三天，且结束日期不包括在内。 通过终端或IDE运行程序 两个CSV文件将保存在Data文件夹中。 一个保存游戏数据，另一个保存游戏的预测。

目录 基本信息 该项目尝试使用简单的ARIMA模型对财务模型进行建模。 技术领域 使用以下项目创建项目： Python版本：3.8 设置 最佳实践是在虚拟环境中运行程序文件，因为它允许程序以其自己的独立依赖项运行。 要初始化虚拟环境，请使用以下命令： cd path_to_project/ python -m venv .venv 要激活环境： Mac / Linux： source my_env/bin/activate 视窗： .\venv\Scripts\activate 要验证您的虚拟环境已激活，您的命令行应如下所示。 (.venv) ~path_to_project\Stats-6A03> 然后，要安装所需的依赖项，请运行以下命令。 pip install -r requirements.txt 要取消激活，只需使用以下命令： deactivate

谢林模型 一个模拟谢林分离模型的程序

the program pcpSTAT.exe calculates statistical parameters of daily precipitation date used by the weather generator of the SWAT model

KMV的MATLAB的代码KMV模型 违约距离，R，预测信用等级变化，merton，DtD，信用风险模型

看网络上有4分的，太多了，本想免费分享的，结果最最低资源分是2分，那就算了，2分吧，也算给自己赚点积分下资料。

这是一个非常好用的json自动化转模型的可视化界面,支持YYModel与MJExtention,可导出OC/SWIFT文件

matlab 10折交叉验证知识代码贷款违约模型 基于ML的贷款违约预测模型。 该项目使用了不同的机器学习技术-1. Logistic回归，KNN，分类树，合奏（分类方法），套索（正则化技术），10折交叉验证（ML技术，用于有效地训练我们的分类器，将总体分为训练）和测试样本）。 1.初步要求 为了利用该项目，用户应在其PC上安装Matlab版本R2016b，以便他们可以编译和运行此存储库中包含的代码。 2.入门 为了运行模型，用户需要遵循以下简单步骤： 将信息从名为LCloanbook.rar的文件LCloanbook.rar到本地目录中（确保所有文件都保存在一个位置） 打开并运行名为loan_Default_Model.m的文件 所有测试结果应显示在屏幕的左下角（工作区） 享受！ :) 3.仓库组成 loan_Default_Model.m -Matlab代码，包括此模型中使用的不同机器学习技术的定义。 LCloanbook.rar实际的基础贷款数据和变量描述 README.md您当前正在读取的文件 5.执照 MIT许可证涵盖了此存储库中包含的文件。 6.作者 斯韦特洛萨尔·斯托耶夫

matlab信任模型代码此仓库的目的主要是托管此代码，这是我的毕业报告的一部分。 因此，对于那些试图理解其背后要点的人来说，这可能是不完整的。 如果您对浸油绝缘，电源变压器，分散控制感兴趣，请随时与我联系。 基于模型的优化框架在电力网络中的应用 在过去的几十年中，电力网络的先进老化，可再生能源利用的必然增加以及功耗的不断增加，要求改变当前的电力网络范式。 电气世界的利益相关者必须顺应形势，并提出更好地利用现有网络资源和新网络资源的方法。 持续的金融危机也使人们对新概念和明智机会大开眼界。 该项目的方法是在现有电力网络物理层之上创建一个现代化的自动化层，该层利用几种物理模型来解释网络组件当前和未来的预期健康状况。 借助此自动化层，网络运营商可以将网络配置为一个自我维持的系统，或者至少是更独立的，更具洞察力的系统。 网络健康状态的实时和预测可以用作潮流优化因素。 基于实际潮流数据的仿真表明，将热负荷分布在整个相邻的功率组件中会提高资源利用率，因为它降低了整个网络的加速老化因子，同时又将潮流特性保持在法定的完整性范围内。 已经表明，通过将此健康状况预测框架应用于IEEE-14总线网络并允许该