灰色预测，可以根据少量的信息样本，来进行精准合理的预测

详细介绍了风电功率预测现状，并详尽介绍了风电功率预测的方法，及其原理和建模方法，推荐！

恒定的PV f平面QG湍流（又称表面QG湍流）。 具有sin（2 * pi / L）射流基本状态的双周期几何。 参考： （第3节） 包括Ekman阻尼，回到平衡射流的线性热弛豫和超扩散。 光伏具有米/秒的单位。 按f * theta0 / g缩放以转换为温度。 具有四阶Runge Kutta时间步长的FFT频谱配置方法（使用2/3规则去混叠，对超扩散进行隐式处理）。 需要numpy（强烈建议使用pyfftw，netcdf4-python和matplotlib）。 在sqg_run.py运行模型并对解决方案进行动画处理的示例代码 要运行EnKF数据同化，请执行以下操作： 使用python setup.py install 。 首先运行sqg_run.py以生成自然运行。 然后运行sqg_enkf.py 。

搜集了HEVC关于帧内预测的几个重要提案，相信对大家在刚开始看帧内预测时会有帮助

论文研究-我国猪肉消费需求量集成预测——基于ARIMA、VAR和VEC模型的实证.pdf,  猪肉消费需求量预测对稳定猪肉消费市场具有重要意义. 通过建立ARIMA、VAR和VEC模型, 利用Granger因果检验筛选出显著影响因素, 分别预测我国猪肉消费量. 最后, 基于动态集成预测方法对三种模型的预测结果进行综合集成. 通过对2009-2011年我国猪肉消费需求量预测, 实证结果表明样本外集成预测精度更高, 更稳定.

基因组核糖体RNA预测，应用于真菌、细菌及线粒体，并统计rRNA类型，拷贝数，序列长度在基因组当中的占比，同时能够输出rRNA序列。

通过tRNA-SE软件预测，细菌，古菌，真菌，线粒体，叶绿体基因组中的tRNA，并输出tRNA编码的氨基酸，反密码子，tRNA序列；并统计拷贝数，基因组占比等

基于径向基神经网络（RBFNN）的数据预测模型（Python实现），压缩包中源码RBFNN.py为模型的训练过程，训练结束后会保存训练好的的模型参数，test.py主要用于利用训练好的模型对测试数据集进行预测，输出结果包括各种误差指标，.npy文件为训练后生成的中心点、宽度向量等参数，train.csv为训练数据集，test.csv为测试数据集。

通过对同步采集的点焊焊接过程动态电阻、电极位移信号的特征分析,提取出若干特征参量,依据所提取特征参量与焊点接头抗剪强度之间的相关性分析结果,选取相关系数较大的6个特征参量建立数据集作为SVM的输入,分别利用线兴函数、多项式核函数、RBF核函数实现监测参量与焊点强度之间的映射.采用交叉有效性检验对不同核函数下预测结果进行比较,结果表明,RBF核函数支持向量机各项预测误差最小,有较好的应用前景.

使用Python实现广义回归神经网络（GRNN）用于数据预测，压缩包中源码GRNN.py主要用于使用训练数据集进行模型训练，同时对测试数据集进行预测，输出结果包括MAE、MAPE等误差值以及预测差值的分布情况等，train.csv为训练数据集，test.csv为测试数据集，.npy文件为保存预测的值及预测误差值。