基于粒子群算法(PSO)优化门控循环单元(PSO-GRU)的时间序列预测。 优化参数为学习率，隐藏层节点个数，正则化参数，要求2020及以上版本。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

负荷预测数据集（13个月，每天的用电量、温度、湿度、风速、降雨的详细信息）.rar

泰迪杯数据分析技能赛

为了提高瓦斯涌出量预测的精度和预测模型的泛化能力,提出了一种基于蚁群算法(ACO)优化支持向量机(SVM)参数的瓦斯涌出量预测方法。在SVM所建立预测模型中各个参数的取值区间内,采用蚁群优化算法计算预测模型各个参数的最佳值,基于最佳参数的SVM建立瓦斯涌出量预测模型。结果表明:采用未优化的SVM建立的预测方法,其个别预测误差相对较大,最大误差为8.11%,平均误差为4.68%,采用ACO对于预测模型的参数进行优化后,预测性能有显著提高,最大误差为4.37%,平均误差为2.89%,表明所建议的方法是有效、可行的。

为了准确预测瓦斯涌出量,提出了一种基于模糊聚类和支持向量机(SVM)的瓦斯涌出量预测方法。将瓦斯涌出量相关影响因素作为特征空间中的样本,采用模糊C均值聚类对特征空间中的样本进行聚类分析,对于所得到的不同类别样本分别建立SVM预测模型。结果表明:采用单纯的SVM预测方法,对于不同特征的样本的预测个别预测误差相对较大,其最大误差为8.11%,平均误差为4.68%,采用文中所建议的用FCM对样本分类后再进行SVM预测,预测精度有明显改善,最大误差和6.94%,平均误差为3.35%,表明所建议的方法是有效和可行的。

2022建模国赛代码(三天坚持不易) 包括K-meas算法、bp预测、回归预测,(python和matlab做的).zip

我们估计一类最小预测跷跷板模型中由瘦素产生引起的宇宙重子不对称性（BAU），该模型涉及两个右手中微子和一个纹理为零的简单Yukawa结构。 两个右手中微子主要负责“大气”和“太阳”中微子质量，汤川耦合到（νe，νμ，ντ）的比例与（0，1，1）和（1，n，n -2），其中n是正整数。 因此，中微子汤河矩阵的特征是两个比例常数，它们的相对相位提供了瘦素形成-PMNS链接，从而可以根据中微子数据和观测到的BAU确定最轻的右手中微子质量。 我们讨论一个SU（5）SUSY GUT示例，其中A 4真空对准提供了n = 3所需的Yukawa结构，而ℤ9 $$ {\ mathrm {\ mathbb {Z}}} _ 9 $$对称性固定了亲戚 相成为团结的第九个根。

我们获得3-3 ary中微子混合矩阵U =UeâU½，Ue和U½为3Ã3unit矩阵的带电对角线化后的马约拉纳州相位的α21/ 2和α31/ 2的预测 轻子和中微子马约拉纳质量矩阵。 我们专注于Ue和U½的形式，以Dirac相η和U的标准参数化的三个中微子混合角以及角度和两个Majorana来表示±21/2和±31/2 样相φ21/ 2和φ31/ 2存在，通常在U½中。 所考虑的Uβ的具体形式由对称性（三重双，双最大等）固定或与对称相关联，因此U½中的角度是固定的。 对于这些形式和Ue的每种形式，允许重现三个中微子混合角φ12，φ23和φ13的测量值，我们得出相差（±21/2φ21/ 2），（±31/2×31/2）等，这完全取决于混合角度的值。 我们显示中微子马约拉纳质量项的广义CP不变性的要求意味着Î21= 0或and和3131 = 0或Ï。 对于这些值的2121和3131和最佳拟合值的¸12，¸23和¸13，我们提出中微子双β衰变的有效马约拉纳质量的预测，中微子质谱具有正态和反序。

为掌握采空区上方所建高速公路的变形趋势,解决老采空区上方地表变形监测数据较少,不易建立时序沉降预测模型的问题,利用D-InSAR(Differential Interferometric Synthetic Aperture Radar)技术对某高速公路进行了变形监测和分析,同时将其结果同地面实测数据相融合,并以LS-SVM(Least Squares-Support Vector Machine)为基础,建立了采空区上方高速公路变形预计模型,通过实例,验证了模型的正确性。具体过程:处理融合数据为等时间间隔,并将其趋势项去除,对余项进行平稳性、正态性及零均值处理;利用Cao方法计算嵌入维数,建立训练样本集,并进行LS-SVM学习训练;最后,采用训练好的模型对未来地表沉降进行预计。以511号监测点为研究对象,建立滚动预计方法,结果显示其最大下沉绝对误差3 mm,最大相对误差2.2%,取得了较为可靠的预计成果。

约化分子电距矢量用于茎用莴苣花挥发性组分的结构表征及气相色谱保留时间的预测，李建凤，廖立敏，本文将分子电距矢量进行了约化研究，形成了结构描述子---约化分子电距矢量(MEDVR)，并将其用于茎用莴苣花挥发油的37种组分的结构表征