摘要：针对雷达、北斗卫星导航等依赖电磁波的系统都避免不了对电磁波传播特性的分析问题，提出了基于统计模型的电磁环境预测方法，以及基于抛物方程的预测方法， 计了电磁环境预测系统。 　　本文先通过电磁环境、抛物方程的预测方法，推导出抛物方程计算总的传播损耗等于传播因子和损耗因子对电磁波场量的叠加，设计了电磁环境预测系统。以海战场电磁环境为例进行了仿真，结果证明该方法对陆海空等典型地海场景中的复杂电磁环境电磁波场强或接收功率的预测是非常有效的，具有较好的理论研究和应用价值。 　　0 引言 　　雷达、远距离无线通信、北斗卫星导航系统（BDS）、电子对抗还是遥感遥测等依赖电磁波的系统，都避免不了对电

3 复杂电磁环境预测系统 　　基于以上理论分析，构建典型场景下的电磁环境预测系统。复杂电磁环境预测系统由四个模块组成，即参数输入模块，图形显示模块，操作模块和结果显示模块。其中，参数输入模块包括典型战场场景选择，辐射源及接收点参数设置，地图加载等。复杂电磁环境预测系统演示总界面如图5所示。 　　 　　场景分为三种，如图6所示。操作模块包括辐射源放置，场强预测，图形绘制，模型选择，可以根据战场环境特点，选择相应模型进行图形绘制与分析。以海战场为例进行复杂电磁环境预测，并给出分析结果。辐射源放置如图7所示，仿真参数设置如下：辐射源频率1 500 MHz,发射功率46 dBm,发射增益16 d

复杂电磁环境构设与评估方法（丁士援).pdf复杂电磁环境构设与评估方法（丁士援).pdf复杂电磁环境构设与评估方法（丁士援).pdf

【LSTM预测】贝叶斯网络改进LSTM预测【含Matlab源码 1158期】.zip

压缩包主要包含用于数据预测的小波神经网络（WNN）源码及预测的数据集，其中WNN.py主要用于使用训练数据集进行模型训练，生成对应的训练后模型参数，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文件为训练后生成的权值、平滑因子、伸缩因子等参数。

EEL-4768-Project-2-：分支预测器模拟器的设计和实现，用于测试此体系结构组件的验证

深层 一个Tensorflow DL框架，用于使用兆碱基规模的DNA序列预测Hi-C染色质相互作用。 描述 该存储库包含核心deepC python代码，R脚本和用于下游分析的功能，以及教程和示例数据的链接。 核心代码在python（v3.5 +）和tensorflow（v1）中实现。 对于下游分析和可视化，我们使用R和自定义函数来处理HiC数据和deepC预测。 要求 python 3.5 + 张量流（tensorflow-gpu） GPU支持对于预测是更可取的，对于培训来说是必不可少的 其他python模块： numpy（v1.16.4或以上） pysam（已通过v0.15.2测试） pybedtools和已安装的兼容版本的bedtools R版本3.4.4 + 套餐： tidyverse（v1.2.1或更高版本） RColorBrewer（v1.1-2或更高版本）

烧瓶薪水预测器 该项目根据经验预测员工的薪水。 模型 model.py训练并将模型保存到磁盘。 model.pkb泡菜模型 应用程式 app.py包含烧瓶和管理API所需的所有内容。 程序-打开命令提示符并转到给定目录，然后运行python app.py

机器学习模型房屋价格预测 使用Flask Web框架的机器学习模型进行房价预测

针对传统灰色模型在多原始数据、长时间尺度的负荷预测情景下预测精度差的问题，文中分析了灰色模型（Gray Model，GM）的基本原理，并提出相应的改进措施，其中包括原始数据的加权处理、选取合适的初始条件及自适应优化模型参数。并将改进灰色模型（Improved Grey Model，IGM）应用于电力负荷预测。通过算例分析结果表明，无论在短期负荷预测还是在中长期负荷预测的情景下，所提出基于改进灰色模型的电力负荷预测方法相比于传统灰色模型，均具有更高的预测准确性，能够为电力系统的安全、稳定运行以及合理的规划提供重要支撑。