RMDL：RMDL：用于分类的随机多模型深度学习

星环多模型数据库详细介绍

该软件包包含： 1、最近推出的自主学习算法——Autonomous Learning Multi-Model (ALMMo) System； 2. 分类演示； 3. 回归演示。 参考： PP Angelov、X. Gu、JC Principe，“从数据流中自主学习多模型系统”，IEEE Transactions on Fuzzy Systems，第一卷。 26(4)，第 2213-2224 页，2018 年。 如果代码有帮助，请引用这篇论文。 此代码的 Python 版本位于： https : //www.researchgate.net/publication/327282404_First-Order_Autonomous_Learning_Multi-Model_System_source_code_Python_version 如对代码有任何疑问，请联系Plamen P

随着多模型数据库与NO-SQL变得越来越流行，很多数据库厂商都标榜自己是“多数据模型”。所以仅仅从市面上现存的多模型数据库产品（有些真的是多模型数据库，有些仅仅将自己炒作成多模型数据库）去总结，很难对多模型数据库有明确的定义，这也导致那些为自己的产品或者项目寻求多模型解决方案的人员对多模型数据库产品的理解不清晰。 对于多模型数据库的理解，最终要的一点就是：我们一定要认识到叠加的多模型方案（例如基于document或者k-v存储之上的Graph层，这其实也算是多模型）与native多模型方案是不同的。

Matlab交互式多模型UKF和EKF滤波程序（附说明文档）

基于协方差交叉法的交互多模型卡尔曼滤波算法，2015年提出的。只有函数，主函数可以联系我houbowen95@126.com，希望多多交流

事实上，在预测实践中，对于同个问题，我们常采用不同的预测方法。不同的预测方法其预测精度往往也不相同。一般是以预测误差平方和作为评价预测方法优劣的标准，从各种预测方法中选取预测误差平方和最小的预测方法。不同的预测方法往往能提供不同的有用信息，如果简单地将预测误差平方和较大的方法舍弃，将推动一些有用的信息。科学的作法是将不同的预测方法进行适当组合，形成组合预测方法。其目的是综合利用各种预测方法所提供的信息，以提高预测精度。

交互式多模型扩展卡尔曼滤波（IMM-EKF）算法是解决机动载体运动模型不确定的定位问题的次优算法，在载体做模型确定的运动时该方法仍得到次优解且浪费运算资源。针对IMM-EKF算法的此类缺陷，采用离线训练的概率神经网络模型，实时判断当前运动模型分类，在运动模型确定的状态下选择对应的单一模型进行运算，而在运动模型不确定的状态下选择IMM-EKF算法，既保证定位精度，又减少了不必要的运算量。仿真对比实验验证了相比于IMM-EKF算法，新算法在精度方面的优势。

三维高速机动目标跟踪交互式多模型算法 实用的好文章

电信行业用户流失预警案例——python实现多模型预测