在本文中，针对越南南部的有限山区，对适应的20种极端降水指数进行了分析。 选择了四个站点30年以上的日降水量数据。 还分析了每个指标的最大，最小，均值，标准差，偏度和kurtoris的统计特征。 使用各种分布（例如正态，对数正态，Beta，伽马，指数，对数和约翰逊），以最高分数为基础，找到该区域的最佳拟合概率分布。 得分是根据适合性测试的统计优势排名进行估算的。 拟合优度的检验是Anderson-Darling和Shapiro-Wilks检验。 找出每个站点上每种极端降水指数的最佳拟合分布。 结果表明，Johnson分布最适合大于50 mm的强降水日数据。 在有限的山区，由于降水量大于99％的极端潮湿的天数，极端潮湿的天数和极端潮湿的天数，很难使概率分布适合降水分数。 对数正态分布，Johnson和Loglogistic分布是适合该地区大多数极端降水指数的最佳选择。

这项研究调查了11种竞争时间序列GARCH模型的拟合收益率数据的性能，并使用了1996年1月至2015年12月期间每月的市场指数收益序列观察。 从对数似然（Log L），Schwarzs Bayesian Criterion（SBC）和Akaike Information Criterion（AIC）值获得的结果中，发现所确定的模型在两个时期（训练和测试时期）不同。训练期间为CGARCH（1,1）和EGARCH（1,1），而测试期间为ARCH（1）和GARCH（2,1）。 确定了两个极端类别的模型，分别代表最佳和最差的组。 这样的整体效果将趋于增加市场收益的波动性。 因此，该文件建议尼日利亚政府作为紧急事项，应通过证券交易委员会采取适当的积极措施，以规范市场波动，以便所提供的市场指数可以安全地用作衡量企业和企业绩效的预测指标。作为投资目的的指南。

使用传统测量方法进行输电线路测量,劳动强度大,作业周期长,且精度难以保证。GPS RTK可以较好的解决这些问题。文中介绍了GPS RTK的原理和在输电线路测量中的应用方法;探讨了GPS RTK的高程精度;并提出了GPS RTK测量中应注意的问题。结果表明:GPS RTK测量可以满足输电线路测量的要求。

我们首次研究了针对标量摄动的稳定性，并在假设运行耦合的情况下，在爱因斯坦-功率-麦克斯韦非线性电动力学中计算了三维带电黑洞的准正规模的频谱。 采用六阶Wentzel-Kramers-Brillouin（WKB）近似，我们研究了联轴器的运行如何改变经典理论的范围。 我们的结果表明，无论是在经典理论中还是在联轴器的运行中，与不消失的角动量相对应的所有模式都是不稳定的，而基本模式可以根据运行参数和电荷而稳定或不稳定。

在本文中，我们在（2 + 1）风味Nambu-Jona-Lasinio（NJL）模型的框架内，使用最近提出的算法研究了夸克间隙方程的拟Wigner解。 我们发现，对于当前的夸克质量mu，d = 5.5 MeV和化学势μ<μTCP= 272.5 MeV，通过该算法获得的Nambu解和正伪Wigner解与通过迭代方法获得的物理解是一致的。 此外，我们使用的算法可以帮助说明间隙方程的解从手性极限到非手性极限的演变，并给出了对于μ<272.5 MeV，相线位于相图中的预测。 此外，我们还研究了不同化学势的手性敏感性以及溶液的损失。

最小二乘法拟合直线和圆，QT界面实现，利用公式，读取文本文件进行拟合，并将结果用QT界面实时得显示出来

此提交内容提供了一个工具套件，用于拟合2D圆锥（椭圆，圆，直线等）以及3D二次曲面（椭圆，球体，平面，圆柱等）。 每种拟合类型都由类层次结构中的一个对象表示。 对于每种拟合类型，都提供了重载方法来生成嘈杂的测试数据，拟合数据以及对结果进行可视化和后采样。 当前，此工具集并不涵盖圆锥/二次曲面族中的所有曲线/曲面类型。 尽管随着时间的推移我可能会添加更多内容，但我还是从一些似乎最常遇到的内容开始。 同样，工具集使用的大多数拟合算法都是非常基本的代数方法，但是如果表达兴趣，我可能会添加更精细的算法。 这些工具的各种示例用法在“示例”选项卡中进行了说明。

BADS是一种新颖的快速贝叶斯优化算法，旨在解决棘手的优化问题，尤其是与拟合计算模型有关（例如，通过最大似然估计）。 在存在实际模型拟合问题的基准测试中，BADS的表现与其他许多常见且最新的MATLAB优化器（例如fminsearch，fmincon和cmaes [1]）相当或更高。 BADS当前在世界各地的许多计算实验室中得到使用，涉及从行为，认知和计算神经科学到工程和经济学的一百多种引用和应用。 如果没有可用的梯度信息，并且目标函数是非分析性的或嘈杂的，例如通过数值逼近或模拟评估，则建议使用BADS。 BADS不需要特定的调整，并且可以像其他内置的MATLAB优化器（例如fminsearch）一样现成运行。 ***有关广泛的信息，教程和文档，请访问该项目的GitHub页面： https : //github.com/lacerbi/bads *** 如果您有兴趣估计参数的后验

蜜蜂CNN模糊进化深度学习算法（人脸识别，智能优化算法，MATLAB源码分享） 在训练阶段之后，可以使用进化算法拟合深度学习权重和偏差。 这里，CNN用于对8个人脸类别进行分类。 在CNN训练之后，创建初始模糊模型以帮助学习过程。 最后，CNN网络权重（来自全连接层）使用蜜蜂算法训练，以自然启发的方式进行拟合（这里是蜜蜂的行为）。 可以将数据与任意数量的样本和类一起使用。 请记住，代码的参数是根据数据进行调整的，如果要替换数据，可能需要更改参数。 图像数据大小为64*64，2维，存储在“CNNDat”文件夹中。 因此，重要的参数如下： “numTrainFiles”=您必须根据每个类中的样本数量来更改它。 例如，如果每个类有120个样本，那么90个就足够好了，因为90个样本用于训练，而其他样本用于测试。 “imageInputLayer”=图像数据的大小，如[64 64 1] “fullyConnectedLayer（完全连接层）”=类的数量，如（8） “MaxEpochs”=越多越好，计算运行时间越长，如405。 “ClusNum”=模糊C均值（FCM）聚类数，如3或4很好

MATLAB用拟合出的代码绘图myMixedModelsTrajectories：使用混合模型回归的轨迹拟合 混合效应模型工具箱，用于分析纵向数据 该工具箱允许将具有不同阶次的模型（从常数模型到三次模型）拟合到具有重复测量的数据。 目的是在混合样本中估算年龄的发展曲线，在该样本中，受试者是在不同年龄和多个时间点记录的。 除了确定最佳模型（无年龄关系，线性年龄关系，二次年龄关系或立方年龄关系）之外，该工具箱还可以估算多个组之间的发育差异（请参阅分组信息注释）。 主要步骤遵循Mutlu等人在Neuroimage 2015中提出的算法第一手： 将递增顺序的模型拟合到数据，并根据贝叶斯信息准则选择最佳模型 估计多组曲线的截距和形状中的组差异的p值 使用错误发现率更正多个比较 绘制结果模型参数和拟合曲线 使用此代码时，请引用以下论文： AK，穆特卢（Mutlu），施耐德（Ms. Schneider），M。德巴内（Debbané），巴杜德（Badoud），埃利兹（Eliez），S。希尔（Schaer），M.，2013。全皮层厚度差异和折叠发育的性别差异。 Neuroimage 82，200–207