一类伪距离用于使用变换后的数据或间距来得出测试统计信息，以测试参数模型的拟合优度。 这些统计数据可以视为基于密度的统计数据，并可以表示为间距的简单函数。 众所周知，当零假设很简单时，统计量遵循渐近正态分布而没有未知参数。 在本文中，我们强调零复合假设的结果：首先可以通过广义间距法（GSP）估计参数，这等效于最小化与所考虑类别的伪距离； 随后，将估计的参数用于替换用于估计的伪距离中的参数； 可以构建复合假设的拟合优度统计数据，并显示出其又具有渐近正态分布而没有未知参数。 由于这些统计数据与差异度量有关，因此可以证明这些测试总体上是一致的。 此外，由于这些统计信息的简单性，并且在拟合模型后不会产生任何额外成本，因此可以将它们视为卡方统计信息的替代统计信息，而卡方统计信息需要使用统计方法基于经验分布（EDF）选择区间和统计信息具有复杂零值分布的原始数据可能取决于所考虑的参数族，也可能取决于真实参数的向量，但EDF检验对于替代假设所指定的某些特定模型的功能可能更强大。

为了研究特殊部位、特殊风向中,薄板型结构表面风压对高斯特性的符合程度,采用拟合优度法对采样点风压时程序列进行检验分析.研究结果表明:薄板型结构顺风向情况下,迎风面大部分区域的风压属于高斯分布,但在"驻点"周围存在零散的非高斯区域,而背风面底部存在能量较高的小旋涡,因此其表面风压表现出明显的非高斯特性.横风向情况下,由于受到有组织旋涡的影响,大部分区域表现出明显的非高斯特性.拟合优度法可以直接获得判定结果,不需要人为判断,从而解决传统方法使用偏度、峰度等参数作为分辨参考依据时,无法给出确定结论的不足.

逻辑回归模型已成为研究二进制响应变量之间的关联的常用方法。 它的广泛应用取决于其易于应用和解释。 Logistic回归模型的拟合优度评估主题吸引了许多科学家和研究人员的关注。 拟合优度测试是确定拟合模型的适用性的方法。 在logistic回归模型中提出和讨论了许多评估拟合优度的方法，但是，拟合优度统计量的渐近分布研究较少，需要进行更多的研究。 这项工作将专注于评估拟合优度检验的渐近分布行为，还将进行全局拟合优度检验之间的比较，并通过仿真对其进行评估。

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。

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