随着可穿戴医疗的发展，一些研究人员更加关注可穿戴血压的估算。 通常，光电容积描记术（PPG）信号用于提取特征以进行回归分析。 然而，尽管可以在该领域中应用许多回归方法（例如，线性回归，ANN，SVR等），但是如何提高血压预测的准确性仍然是一个大问题。 本文基于模式分类，首先提出了一种血压估计方法。 与以前的回归分析相比，血压的不同范围分为不同的类别。 然后根据提取的特征将信号分类为相应的类别。 可以通过找到间隔中值来获得血压值。 实验表明，分类的思想可以实现血压预测的更高准确性。

MATLAB实现PSO-BP粒子群优化BP神经网络多特征分类预测（完整源码和数据） 数据为多特征分类数据，输入12个特征，分四类。 运行环境MATLAB2018b及以上,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。

基于多准则优化的组合预测方法，王坚强，，介绍了9个预测效果评价准则,提出了一种基于多准则优化的组合预测方法。该方法不同于传统的基于改善单个预测效果评价准则的组合预�

基于PSO-BP粒子群优化BP神经网络的数据分类预测（Matlab完整程序和数据） 基于PSO-BP粒子群优化BP神经网络的数据分类预测（Matlab完整程序和数据） 输入12个特征，分四类。

基于微博数据的用户特征分析及行为预测，付旭佳，靳浩，随着社会网络的快速发展，用户行为分析和预测成为研究的热点。研究针对微博用户的用户活跃度和能力等行为特征进行分析，提出了一

为了避免在传统模型库遴选组合过程中存在的信息不完备、组合膨胀等问题, 以人员甄选方法的基本思想
为基础, 提出了一种预测模型库的评价遴选组合方法. 在该方法中, 将遴选出所有适合本次预测问题的模型, 组成参
与模型集合; 然后, 根据每个模型的精度表现来确定对它们的能力满意度, 并由此决定它们的重要性赋权; 最后, 通过
实验表明了该方法得到的组合模型具有较好的预测效果.

matlab svr代码神经发育结果的预测 包括以下项目： Matlab 中的自定义代码，用于支持向量回归 (SVR) 分析，采用留一法来预测神经发育结果。 Script_SVR_LOOCV_analysis.m； 演示输入数据： subject_feature.mat: N 个科目 x M 个感兴趣的区域 subject_score.mat：N 个科目 x 1 Script_SVR_LOOCV_analysis.m 的预期输出： Predicted_score：预测的神经发育结果； RHO 和 MAE：分别是预测分数和实际分数之间的相关系数和平均绝对误差； feature_contribution：每个特征对神经发育结果预测的贡献。 安装指南和系统要求 脚本已在 Matlab 2015a 上通过 LIBSVM（版本 3.20 和 3.22）在 Windows 操作系统上进行了测试。 硬件要求：Matlab 脚本只需要一台具有足够 RAM 的标准计算机（推荐 8+ GB）。 软件要求：SVR 使用 LIBSVM 包实现，可从 .

基于SSA-XGBOOST麻雀算法优化XGBOOST的数据分类预测（Matlab完整程序和数据） 基于SSA-XGBOOST麻雀算法优化XGBOOST的数据分类预测（Matlab完整程序和数据） 基于SSA-XGBOOST麻雀算法优化XGBOOST的数据分类预测（Matlab完整程序和数据） 输入多个特征，分四类。

波动率预测是当前金融工具中一个有趣的具有挑战性的话题，因为它与利润直接相关。 有许多与波动性直接相关的风险和回报。 因此，预测波动性成为金融领域最可有可无的话题。 GARCH 分布在风险度量和期权定价中起着重要作用。 在本文中，动机是通过使用不同的分布模型来衡量 GARCH 技术在预测波动率方面的性能。 我们在用于预测股票实体波动性的分布模型中使用了 9 种变体。 本文观察到的不同 GARCH 分布模型有 Std、Norm、SNorm、GED、SSTD、SGED、NIG、GHYP 和 JSU。 提前 10 天预测波动率，并将值与实际值进行比较，以找出波动率预测的最佳分布模型。 从获得的结果可以看出，具有 GED 分布模型的 GARCH 优于所有模型。

Matlab实现SSA-XGBOOST麻雀算法优化XGBOOST的多特征分类预测（完整源码和数据） 数据为多特征分类预测，输入12个特征，输出四个类别。 运行环境MATLAB2018b及以上,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。