提出了一种相空间重构与贝叶斯框架下的LS-SVM预测矿井涌水量的方法,矿井涌水量具有混沌特征,利用相空间重构,找出矿井涌水量时间序列隐藏的演化规律,作为输入参量,将贝叶斯证据框架理论用于最小二乘支持向量机模型参数的优选,运用LS-SVM将非线性问题转化为高维特征空间的线性问题进行求解。利用典型的Lorenz生成的时间序列进行仿真,选择2004年8月-2005年2月的矿井涌水量数据进行验证,结果表明该方法可行并具有较高的精度。

研究包含稳态目标计算(Steady-state target calculation,SSTC)层和动态控制层的双层结构预测控制(Model predictive control,MPC)及其实现方法.我们将已有的辨识、优化和控制方案适当地组合并软件化.通过在多优先级稳态目标计算中引入新的变量,给出了稳态目标计算的统一表达方法,每个优先级的优化问题或是跟踪外部目标,或是放松软约束.通过仿真算例和应用实例相结合的方式验证了软件功能.

智能农业系统 该项目旨在使用土壤，气候和温度，使用多元线性回归（以python，flask为后端，以HTML，CSS，JS为前端）进行线性预测来预测最佳可种植作物

预测芝加哥市蚊子中的西尼罗河病毒 12th 训练从这里分叉的简单随机森林基准 创建虚拟提交以探索公共/私人排行榜使用多行功能并根据 LB 反馈得出整体权重。

使用Python实现模糊神经网络（FNN）用于数据预测，压缩包中源码FNN.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隶属度函数中心点、宽度向量、权值等参数。

提出了一种新型光伏逆变器拓扑结构，其由罗氏升压电路、三相四开关逆变单元组成，可以有效提高光伏发电效率、降低光伏系统成本。针对该结构逆变器提出了一种新型前馈功率预测控制策略，其通过将自然环境分区后排列，然后逐一对其历史光伏最大功率进行寻优，从而确定相应的前馈功率预测值。该方法具有计算量小、运算速度快、实现简单、控制精度高、可靠性强的显著优点，可以省去传统逆变器控制的直流侧电压闭环，由逆变器本身完成光伏阵列的最大功率点跟踪功能，从而提高系统响应速度与可靠性。仿真与实验结果均验证了所提结构和控制方法的可行性及优越性。

用各种机器学习算法预测上海房价，从链家网爬取的上海市各二手房数据进行训练，非线性决策树优于线性回归优于神经网络 摘要: 本文主要分析影响房价的因素，数据来源为链家网，机器学习模型的使用中，采用了三种线性模型，一种非线性模型，最后得出的结论是房子的大小，房子的位置，房子的建造年份以及房子的高度对房价影响较大。 问题描述 现在房价居高不下，特别是上海等一线城市，房价更是高的离谱，那么在决定一个房子的价格中，哪些因素占了主要的地位，如何让想买房的人快速获取大概的房价信息。那么本文介绍的就是如何用机器学习去训练上海房价信息并生成模型然后进行分析的过程。 数据收集及处理 数据源选择 经过在网上对几个房价信息网的比较，

【预测模型】基于蚱蜢算法优化支持向量机实现预测分类模型matlab源码.md

在本文中，解决了四旋翼传递未知时变有效载荷的鲁棒控制问题。 首先，建立了带有有效载荷的四旋翼飞行器模型。 有效载荷的动力学被视为干扰，并被添加到四旋翼模型中。 其次，为了增强系统的鲁棒性，使用扩展状态观察器（ESO）估计来自有效载荷的干扰，以进行反馈补偿。 然后，开发了一种针对多输入多输出（MIMO）系统的预测控制器，以降低由有效载荷的加载/丢失引起的突然变化所造成的影响。 最后，通过与传统的级联比例积分微分（CPID）方法和滑模控制（SMC）方法进行比较，验证了所开发方案的优越性。 仿真结果表明，CPID方法即使在姿态控制上也能达到满意的效果，但在姿态稳定方面却表现不佳，而SMC则表现出输入颤动现象。

LSTM是关于遗传算法优化lstm算法的层数和全连接层数及每层神经元的个数 本文的主要内容如下： 1.本文章是对lstm网络的优化，优化的参数主要有：lstm层的层数，lstm隐藏层的神经元个数，dense层的层数，dense层的神经元个数 2.本文章利用的是遗传算法进行优化，其中编码形式并未采用2进制编码，只是将2数组之间的元素交换位置。 3.本文的lstm和dense的层数都在1-3的范围内，因为3层的网络足以拟合非线性数据 4.程序主要分为2部分，第一部分是lstm网络的设计，第二部分是遗传算法的优化。 # 这里将生成一个8维的2进制数，并转换层成bool类型，true表示该位置交叉，False表示不交叉 cross_points = np.random.randint(0, 2, size=DNA_size_max).astype(np.bool) # 用True、False表示是否置换 # 这一部分主要是对针对不做变异的部分 for i, point in