针对顶板冒落带高度问题提出新的预计模型,通过搜集众多矿井的实测数据,在支持向量机理论基础上建立预计模型。采用果蝇优化算法对预计模型进行优化训练,建立FOA-SVM预计模型,利用实测数据对模型的预计结果进行检验,预计结果较为准确,比PSO-SVM模型和GA-SVM模型结果稳定性好计算精度高。

性能优化：网格简化（Mesh Simplify插件） 此插件用于网格简化，可以减少模型网格的点面数。

使用PyTorch逐步搭建神经网络代码（附逐句讲解） 逐句讲解位于本人的“使用PyTorch构建神经网络（详细步骤讲解+注释版）”系列博客中。 与经典版代码相比，优化了建模过程，提升了模型表现

反激变换器中高频变压器是核心部件，其效率直接关系到变换器的效率，因此优化设计高频变压器就成为提高效率的关键。通过对反激变压器绕组采用不同结构时所带来不同的涡流损耗和漏感进行分析，得到本文所设计绕组结构二维模型。利用有限元分析软件进行数值仿真，获得的数据证明此模型是可行的。制作出实验样机对其进行实验比较，验证了所设计的高频变压器绕组结构合理，漏感小，效率高，输出的电压的谐波含量低。

基于ML.Net部署的Yolov5-6.1 ONNX模型，应用于材料化学领域的筑基融合检测，采用C#-Winform界面部署。

Mesh Baker 3.35.0

通过绘制机器学习模型店学习曲线，找出最合适的参数，实现对模型进行优化

人工智能-短期电力负荷预测的神经网络模型优化研究及应用.pdf

这是时间序列处理器 (TSPROC) 的开发源代码树。 最初的 TSPROC 开发由 Watermark Numerical Computing 的 John Doherty 完成。它是地表水实用程序包的一部分，旨在支持使用参数估计 (PEST) 套件或程序优化模型参数。PEST 也是由 John Doherty 开发的。 构建过程总结 在源目录结构之外创建一个构建目录并更改目录。如果您已克隆此存储库，那么您应该在“build”子目录中找到几个子目录，其中包含旨在在调用 CMake 之前设置环境变量和编译选项的脚本。CMake 获取这些环境变量，解析源代码，确定依赖关系（即首先构建哪些模块），并创建一个makefile。然后用户可以调用 makefile 来触发各种模块的实际编译和链接。 更多详情、使用方法，请下载后阅读README.md文件