本主题提供了根据中国大学生数学建模竞赛（国赛）整理的一系列数学建模资料。这些论文按照模型分类进行组织，涉及优化、统计、模拟、预测等多种方法和技巧。这些资料旨在帮助参赛者在竞赛中更好地应用各种模型，以提升竞赛成绩。 这些资料适用于参加数学建模竞赛的大学生和指导教师，以及对数学建模感兴趣的学习者。通过阅读这些论文，学生可以深入了解各种模型的应用和实现方法，指导教师可以利用这些论文为学生提供案例分析和指导，帮助他们更好地理解和应用各种数学模型。此外，这些资料也适用于数学建模课程学习，以便学生结合实际案例来深入理解和掌握各种数学建模方法和技巧。 总之，本主题旨在为数学建模的学习者和实践者提供一份全面、分类清晰的参考资源，帮助他们更好地掌握和应用各种数学模型，提升数学建模的能力和水平。

使用基于高斯混合模型的机器学习对 2 类和 3 类问题进行一维矩阵分类。 它还包含一个基于矩阵的 AND 门示例和大小为 12 和 3 的输入样本

BIM模型信息与分类编码标准，是应用建筑全生命周期管理。

使用基于隐马尔可夫模型的机器学习对 3 类问题进行一维矩阵分类。 它还包含一个基于矩阵的示例，输入样本的大小为 15 和 3 个特征 https://www.cs.ubc.ca/~murphyk/Software/HMM/hmm.html https://www.cs.ubc.ca/~murphyk/Software/HMM.zip 需要工具箱Matlab 的隐马尔可夫模型 (HMM) 工具箱由凯文墨菲撰写，1998 年。 最后更新：2005 年 6 月 8 日。 在 MIT 许可下分发 该工具箱支持对具有离散输出 (dhmm's)、高斯输出 (ghmm's) 或高斯输出混合 (mhmm's) 的 HMM 进行推理和学习。 高斯分布可以是完整的、对角线的或球面的（各向同性的）。 它还支持离散输入，如 POMDP。 推理例程支持过滤、平滑和固定滞后平滑。

压缩包包含数学建模美赛O奖论文，论文按模型分类，一共包括常用的26个模型，想获M奖以上的同学可以好好研究这些模型。

线性模型1. 用于二分类的线性模型2. 用于多分类的线性模型 线性模型也同样应用于分类问题。 1. 用于二分类的线性模型 首先我们看一下二分类，预测公式： 这个公式上一篇博文里面的线性回归公式非常相似，但是我们没有返回特征的加权求和，而是为预测设置了阈值（0）。如果函数值小于0，我们就预测类别-1；若函数值大于0，我们就预测类别+1。 最常见的两种线性分类算法是Logistic回归和线性支持向量机（线性SVM） 在这里我们将两个模型应用在forge数据集上，并将线性模型找到的决策边界可视化。 运行代码如下： from sklearn.linear_model import LogisticR

湍流模型的分类和介绍。包括Spalart-Allmaras模型，适用于航空领域外部流场模拟，标准k-ε模型

回归模型分类（线性回归、自回归、面板回归）

O奖论文。按照模型分类，共一百多篇优秀论文。包含BP神经网络模型、层次分析法、PSR模型、差分方程、排队论、TOPSIS模型、目标规划类、遗传算法等模型。

基于语义的拉普拉斯特征图方法在3D模型分类与检索中的应用