模型保真度预测估计 (PEMF) 是一种独立于模型的方法，用于衡量替代模型或元模型的保真度，例如克里金法、径向基函数 (RBF)、支持向量回归 (SVR) 和神经网络。 它可以被视为 K 折交叉验证的一种新颖的顺序和预测实现。 PEMF 将模型训练器（例如 RBF-multiquadric 或 Kriging-Linear）、用于训练模型的样本数据和应用于模型的超参数值（例如 RBF 中的形状因子）作为输入。 作为输出，它提供了代理模型中中值和/或最大误差的预测估计值。 据报道，在提供替代模型误差度量（针对各种基准函数）方面，PEMF 比典型的留一法交叉验证更准确和稳健。 当前版本的 PEMF 已经实现了 RBF（包含在这个包中）、克里金法（DACE 包）和 SVR（Libsvm 包）， PEMF（已经和）可以很容易地用于以下目的： 1. 代理模型验证2.代理模型不确定性分析3. 代理模型

java实现多文件上传，验证文件大小，文件类型