针对矿井瓦斯涌出量影响因素复杂,数据序列波动性较大,灰色GM(1,1)预测模型精度低,本身存在一定缺陷的特点,将自记忆性原理引人灰色系统理论,建立了矿井瓦斯涌出量预测的灰色自记忆预测模型。经在韩城下峪口煤矿应用表明,该模型具有预测精度高,稳定性好的特点。

基于MATLAB的灰色模型在矿井瓦斯涌出量预测中的应用，曹爱虎，陈凯，采用灰色系统预测中的GM(1，1)模型，利用MATLAB强大的矩阵处理功能进行编程，以某矿井等时间间距的瓦斯涌出量为原始数据序列，建立矿

为了对矿井深部瓦斯涌出量进行预测,介绍了灰色线性回归组合模型的建模方法,以某煤矿相对瓦斯涌出量统计数据为实例,利用灰色线性回归组合模型对其瓦斯涌出量进行预测,通过检验得出模型的精度等级为一级。结果表明:灰色线性回归组合模型可以使传统的灰色GM(1,1)模型不含线性因素的情形得到改善,在预测矿井深部瓦斯涌出量中取得了良好的预测效果,具有一定的实用价值。

加了注释，换取数据即可使用。MATLAB实现源代码

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真

针对传统灰色模型在多原始数据、长时间尺度的负荷预测情景下预测精度差的问题，文中分析了灰色模型（Gray Model，GM）的基本原理，并提出相应的改进措施，其中包括原始数据的加权处理、选取合适的初始条件及自适应优化模型参数。并将改进灰色模型（Improved Grey Model，IGM）应用于电力负荷预测。通过算例分析结果表明，无论在短期负荷预测还是在中长期负荷预测的情景下，所提出基于改进灰色模型的电力负荷预测方法相比于传统灰色模型，均具有更高的预测准确性，能够为电力系统的安全、稳定运行以及合理的规划提供重要支撑。

灰尘模型matlab原代码深度图像去模糊的尺度循环网络 by , 高红云, , , . () 我们在真实数据上的结果 测试数据集的结果 更多关于以前论文真实照片的案例： 先决条件 Python2.7 西比 Scikit-image 麻木的 Tensorflow 1.4 with NVIDIA GPU or CPU（cpu 测试很慢） 安装 将此项目克隆到您的机器上。 git clone https://github.com/jiangsutx/SRN-Deblur.git cd SRN-Deblur 测试 通过以下方式下载预训练模型： checkpoints/ download_model.sh 。 要测试文件夹中的模糊图像，只需使用参数--input_path=并将输出保存到--output_path=

。 例如： python run_model.py --input_path=./testing_set --output_path=./testing_res --gpu=0 如果您有 GPU，请包含--gpu参数，并将您的

灰色模型农产品冷链物流需求预测

选用最佳样本长度确定灰色模型，并进行滚动预测

灰尘模型matlab原代码MNIST-Matlab 使用用 Matlab 编写的卷积神经网络实时识别数字的程序。 loadMNISTImages.m , loadMNISTLabels.m是用于加载训练集和测试集（ubyte 文件）的图像和标签的函数 每个数字的图像使用相机拍摄并保存为“jpg”文件，并与 m 文件放在同一文件夹中。 将图像读入控制台，并使用在网络上训练的分类（）函数对实际手写数字进行分类。 有一个名为process.m的函数与该程序相关联。 它能够读取图像并对其进行处理，以便原始图像具有与模型训练所使用的 MNIST 数据集相同的格式。 主要代码在Project6.m 中。 首先，将原始图像转换为灰度，然后使用“最大连通分量”从冗余背景中裁剪数字，将图像周围的区域框起来，然后像 MNIST 数据集一样将其调整为 28x28。 从这里，模型可以对数字进行分类。