PID搜索算法，代码完整，可直接运行，适合2018及以上
PID搜索算法，代码完整，可直接运行，适合2018及以上
PID搜索算法，代码完整，可直接运行，适合2018及以上
PID搜索算法，代码完整，可直接运行，适合2018及以上
PID搜索算法，代码完整，可直接运行，适合2018及以上
PID搜索算法，代码完整，可直接运行，适合2018及以上
飞蛾扑火(MFO)算法，代码完整，可直接运行，适合2018及以上
飞蛾扑火(MFO)算法，代码完整，可直接运行，适合2018及以上
飞蛾扑火(MFO)算法，代码完整，可直接运行，适合2018及以上
飞蛾扑火(MFO)算法，代码完整，可直接运行，适合2018及以上
飞蛾扑火(MFO)算法，代码完整，可直接运行，适合2018及以上
TROA霸王龙算法，代码完整，可直接运行，适合2018及以上
TROA霸王龙算法，代码完整，可直接运行，适合2018及以上
TROA霸王龙算法，代码完整，可直接运行，适合2018及以上
TROA霸王龙算法，代码完整，可直接运行，适合2018及以上
TROA霸王龙算法，代码完整，可直接运行，适合2018及以上
Python实现基于Stacked-LSTM的股票预测模型（keras），可预测未来，完整源码
Python实现基于Stacked-LSTM的股票预测模型（keras），可预测未来，完整源码
Python实现基于Stacked-LSTM的股票预测模型（keras），可预测未来，完整源码
Python实现基于Stacked-LSTM的股票预测模型（keras），可预测未来，完整源码
Python实现基于Stacked-LSTM的股票预测模型（keras），可预测未来，完整源码
Maltab实现CNN卷积神经网络故障诊断（代码完整，可直接运行，适合2018及以上）
Maltab实现CNN卷积神经网络故障诊断（代码完整，可直接运行，适合2018及以上）
卷积神经网络（convolutional neural network）是具有局部连接、权重共享等特性的深层前馈神经网络，最早主要是用来处理图像信息。
相比于全连接前馈神经网络，卷积神经网络有三个结构上的特性：局部连接、权重共享以及汇聚，这些特性使得卷积神经网络具有很好的特征提取能力，且参数更少。
利用各种检查和测试方法，发现系统和设备是否存在故障的过程是故障检测；而进一步确定故障所在大致部位的过程是故障定位。故障检测和故障定位同属网络生存性范畴。要求把故障定位到实施修理时可更换的产品层次（可更换单位）的过程称为故障隔离。故障诊断就是指故障检测和故障隔离的过程。
Matlab实现鲸鱼优化算法(Whale Optimization Algorithm)（内含完整源码）
Matlab实现鲸鱼优化算法(Whale Optimization Algorithm)（内含完整源码）
步骤 1：设置鲸鱼数量 N 和算法的最大迭代次数 tmax，初始化位置信息；
步骤 2：计算每条鲸鱼的适应度，找到当前最优鲸鱼的位置并保留；
步骤 3：计算参数 a、p 和系数向量 A、C。判断概率 p 是否小于 50%，是则直接转入步骤 4，否则采用气泡网捕食机制:按式(2-1)进行位置更新；
步骤 4：判断系数向量 A 的绝对值是否小于 1，是则包围猎物：按式（1-2）更新位置；否则全局随机搜索猎物：按式（3-1）更新位置；
步骤 5：位置更新结束，计算每条鲸鱼的适应度，并与先前保留的最优鲸鱼的位置比较，若优于，则利用新的最优解替换;
步骤 6：判断当前计算是否达到最大迭代次数，如果是，则获得最优解，计算结束，否则进入下一次迭代，并返回步骤 3。
Matlab传染病学模型(Epidemic Models)
Matlab传染病学模型(Epidemic Models：SI, SIS, SIR, SIRS, SEIR, SEIRS)
使用AFO算法以及GA和PSO算法求解不确定多式联运路径优化问题（Matlab）
使用AFO算法以及其他GA和PSO算法求解不确定多式联运路径优化问题。同时和MATLAB自带的全局优化搜索器进行对比。
直接运行main.m
需要matlab2021及以后版本。
考虑不确定性的模糊多式联运路径优化研究，可以在满足运输方案经济环保双重要求的同时，增强运输 方案的鲁棒性，提高企业的抗风险能力。本文建立了模糊需求和模糊运输时间下低碳低成本多式联运路径优化模 型，针对连续型元启发式算法无法直接求解离散型组合优化模型的问题，设计了基于优先级的通用编码方式；在 此基础上，为进一步提高算法的求解质量，提出了带启发式因子的特殊解码方式。
高斯过程回归工具箱（Matlab）
高斯过程回归工具箱（Matlab）
高斯过程回归工具箱（Matlab）
高斯过程回归工具箱（Matlab）
基于熵权法的综合评价算法（Matlab）
Matlab实现基于熵权法的综合评价算法
信息量：信息量是度量弄清楚一个未知事物需要查询的信息的多少，单位是比特。随机变量取某个值时，其概率倒数的对数就是信息量。通俗的说就是，事物所含信息量与其发生的概率负相关。一件事物出现的概率决定了它的不确定性大小，也就决定了所含信息量的大小。出现的概率越大，不确定性越小，所含信息量也就越小。
信息熵：信息熵也就是信息量的期望。可以把信息熵理解成不确定性的大小，不确定性越大，信息熵也就越大。
熵最先由香农引入信息论，目前已经在工程技术、社会经济等领域得到了非常广泛的应用。熵权法的基本思路是根据指标变异性的大小来确定客观权重。
一般来说，若某个指标的信息熵越小，表明指标值得变异程度越大，提供的信息量越多，在综合评价中所能起到的作用也越大，其权重也就越大。相反，某个指标的信息熵越大，表明指标值得变异程度越小，提供的信息量也越少，在综合评价中所起到的作用也越小，其权重也就越小。
贝叶斯突变点检测与时间序列分解（Matlab）
贝叶斯突变点检测与时间序列分解（Matlab）
贝叶斯突变点检测与时间序列分解（Matlab）
贝叶斯突变点检测与时间序列分解（Matlab）
AHP层次分析法数据评价算法（Matlab）
AHP层次分析法数据评价算法（Matlab）
AHP层次分析法数据评价算法（Matlab）
AHP层次分析法数据评价算法（Matlab）
Python实现基于MLR多元线性回归的碳排放预测模型（预测未来发展趋势）
Python实现基于MLR多元线性回归的碳排放预测模型（预测未来发展趋势）
蚁群算法求解TSP问题matlab代码
蚁群算法求解TSP问题matlab代码
蚁群算法求解TSP问题matlab代码
基于遗传算法的Bp神经网络优化算法代码matlab代码
基于遗传算法的Bp神经网络优化算法代码matlab代码
基于遗传算法的Bp神经网络优化算法代码matlab代码
基于遗传算法的Bp神经网络优化算法代码matlab代码
SARIMA-LSTM混合模型预测时间序列（Python）
SARIMA-LSTM混合模型预测时间序列（Python）
SARIMA-LSTM混合模型预测时间序列（Python）
SARIMA-LSTM混合模型预测时间序列（Python）
高速公路ETC入深圳数据
高速公路ETC入深圳数据
基于CA元胞自动机的城市城镇用地变化的预测（Matlab）
基于CA元胞自动机的城市城镇用地变化的预测（Matlab）
基于CA元胞自动机的城市城镇用地变化的预测（Matlab）
基于CA元胞自动机的城市城镇用地变化的预测（Matlab）
基于元胞自动机的QCA电路的一般哈密顿量（Matlab）
本项目重点解决两种QCA电路的一般哈密顿量。 一般哈密尔顿考虑了所有单元与驱动程序之间的相互作用、所有单元之间的相互作用以及所有单元与环境之间的相互作用。
基于元胞自动机模拟地区未来的城市增长（Matlab）
建模和仿真——开发了一个基于元胞自动机的模型，用于模拟一个地区（艾哈迈达巴德区）未来的城市增长，并强调自发增长的条件，例如内城再生和边缘城市位置的特征， 可以建模。
TCN -GRU多特征风速气候预测，Pytorch完整源码
TCN -GRU多特征风速气候预测，Pytorch完整源码
CNN-GRU并行预测模型(单变量)风速气候预测，Pytorch完整源码
CNN-GRU并行预测模型(单变量)风速气候预测，Pytorch完整源码
CNN-LSTM-Attention多特征风速气候预测，Pytorch完整源码
CNN-LSTM-Attention多特征风速气候预测，Pytorch完整源码
CNN-Transformer多特征风速气候预测，Pytorch完整源码
CNN-Transformer多特征风速气候预测，Pytorch完整源码
CNN-LSTM多特征风速气候预测，Pytorch完整源码
CNN-LSTM多特征风速气候预测，Pytorch完整源码
CNN-LSTM多特征风速预测通过空间特征提取（CNN）+ 时间依赖建模（LSTM）+ 多源气象融合，显著提升预测精度。其核心在于：
CEEMDAN-CNN-Transformer多特征风速气候预测，Pytorch完整源码
CEEMDAN-CNN-Transformer多特征风速气候预测，Pytorch完整源码
该模型采用三级架构设计：
CEEMDAN分解层：对非平稳风速序列进行自适应分解
多模态特征融合模块：整合气象因子与IMF分量
混合预测网络：CNN-Transformer时序建模
多目标粒子群优化(MOPSO)算法在水下机器人(AUV)路径规划
多目标粒子群优化(MOPSO)算法在水下机器人(AUV)路径规划
CEEMDAN-CNN-LSTM多特征风速气候预测，Pytorch完整源码
CEEMDAN-CNN-LSTM多特征风速气候预测，Pytorch完整源码
该模型采用三级架构设计：
CEEMDAN分解层：对非平稳风速序列进行自适应分解
多模态特征融合模块：整合气象因子与IMF分量
混合预测网络：CNN+LSTM时序建模
CEEMDAN-Transformer-BiLSTM多特征风速气候预测，Pytorch完整源码
CEEMDAN-Transformer-BiLSTM多特征风速气候预测，Pytorch完整源码
该模型采用三级架构设计：
CEEMDAN分解层：对非平稳风速序列进行自适应分解
多模态特征融合模块：整合气象因子与IMF分量
混合预测网络：Transformer编码器+BiLSTM时序建模
GA-Kmeans-Transformer-GRU时序聚类+状态识别组合模型，创新发文无忧！
GA-Kmeans-Transformer-GRU时序聚类+状态识别组合模型，创新发文无忧！
GA-Kmeans-Transformer-GRU时序聚类+状态识别组合模型，创新发文无忧！
GA-Kmeans-Transformer-GRU时序聚类+状态识别组合模型，创新发文无忧！
GA-Kmeans-Transformer-GRU时序聚类+状态识别组合模型，创新发文无忧！
碳排放预测模型（使用随机森林算法进行预测分析 k-最近邻算法 决策树学习算法 多层感知器）（Python完整源码和数据）
概述 工业化和人类排放二氧化碳是气候变化的主要驱动因素。 项目目标：分析国家在设计用于预测和预测 CO2 排放的机器学习模型时的特定记录，利用来自全球绝大多数国家的记录，包括：来自不同来源的煤炭的年产量，如煤炭和水泥人口 经济指标 - 来自 GDP 的排放 石油等 使用 1990-2020 年的近期记录 该项目分为四个阶段： 数据清理和准备 数据可视化和探索 使用随机森林算法进行预测分析 k-最近邻算法 决策树学习算法 多层感知器（神经网络模型） Forcast 分析。
5种模型光伏模型参数估计，完整模型，数据齐全
5种模型光伏模型参数估计,自由一键切换，12种指标全覆盖，适用所有群优化算法-matlab代码。
以哈里斯鹰优化算法HHO、灰狼优化算法GWO、蜣螂优化算法DBO为例。
本期包括了5种光伏模型:
1. Single diode model单二极管模型
2.Double diode model双二极管模型
3.Three diode model三二极管模型
4.Four diode model四二极管模型
5.Photovoltaic module model光伏组件模型
质子交换膜燃料电池(PEMFC Simulink模型)
质子交换膜燃料电池(PEMFC Simulink模型)
包括静态模型和动态模型(两个独立模型)
可计算输出电压、输出功率、效率、产热量、产水量、氢氧消耗速率等!
质子交换膜燃料电池(PEMFC Simulink模型)
包括静态模型和动态模型(两个独立模型)
可计算输出电压、输出功率、效率、产热量、产水量、氢氧消耗速率等!
质子交换膜燃料电池(PEMFC Simulink模型)
包括静态模型和动态模型(两个独立模型)
可计算输出电压、输出功率、效率、产热量、产水量、氢氧消耗速率等!
BiGRU多输入单输出单步时间序列预测，Maltab2023及以上，直接运行
BiGRU多输入单输出单步时间序列预测，Maltab2023及以上，直接运行
包含完整源码和数据。
包含MAE\MAPE\MSE\RMSE\R2多指标评价。
BiGRU多输入单输出单步时间序列预测，Maltab2023及以上，直接运行
包含完整源码和数据。
包含MAE\MAPE\MSE\RMSE\R2多指标评价。
BiGRU多输入单输出单步时间序列预测，Maltab2023及以上，直接运行
包含完整源码和数据。
包含MAE\MAPE\MSE\RMSE\R2多指标评价。
BiGRU多输入单输出单步时间序列预测，Maltab2023及以上，直接运行
包含完整源码和数据。
包含MAE\MAPE\MSE\RMSE\R2多指标评价。
基于GAN的股票价格预测，Python
在这个项目中，我们将比较两种股票预测算法。 首先，我们将利用长短期记忆（LSTM）网络进行股市预测。 LSTM 是一种强大的方法，能够学习序列预测问题中的顺序依赖性。 此外，我们将利用生成对抗网络（GAN）来进行预测。 LSTM 将用作生成器，CNN 将用作判别器。 此外，该项目还将使用自然语言处理（NLP）来分析新闻对股票价格的影响。
在这个项目中，我们将比较两种股票预测算法。 首先，我们将利用长短期记忆（LSTM）网络进行股市预测。 LSTM 是一种强大的方法，能够学习序列预测问题中的顺序依赖性。 此外，我们将利用生成对抗网络（GAN）来进行预测。 LSTM 将用作生成器，CNN 将用作判别器。 此外，该项目还将使用自然语言处理（NLP）来分析新闻对股票价格的影响。
在这个项目中，我们将比较两种股票预测算法。 首先，我们将利用长短期记忆（LSTM）网络进行股市预测。 LSTM 是一种强大的方法，能够学习序列预测问题中的顺序依赖性。 此外，我们将利用生成对抗网络（GAN）来进行预测。 LSTM 将用作生成器，CNN 将用作判别器。 此外，该项目还将使用自然语言处理（NLP）来分析新闻
使用BP神经网络和LSTM预测股票价格，Python
使用BP神经网络和LSTM预测股票价格，Python
使用BP神经网络和LSTM预测股票价格，Python
使用BP神经网络和LSTM预测股票价格，Python使用BP神经网络和LSTM预测股票价格，Python使用BP神经网络和LSTM预测股票价格，Python
使用BP神经网络和LSTM预测股票价格，Python
使用BP神经网络和LSTM预测股票价格，Python
使用BP神经网络和LSTM预测股票价格，Python
使用BP神经网络和LSTM预测股票价格，Python
BiTCN单输入单步时间序列预测，Maltab2023及以上，直接运行
BiTCN单输入单步时间序列预测，Maltab2023及以上，直接运行
包含完整源码和数据。
包含MAE\MAPE\MSE\RMSE\R2多指标评价。
BiTCN单输入单步时间序列预测，Maltab2023及以上，直接运行
包含完整源码和数据。
包含MAE\MAPE\MSE\RMSE\R2多指标评价。
BiTCN单输入单步时间序列预测，Maltab2023及以上，直接运行
包含完整源码和数据。
包含MAE\MAPE\MSE\RMSE\R2多指标评价。
BiTCN单输入单步时间序列预测，Maltab2023及以上，直接运行
包含完整源码和数据。
包含MAE\MAPE\MSE\RMSE\R2多指标评价。
BiLSTM-Adaboost单输入单步时间序列预测，Maltab2021及以上，直接运行
BiLSTM-Adaboost单输入单步时间序列预测，Maltab2021及以上，直接运行
包含完整源码和数据。
BiLSTM-Adaboost单输入单步时间序列预测，Maltab2021及以上，直接运行
包含完整源码和数据。
BiLSTM-Adaboost单输入单步时间序列预测，Maltab2021及以上，直接运行
包含完整源码和数据。
BiLSTM-Adaboost单输入单步时间序列预测，Maltab2021及以上，直接运行
包含完整源码和数据。
BiLSTM-Adaboost单输入单步时间序列预测，Maltab2021及以上，直接运行
包含完整源码和数据。
BiLSTM单输入单步时间序列预测，Maltab2021及以上，直接运行
BiLSTM单输入单步时间序列预测，Maltab2021及以上，直接运行
包含完整源码和数据。
BiLSTM单输入单步时间序列预测，Maltab2021及以上，直接运行
包含完整源码和数据。
BiLSTM单输入单步时间序列预测，Maltab2021及以上，直接运行
包含完整源码和数据。
BiLSTM单输入单步时间序列预测，Maltab2021及以上，直接运行
包含完整源码和数据。
BiGRU单输入单步时间序列预测，Maltab2021及以上，直接运行
BiGRU单输入单步时间序列预测，Maltab2021及以上，直接运行
包含完整源码和数据。
BiGRU单输入单步时间序列预测，Maltab2021及以上，直接运行
包含完整源码和数据。
BiGRU单输入单步时间序列预测，Maltab2021及以上，直接运行
包含完整源码和数据。
BiGRU单输入单步时间序列预测，Maltab2021及以上，直接运行
包含完整源码和数据。
BiGRU单输入单步时间序列预测，Maltab2021及以上，直接运行
包含完整源码和数据。
RSS订阅
823
1