- 博客(19)
- 收藏
- 关注
RSS订阅
原创 2024年第五届MathorCup数学应用挑战赛大数据竞赛复赛论文
本人亲自与队友完成的论文，进入复赛但由于和亚太时间冲突，身体很累最后放弃了复赛斌没有参赛…虽然如果参加的话一等奖问题应该不大，但是分配好两场比赛的体力也很重要吧，至少亚太拿下了一等奖！2024年第五届MathorCup数学应用挑战赛——大数据竞赛 复赛(二等奖)论文。本论文仍存在一些不足之处，欢迎各位读者提出宝贵的建议和意见。考虑到文章篇幅，后续内容就不在这里展示了，文章仅供参考！未经作者许可，严禁转载或作其他用途。如果需要代码或PDF本体可以关注私信！
2025-03-27 21:46:18
399
原创 2024年第十四届APMCM亚太地区大学生数学建模竞赛 - 一等奖论文
本论文仍存在一些不足之处，欢迎各位读者提出宝贵的建议和意见。如有需要论文的完整代码或PDF版本，请关注并私信获取。考虑到文章篇幅，后续内容就不在这里展示了，文章仅供参考！ 总结这个比赛，总体比较简单，新手可以试试！本人亲自与队友完成的论文，最后获一等奖； 未经作者许可，严禁转载或作其他用途。
2025-02-01 16:17:21
353
原创 2024年第十四届APMCM亚太地区大学生数学建模竞赛（中文赛项） - 一等奖论文
2024年第十四届APMCM亚太地区大学生数学建模竞赛（中文赛项） - 一等奖论文全文
2024-11-05 14:48:26
1541
原创 考研408-数据结构完整代码 线性表的链式存储结构 - 单链表
操作时间复杂度要点头插法O(n)维护头指针尾插法O(n)维护尾指针按值查找O(n)遍历比较按序号查找O(n)计数器控制节点插入O(n)找到前驱节点修改指针节点删除O(1)需要前驱节点或特殊处理单链表适合频繁插入删除的场景，但随机访问效率较低。理解指针操作是掌握链表的关键，建议通过画图辅助理解指针变化过程。
2025-03-27 10:49:20
392
原创 数学建模_基于支持回归向量机SVR的回归预测之预测新数据+Matlab代码包教会使用,直接替换数据即可
支持向量回归（Support Vector Regression, SVR）是支持向量机（SVM）的扩展，用于解决回归问题。SVM本身是一个二分类模型，但通过适当的调整和优化，SVM也能用于回归任务。SVR的目标是找到一个最佳的回归平面，使得预测值与实际值之间的误差最小化。本文将通过一个SVR模型来预测数据，过程包括数据预处理、模型训练、预测与评估。通过这些方法，SVR能够在数据维度较高、噪声较大的情况下，提供一个具有良好泛化能力的回归模型。
2025-01-08 13:10:14
1219
1
原创 数学建模_CLAHE 图像增强Matlab代码包教会使用,直接替换数据即可
CLAHE 是一种鲁棒性强、适应性广的图像增强方法，尤其在亮度分布不均的图像中表现卓越。通过调整参数（如 Clip Limit 和分布模式），可以进一步优化增强效果。
2024-11-25 14:17:56
508
1
原创 数学建模_白平衡图像增强(批量处理)Matlab代码包教会使用,直接替换数据即可
此模型通过批量白平衡调整有效改善了图像的色彩均衡，同时自动计算质量指标，便于对增强效果进行量化评估。代码简洁高效，易于扩展和改进。
2024-11-25 14:13:07
820
原创 数学建模_基于对数和傅里叶变换的多通道图像增强模型(处理模糊)Matlab代码包教会使用,直接替换数据即可
本模型基于对数变换和傅里叶变换，结合多尺度高斯滤波和模糊度评估技术，显著提升了图像的对比度和细节表达能力。代码实现简洁且模块化，便于调整参数以适应不同场景需求。改进方向可以引入更多滤波器类型，进一步提升增强效果。针对不同场景优化参数（如高斯滤波器的尺度）。添加噪声抑制模块以处理低信噪比图像。
2024-11-25 14:07:56
1175
原创 数学建模_基于随机森林的回归预测模型Matlab代码包教会使用,直接替换数据即可
随机森林是一种鲁棒性强、性能优越的回归模型，适用于高维数据和复杂非线性关系。通过结合多个决策树的预测结果，随机森林降低了单个模型的方差，提高了整体模型的稳定性。该代码中，使用随机森林对回归任务进行了建模，并提供了预测、误差评估和特征重要性分析，展示了模型在处理回归问题时的优势和效果。调整决策树数量trees和叶子节点大小minleaf。使用并行计算加速训练过程。引入超参数优化（如交叉验证）来选择最佳模型参数。
2024-11-12 14:11:00
1783
原创 数据预处理(异常值处理与归一化)Matlab代码包教会使用,直接替换数据即可
MATLAB 代码实现了对 Excel 文件中的数据进行归一化处理，并将结果保存为新的 Excel 文件。归一化是数据预处理中常用的步骤，目的是将不同特征的取值范围标准化，消除量纲差异，从而提高后续分析或建模的效果。以下是对代码的详细讲解：文件读取：使用 函数从 Excel 文件 中读取数据，并存储在表格变量 中。数据结构： 会自动检测 Excel 文件的内容，并将其读取为 MATLAB 中的表格数据格式（table）。这种格式便于后续的数据处理和访问。2. 获取表头表头提取：通过
2024-11-08 16:09:06
1414
原创 数学建模_BP神经网络预测新数据模型(多输入单输出)回归预测模型+Matlab代码包教会使用,直接替换数据即可
数据预处理（归一化）。创建并训练BP神经网络。进行仿真预测并评估模型性能。新数据预测功能扩展。该模型能够捕捉输入特征与输出目标之间的非线性关系，并提供了良好的预测效果。这段代码实现了一个**BP神经网络（Backpropagation Neural Network）**用于回归预测任务，并包含新数据的预测功能。该模型通过多层前馈神经网络学习输入特征与目标变量之间的非线性映射关系，并使用反向传播算法优化权重和偏置。数据预处理（归一化）。创建并训练BP神经网络。进行仿真预测并评估模型性能。
2024-11-08 15:57:15
995
原创 数学建模_BP神经网络模型(多输入单输出)回归预测模型+Matlab代码包教会使用,直接替换数据即可
BP神经网络是一种前馈型神经网络，具有输入层、隐藏层和输出层。该网络通过逐层的信号传播来进行预测，并通过反向传播算法（BP算法）来更新权重和偏置，使预测误差最小化。在回归预测任务中，BP神经网络通过学习输入特征与目标变量之间的映射关系，从而实现对连续性输出的预测。数据预处理：归一化数据，确保不同量纲的特征值不影响训练。构建网络：创建一个多层前馈神经网络，设置隐藏层和输出层的激活函数。模型训练：使用训练集数据优化网络权重，通过迭代训练最小化预测误差。预测与反归一化。
2024-11-07 11:08:43
1104
原创 数学建模_BP神经网络模型(多输入多输出)回归模型+Matlab代码包教会使用,直接替换数据即可
该模型是一个标准的多层前馈神经网络（FFNN），用于回归问题。输入数据通过隐藏层的激活函数进行非线性变换，最终在输出层得到预测值。网络通过反向传播算法来调整权重和偏置，使得误差最小化。该模型适用于预测连续值，能够学习复杂的非线性关系。数据预处理：对输入特征和目标进行归一化。网络构建：使用newff创建一个具有1个隐藏层的多层前馈神经网络。训练过程：使用训练集数据训练神经网络，学习输入和输出之间的关系。仿真与预测：在训练集和测试集上进行预测，反归一化得到实际预测值。模型评估。
2024-11-06 13:23:40
3406
原创 数学建模_GMM高斯混合分布模型+Matlab代码包教会使用,直接替换数据即可
此模型利用高斯混合模型（GMM）对数据进行了聚类，找出不同类别的数据分布，并根据类别的平均值将其重新标记为低、中、高风险。通过这种方式，能够根据数据的不同特点进行分类，并为每个类别提供统计信息，帮助进一步分析和决策。在fitgmdist中修改分类数量。修改绘制直方图时颜色数组的长度和循环次数。修改打印统计信息时循环次数。通过这些修改，你可以根据需要自由调整分类的数量。
2024-11-06 12:35:53
850
原创 数学建模_多元线性回归+Matlab代码包教会使用,直接替换数据即可
该代码实现了基于多元线性回归的预测模型，并可视化了实际值与预测值之间的差异。通过对回归系数和统计信息的分析，可以进一步评估模型的准确性并调整模型。如果有新的数据或自变量，可以重新拟合模型并进行预测。
2024-11-05 21:42:39
1058
原创 数学建模_相关性分析(皮尔逊Pearson相关系数、斯皮尔曼Spearman相关系数 和 肯德尔Kendall相关系数)+Matlab代码包教会使用,直接替换数据即可
在统计学中，是一种用来度量两个变量之间关系的强度和方向的技术。对于不同的数据类型和假设，选择不同的相关性检验方法是非常重要的。常用的相关性分析方法有和。这三种方法各自有不同的假设条件和适用场景。
2024-11-05 21:10:49
1255
原创 数学建模_ARIMA模型+Matlab代码包教会使用,直接替换数据即可
（Auto-Regressive Integrated Moving Average）模型，是一种广泛应用于时间序列预测的统计学方法，特别适用于具有历史数据模式的预测问题。ARIMA 模型通过、**滑动平均(MA)**三个组成部分，来捕捉和预测时间序列数据中的规律。其核心思想是：通过分析时间序列的历史数据，建立一个能够预测未来的数学模型。
2024-11-05 20:35:02
3067
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人