误差分析计算公式及matlab代码实现（均方误差MSE，平均绝对误差MAE，平均绝对百分比误差MAPE，均方百分比误差MSPE，均方根误差RMSE，残差平方和SSE）

使用emd进行回归预测的代码，使用方法结单，只需输入训练集和测试集就可以进行emd预测了，预测的结果会保存在相应的.mat文件里，详细操作请看代码里的操作说明。
资源里有demo，guidence.m文件里有调用实例，直接复制到commandwindows里运行就可以了，简单易懂，汉语注释说明等。
运行结果会直接输出测试集的MAE,RMSE,MAPE,DISTAT这几个统计量

著名的Netflix智能推荐百万美金大奖赛使用是数据集.因为竞赛关闭,Netflix官网上已无法下载.Netflixprovidedatrainingdatasetof100,480,507ratingsthat480,189usersgaveto17,770movies.Eachtrainingratingisaquadrupletoftheform.TheuserandmoviefieldsareintegerIDs,whilegradesarefrom1to5(integral)stars.[3]Thequalifyingdatasetcontainsover2,817,131tripletsoftheform,withgradesknownonlytothejury.Aparticipatingteam'salgorithmmustpredictgradesontheentirequalifyingset,buttheyareonlyinformedofthescoreforhalfofthedata,thequizsetof1,408,342ratings.Theotherhalfisthetestsetof1,408,789,andperformanceonthisisusedbythejurytodeterminepotentialprizewinners.Onlythejudgesknowwhichratingsareinthequizset,andwhichareinthetestset—thisarrangementisintendedtomakeitdifficulttohillclimbonthetestset.Submittedpredictionsarescoredagainstthetruegradesintermsofrootmeansquarederror(RMSE),andthegoalistoreducethiserrorasmuchaspossible.Notethatwhiletheactualgradesareintegersintherange1to5,submittedpredictionsneednotbe.Netflixalsoidentifiedaprobesubsetof1,408,395ratingswithinthetrainingdataset.Theprobe,quiz,andtestdatasetswerechosentohavesimilarstatisticalproperties.Insummary,thedatausedintheNetflixPrizelooksasfollows:Trainingset(99,072,112ratingsnotincludingtheprobeset,100,480,507includingtheprobeset)Probeset(1,408,395ratings)Qualifyingset(2,817,131ratings)consistingof:Testset(1,408,789ratings),usedtodeterminewinnersQuizset(1,408,342ratings),usedtocalculateleaderboardscoresForeachmovie,titleandyearofreleaseareprovidedinaseparatedataset.Noinformationatallisprovidedaboutusers.Inordertoprotecttheprivacyofcustomers,"someoftheratingdataforsomecustomersinthetrainingandqualifyin

fori=1:popcountpop(i,:)=rand(1,9);%初始化粒子位置V(i,:)=rand(1,9);%初始化粒子速度%计算粒子适应度值Center=pop(i,1:3);SP=pop(i,4:6);W=pop(i,7:9);Distance=dist(Center',SamIn);SPMat=repmat(SP',1,SamNum);%repmat具体作用UnitOut=radbas(Distance./SPMat);NetOut=W*UnitOut;%网络输出Error=SamOut-NetOut;%网络误差%SSE=sumsqr(Error);%fitness(i)=SSE;RMSE=sqrt(sumsqr(Error)/SamNum);fitness(i)=RMSE;%fitness(i)=fun(pop(i,:));end

关于elm进行回归预测的分析，使用方法很简单，只需输入训练集和测试集就可以进行elm预测了，预测的结果会保存在相应的.mat文件里，详细操作请看代码里的操作说明。
资源里有调用函数ELM.m，执行函数guidence.m文件，作为调用实例，直接运行就可以了，简单易懂，汉语正文说明等。
运行结果会直接输出测试集的MAE,RMSE,MAPE,DISTAT这几个统计量

用MATLAB编写，4个基站的基于TDOA的Chan-Taylor混合加权算法定位。
最普通的Chan-Taylor算法，将Chan算法计算出来的估计值作为Taylor级数展开法的迭代初始值带入，之后合理设置Chan算法和Taylor级数展开法的加权系数来提高精度。
采取循环采样5000次，基站位置，标签节点位置，系统噪声标准差都已经预设置好，可以根据要求本人修改。
本代码使用的衡量指标是累积分布函数CDF，也可以本人改成均方误差RMSE。
下载后可以直接运行。
可以用于TDOA定位算法的改进或者比较或者UWB定位都可以。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。