我自己研究了一套预测足球竞彩比赛结果的数学模型，经过历史回测有着较高的准确率 - 110网免费法律咨询
您的位置：
&& 查看咨询 今日活跃律师： &&&&&&&&&&
该问题已关闭
的回复获得奖章一枚
的回复获得奖章一枚
的回复获得奖章一枚
的回复获得奖章一枚
的回复获得奖章一枚
的回复获得奖章一枚
的回复获得奖章一枚
的回复获得奖章一枚
的回复获得奖章一枚
的回复获得奖章一枚
我自己研究了一套预测足球竞彩比赛结果的数学模型，经过历史回测有着较高的准确率
安徽－亳州&11-04 21:15&&悬赏 0&&发布者:ask201…… & 回答:(0)
我自己研究了一套预测足球竞彩比赛结果的数学模型，经过历史回测有着较高的准确率。我是否可以把我的模型预测结果卖给愿意购买的彩民？这样做是否违法？如果违法我又违反了哪些法律。PS:足球竞彩是国内合法的体育彩票。
您也有法律问题？ 您可以 发布咨询，我们的律师随时在线为您服务
问题答案可能在这里 →
吉安推荐律师
江西景德镇
最佳律师解答
(周六八)()&
(齐志龙)()&
(孟庆祺)()&
(张向锋)()&
(周文才)()&
最新回复律师
北京 朝阳区
人气：472145
天津 武清区
人气：52473
人气：40541
北京 海淀区
人气：99927
北京 朝阳区
人气：42054
人气：39953基于模型预测控制的足球机器人轨迹跟踪控制研究--《国防科学技术大学》2011年硕士论文
基于模型预测控制的足球机器人轨迹跟踪控制研究
【摘要】：本论文以RoboCup中型组机器人足球赛为研究背景,为提高机器人在高度对抗的比赛环境下的避障能力和进攻效率,设计了基于Bezier曲线和Voronoi图的全局路径规划算法,并以此为基础,重点研究了基于模型预测控制的全向移动机器人轨迹跟踪控制问题。
路径规划是获取中型组机器人足球赛胜利的关键技术之一,论文首先分析了目前RoboCup中型组足球机器人广泛采用的避障方案和路径规划存在的弊端以及原因,分析了基于全局世界模型的路径规划算法的合理性,综合全向视觉系统检测到的障碍物位置和场地特征点共同生成Voronoi图,通过选取合理的控制点,拟合出能够避开障碍物并且能够直接衔接射门动作的平滑路径,将获得的几何路径按照设定的参考加速度和参考速度进行轨迹化。
为获得高性能的轨迹跟踪控制方案,设计了基于模型预测控制的轨迹跟踪控制器。机器人采用基于运动学模型的分层控制方案,针对轨迹跟踪问题,根据全向移动机器人的运动学模型建立了线性化的全动态误差模型,以此为基础设计实现了基于拉盖尔函数的模型预测控制算法,使全向移动机器人在满足运动学约束的前提下,能够保证较好的跟踪动态性能的同时有效降低在线计算量。
针对基于线性化模型的模型预测控制器只能保证局部稳定性的弊端,为解决轨迹跟踪局部稳定性问题和parking问题,研究了基于非线性误差模型的非线性模型预测控制算法,通过选取合理的Lyapunov函数作为终端加权,寻找闭环系统满足约束状态及控制量约束的终端约束域,最终保证系统的渐近稳定性。
仿真实验表明本文设计的路径规划方法能够获得一条可以直接衔接射门动作的平滑避障路径,并可自由设定轨迹的加速度曲线和速度曲线。基于模型预测控制的轨迹跟踪控制方案具有良好的动态跟踪性能,采用非线性模型预测控制能够解决parking问题。
【关键词】：
【学位授予单位】：国防科学技术大学【学位级别】：硕士【学位授予年份】：2011【分类号】：TP242.62【目录】：
摘要8-9ABSTRACT9-10第一章 绪论10-20 1.1 课题研究背景和意义10-11 1.2 国内外研究现状11-15
1.2.1 路径规划11-13
1.2.2 足球机器人的运动控制13-14
1.2.3 模型预测控制14-15 1.3 足球机器人平台简介15-17
1.3.1 足球机器人硬件系统组成15-16
1.3.2 足球机器人软件框架16-17 1.4 论文的主要工作和组织结构17-20
1.4.1 论文的主要工作17-18
1.4.2 论文的组织结构18-20第二章 足球机器人路径规划20-32 2.1 足球机器人路径规划任务20-22 2.2 Bezier 曲线和Voronoi 图的理论基础22-23
2.2.1 Bezier 曲线定义和性质22-23
2.2.2 Voronoi 图定义和性质23 2.3 基于Voronoi 图和Bezier 曲线的路径规划23-27 2.4 几何路径轨迹化27-28 2.5 实验结果和分析28-31 2.6 小结31-32第三章 基于模型预测控制的全向移动机器人轨迹跟踪32-47 3.1 模型建立以及问题描述33-36
3.1.1 全向移动机器人运动学模型33-34
3.1.2 全动态误差模型的建立34-36 3.2 基于拉盖尔函数的模型预测控制器设计36-40
3.2.1 拉盖尔函数介绍36-37
3.2.2 基于拉盖尔函数的模型预测控制器设计37-40 3.3 实验结果与分析40-46 3.4 小结46-47第四章 基于非线性模型预测控制的全向移动机器人轨迹跟踪47-58 4.1 模型建立以及问题描述48-50
4.1.1 非线性动态误差模型48
4.1.2 非线性模型预测控制48-50 4.2 非线性模型预测控制器设计50-52 4.3 实验结果与分析52-57 4.4 小结57-58第五章 结论与展望58-60 5.1 结论58-59 5.2 展望59-60致谢60-61参考文献61-65作者在学期间取得的学术成果65
欢迎：、、)
支持CAJ、PDF文件格式
【参考文献】
中国期刊全文数据库
张祺,杨宜民;[J];机器人;2002年01期
张纯刚,席裕庚;[J];中国科学E辑;2001年01期
陈虹,刘志远,解小华;[J];控制与决策;2001年04期
席裕庚,张纯刚;[J];自动化学报;2002年02期
中国硕士学位论文全文数据库
海丹;[D];国防科学技术大学;2005年
季秀才;[D];国防科学技术大学;2003年
【共引文献】
中国期刊全文数据库
蒋中;[J];安徽大学学报(自然科学版);2000年02期
卢新明;郑时德;;[J];北京交通大学学报;1993年03期
候远龙;[J];兵工自动化;1998年04期
周福恩,毕效辉;[J];兵工自动化;2005年01期
王海梅;周献中;;[J];兵工学报;2006年03期
彭飞,柳重堪,张其善;[J];北京航空航天大学学报;2002年01期
靳其兵,程云娃,董倩;[J];北京化工大学学报(自然科学版);2005年05期
魏剑平,李华德,余达太;[J];北京科技大学学报;1999年06期
王修岩,葛平,王正林,孙一康,傅剑;[J];北京科技大学学报;2004年02期
刘清,黎明森;[J];船电技术;2000年05期
中国重要会议论文全文数据库
Jinwu Gao Mei Lu
Uncertainty Theory Laboratory, Department of Mathematical Sciences Tsinghua University, Beijing 100084, C[A];第二届不确定系统年会论文集[C];2004年
夏少刚;张建华;;[A];中国运筹学会第八届学术交流会论文集[C];2006年
王菁华;崔世钢;;[A];先进制造技术论坛暨第三届制造业自动化与信息化技术交流会论文集[C];2004年
张建国;;[A];第十九届电工理论学术年会论文集[C];2007年
杨翊鹏;李少远;;[A];第二十一届中国控制会议论文集[C];2002年
陈虹;;[A];第二十二届中国控制会议论文集（下）[C];2003年
杨华;李少远;;[A];第二十四届中国控制会议论文集（上册）[C];2005年
郑涛;吴刚;季海波;罗国娟;;[A];第二十四届中国控制会议论文集（上册）[C];2005年
王菁华;崔世钢;罗云林;;[A];'2008系统仿真技术及其应用学术会议论文集[C];2008年
李杰;张文栋;杨卫;;[A];中国宇航学会深空探测技术专业委员会第四届学术年会论文集[C];2007年
中国博士学位论文全文数据库
熊木地;[D];中国科学院长春光学精密机械与物理研究所;2000年
王东风;[D];华北电力大学;2001年
李江;[D];浙江大学;2001年
孙鑫;[D];浙江大学;2001年
余世明;[D];浙江大学;2001年
尹增山;[D];浙江大学;2001年
张可;[D];北京工业大学;2001年
张政江;[D];浙江大学;2001年
张天宏;[D];南京航空航天大学;2001年
李玉榕;[D];浙江大学;2001年
中国硕士学位论文全文数据库
刘海滢;[D];中南大学;2004年
于芳;[D];重庆大学;2007年
胡翠娜;[D];江西理工大学;2007年
吴臻;[D];华侨大学;2000年
吴文得;[D];华侨大学;2000年
史庆国;[D];河北工业大学;2000年
曾光;[D];广东工业大学;2000年
关钟明;[D];广东工业大学;2000年
杨明辉;[D];北京工业大学;2000年
曹楠;[D];华北电力大学;2000年
【二级参考文献】
中国期刊全文数据库
张纯刚,席裕庚;[J];中国科学E辑;2001年01期
林怡青,郑时雄;[J];机器人;2000年05期
张祺,杨宜民;[J];机器人;2002年01期
赵冬斌,易建强,邓旭玥;[J];机器人;2003年05期
邓旭玥,易建强,赵冬斌;[J];机器人;2004年01期
席裕庚,耿晓军,陈虹;[J];控制理论与应用;2000年04期
席裕庚;[J];控制理论与应用;2000年05期
贾建强,陈卫东,席裕庚;[J];上海交通大学学报;2003年S2期
刘宝坤,王慧,曹明,李光泉;[J];信息与控制;1998年05期
张翮,熊蓉,褚健,丁冠英;[J];浙江大学学报(工学版);2004年12期
【相似文献】
中国期刊全文数据库
周锐,成晓静,陈宗基;[J];控制与决策;2004年04期
王东风;[J];华北电力大学学报;2001年03期
罗云虎;[J];水雷战与舰船防护;2004年04期
罗云虎;[J];自动化技术与应用;2004年11期
张浩然,韩正之,李昌刚;[J];计算机仿真;2003年05期
吴建国,张培建;[J];控制工程;2004年S2期
孙浩，席裕庚，张钟俊;[J];上海交通大学学报;1994年04期
孙青林;林霞;陈增强;袁著祉;;[J];控制工程;2006年01期
陈本松;;[J];湖南文理学院学报(自然科学版);2007年02期
李嗣福;[J];控制理论与应用;1993年06期
中国重要会议论文全文数据库
马玉林;闫庆辉;付宜利;;[A];人才、创新与老工业基地的振兴——2004年中国机械工程学会年会论文集[C];2004年
王学先;霍伟;;[A];2002中国控制与决策学术年会论文集[C];2002年
朱磊;费敏锐;李佳骏;;[A];2004中国机器人足球比赛暨学术研讨会论文集[C];2004年
杨泽青;刘丽冰;谭志洪;刘伟玲;;[A];第二十七届中国控制会议论文集[C];2008年
周惠友;郭海英;钟廷修;;[A];第一届全国流体动力及控制工程学术会议论文集[C];2000年
段莉琼;崔铁军;雷大伟;;[A];全国测绘与地理信息技术研讨交流会专辑[C];2003年
施麟书;楼东武;;[A];2004全国测控、计量与仪器仪表学术年会论文集（下册）[C];2004年
刘杰;闫清东;;[A];逻辑学及其应用研究——第四届全国逻辑系统、智能科学与信息科学学术会议论文集[C];2008年
黄鹏;杨鹏;黄军雷;刘作军;;[A];马斯特杯2003年中国机器人大赛及研讨会论文集[C];2003年
雷兆明;孙鹤旭;刘作军;林涛;杨鹏;;[A];第二十六届中国控制会议论文集[C];2007年
中国重要报纸全文数据库
本报实习记者 张研;[N];计算机世界;2006年
苏坛;[N];电子报;2008年
苏杭;[N];电子报;2008年
曹乙帆;[N];电子资讯时报;2007年
潘志庚?李永青;[N];计算机世界;2007年
张晔;[N];科技日报;2007年
李军;[N];人民邮电;2004年
中国科学院计算技术研究所
方金云;[N];计算机世界;2005年
;[N];电脑报;2007年
;[N];江苏经济报;2007年
中国博士学位论文全文数据库
史春雪;[D];中南大学;2011年
牛磊;[D];武汉大学;2010年
辛江慧;[D];南京航空航天大学;2009年
曾静;[D];东北大学;2008年
郑毅;[D];上海交通大学;2010年
周芳;[D];哈尔滨工程大学;2010年
闫飞;[D];大连理工大学;2011年
曹江丽;[D];哈尔滨工程大学;2009年
武心安;[D];哈尔滨工程大学;2010年
李雄;[D];南京航空航天大学;2009年
中国硕士学位论文全文数据库
李魁星;[D];哈尔滨工程大学;2010年
隋玲玲;[D];复旦大学;2010年
王迎春;[D];北京邮电大学;2010年
谷燕子;[D];河南科技大学;2011年
李科迪;[D];吉林大学;2011年
王鹏;[D];沈阳工业大学;2003年
彭展;[D];中南大学;2004年
刘敏;[D];哈尔滨工业大学;2010年
杜峰;[D];哈尔滨工程大学;2010年
陈亮;[D];武汉科技大学;2010年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 知识超市公司
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备75号前言：彩票是一个坑，千万不要往里面跳。任何预测彩票的方法都不可能100%，都只能说比你盲目去买要多那么一些机会而已。
已经3个月没写博客了，因为业余时间一直在研究彩票，发现还是有很多乐趣，偶尔买买，娱乐一下。本文的目的是向大家分享一个经典的数学预测算法的思路以及代码。对于这个马尔可夫链模型，我本人以前也只是听说过，研究不深，如有错误，还请赐教，互相学习。
1.马尔可夫链预测模型介绍
马尔可夫链是一个能够用数学方法就能解释自然变化的一般规律模型，它是由著名的俄国数学家马尔科夫在1910年左右提出的。马尔科夫过程已经是现在概率论中随机过程理论的一个重要方面。经过了一百年左右的发展，马尔可夫过程已经渗透到各个领域并发挥了重要的作用，如在我们熟知的经济、通信领域，除此之外在地质灾害、医疗卫生事业、生物学等自然科学领域也发挥了非常重要的作用。
人们在对实际问题的研究中会发现随着时间的持续发展变化会产生很多现象。还有一些现象或过程可以表述如下：在&现在&是已知的情况下，这种变化过程的&未来&与&过去&是毫无联系的。也就是说这种过程的未来所出现的情况不依赖于过去的发展变化，我们就把具有上述性质的过程称之为马尔可夫过程。马尔可夫过程可以描述现实生活中的很多现象。例如，我们熟知的液体中的颗粒所做的布朗运动、在商业活动中所要研究的每天销售情况、在数字通信中的语音信号、视频信号等。马尔可夫链在其他领域的应用还有很多，如在银行的不良资产的管理、机车管理、企业管理、生态环境演变、城市用水量仿真、信息处理等科学研究和生产生活中都有广泛应用。
2.马尔可夫链的数学概念和性质
&&&&&&& 定义1：
&&& 定义2：
&&&& 上面是2个最简单的马尔可夫链的数学定义，看不懂没关系，简单解释一下：
&&&& 1.从状态k到k+1与时间k无关，也就是说这个随机过程与时间k无关，而从k到k+1状态，有一个转移概率，马尔可夫链的核心其实也就是这个转移概率；
&&&& 2.根据马尔可夫链的思想，一步转移概率Pij很容易得到，但是预测的时候，往往要根据最近K期的数据来进行，所以要计算K步转移概率；
&&&& 3.任意步的转移概率可以根据C-K方程来计算，CK方程是一种计算转移概率的基本方法，简单的算法就是：通过一步转移概率矩阵P独自相乘m次，就可以得到m步转移概率。
&&&& 4.马尔可夫链的思想，就是根据历史的数据，统计得到转移概率，然后根据滞时权重对每个状态进行预测，概率最高的是最可能出现的。
&&&& 5.对于离散型马尔可夫链序列变量，一般计算之前需要对变量进行&马氏性&检验，统计量就是卡方分布。
&&&& 6.马尔可夫链的研究还有很多其他的方面，比如状态分类，极限概率，平稳分布等等，这些太高级，没时间去搞很懂，这些对预测过程的精度是有一定影响的。
3.离散型马尔可夫链变量预测步骤
3.1 状态分类
对于离散型变量来说，首先要把目标的数据进行归类，对模型来说，一般状态都是有限的，比如说双色球，可以把16个篮球号码分为8个状态，2个一组。当然一些经济和实际生活数据的状态分类，就要根据实际情况了。
3.2 计算转移概率矩阵
转移概率矩阵是可以根据历史数据的频率f(i,j)统计得到。f(i,j)是状态i到状态j转移的次数；然后概率转移矩阵
&&&&&&&&&&&&&&&&&&& p(i,j) = f(i,j)/f(i.)& ;频数除以当前行的和值即为概率
3.3 "马氏性"检验
对于离散型的变量，需要利用历史数据进行&马氏性&检验。检验公式为：
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
&&&&然后根据显著性水平(程序中固定取0.05)&，查表求m自由度时的阀值,若 ，则满足 马氏性，可以进行下一步的预测，否则没有多大的意义。
3.4 计算自相关系数和各种步长的权重
& 若满足马氏性，就可以对下一个状态进行预测了，预测根据滞时k，有权重调整，权重W(k)是根据自相关系数R(k)计算得到的，公式如下：
&&&&&&&&&&&&
&&&&&&&&&&&
k为滞时期，我程序测试里面选的5，L是总的历史数据次数,X是历史数据序列。
3.5 计算不同滞时期的转移概率矩阵
&&&&& 根据C-K方程提供的算法，计算k步的转移概率矩阵 Pi(k) ,又一次转移概率矩阵自乘 k次得到。
3.6 预测下一个状态
下一个状态的预测概率通过相同状态的各个预测概率加权和得到，计算用到公式：
&&&&&&&&&&&&&&&&&&&&&&&
&&&&&& 最后一步的时候要注意，要根据最后k期的历史数据所在状态值和步长的权值相乘。滞时期为1的数据，是最后1期数据(最新的数据)，这个循环的时候要注意，很容易掉进坑里。
4.离散型马尔可夫链模型代码
本文使用C#实现了简单的离散型马尔可夫链模型，在验证马氏性的时候，由于需要查表求值，所以暂时固定了自由度25,显著性水平0.05，模型核心代码：
1 /// &summary&离散型马尔可夫链预测模型&/summary&
public class DiscreteMarkov
#region 属性
/// &summary&样本点状态时间序列,按照时间升序&/summary&
public List&int& StateList { get; set; }
/// &summary&状态总数,对应模型的m&/summary&
public int Count { get; set; }
/// &summary&概率转移矩阵Pij&/summary&
public List&DenseMatrix& ProbMatrix { get; set; }
/// &summary&各阶的自相关系数&/summary&
public double[] Rk { get; set; }
/// &summary&各阶的权重/summary&
public double[] Wk { get; set; }
/// &summary&频数矩阵/summary&
public int[][] CountStatic { get; set; }
/// &summary&目标序列是否满足"马氏性"/summary&
public Boolean IsMarkov { get; set; }
/// &summary&滞时期，K/summary&
public int LagPeriod { get; set; }
/// &summary&预测概率&/summary&
public double[] PredictValue { get; set; }
#endregion
#region 构造函数
public DiscreteMarkov(List&int& data, int count,int K = 5)
this.StateList =
this.LagPeriod = K;
this.Count =
this.CountStatic = StaticCount(data, count);
this.ProbMatrix = new List&DenseMatrix&();
var t0 = DenseMatrix.OfArray(StaticProbability(this.CountStatic).ConvertToArray&double&());
ProbMatrix.Add(t0);
for (int i = 1; i & K; i++) //根据CK方程，计算各步的状态转移矩阵
var temp = ProbMatrix[i - 1] * t0;
ProbMatrix.Add(temp);
if (ValidateMarkov())
CorrCoefficient();
TimeWeight();
PredictProb();
Console.WriteLine("马氏性 检验失败,无法进行下一步预测");
#endregion
#region 验证
/// &summary&验证是否满足马氏性,默认的显著性水平是0.05，自由度25&/summary&
/// &returns&&/returns&
public Boolean ValidateMarkov()
//计算列和
int[] cp1 = new int[Count];
int allcount = CountStatic.Select(n =& n.Sum()).Sum();//总数
for (int i = 0; i & C i++)
for (int j = 0; j & C j++) cp1[i] += CountStatic[j][i];
double[] cp = cp1.Select(n =& (double)n / (double)allcount).ToArray();
//计算伽马平方统计量
double gm = 0;
for (int i = 0; i & C i++)
for (int j = 0; j & C j++)
if (CountStatic[i][j] != 0)
gm += 2 * CountStatic[i][j] * Math.Abs(Math.Log(ProbMatrix[0][i,j] / cp[j], Math.E));
//查表求a = 0.05时，伽马分布的临界值F(m-1)^2,如果实际的gm值大于差别求得的值，则满足
//查表要自己做表，这里只演示0.05的情况
return gm &= 37.65;
/// &summary&计算相关系数&/summary&
public void CorrCoefficient()
double mean = (double)StateList.Sum() /(double) StateList.C//均值
double p = StateList.Select(n =& (n - mean)*(n-mean)).Sum();
Rk = new double[LagPeriod];
for (int i = 0; i & LagP i++)
double s1 = 0;
for (int L = 0; L & StateList.Count - LagP L++)
s1 += (StateList[L] - mean) * (StateList[L + i] - mean);
Rk[i] = s1 /
/// &summary&计算滞时的步长&/summary&
public void TimeWeight()
double sum = Rk.Select(n=&Math.Abs(n)).Sum();
Wk = Rk.Select(n =& Math.Abs(n) / sum).ToArray();
/// &summary&预测状态概率&/summary&
public void PredictProb()
PredictValue = new double[Count];
//这里很关键，权重和滞时的关系要颠倒，循环计算的时候要注意
//另外，要根据最近几期的出现数，确定概率的状态，必须取出最后几期的数据
//1.先取最后K期数据
var last = StateList.GetRange(StateList.Count - LagPeriod, LagPeriod);
//2.注意last数据是升序,最后一位对于的滞时期 是k =1
for (int i = 0; i & C i++)
for (int j = 0; j & LagP j++)
//滞时期j的数据状态
var state = last[last.Count - 1 - j] - 1;
PredictValue[i] += Wk[j] * ProbMatrix[j][state ,i];
#endregion
#region 静态 辅助方法
/// &summary&统计频数矩阵&/summary&
/// ¶m name="data"&升序数据&/param&
public static int[][] StaticCount(List&int& data, int statusCount)
int[][] res = new int[statusCount][];
for (int i = 0; i & statusC i++) res[i] = new int[statusCount];
for (int i = 0; i & data.Count - 1; i++) res[data[i]-1][data[i + 1]-1]++;
/// &summary&根据频数，计算转移概率矩阵&/summary&
/// ¶m name="data"&频率矩阵&/param&
public static double[][] StaticProbability(int[][] data)
double[][] res = new double[data.Length][];
for (int i = 0; i & data.L i++)
int sum = data[i].Sum();
res[i] = data[i].Select(n =& (double)n / (double)sum).ToArray();
#endregion
调用方法很简单，如下代码：这里使用的是论文文献中的数据，单个号码的随机概率为16.6%,程序预测的概率可以到25-30%的样子，应该还有调整的空间。
//历史状态数据
List&int& data = new List&int&(){
6,4,4,5,2,4,6,1,2,6,
5,6,4,4,6 , 5,3,6,5,2 , 5,3,3,4,4,
4,1,1,1,1,3,5,6,5,5,
5,5,4,6,5 , 4,1,3,1,3 , 1,3,1,2,5,
2,2,5,5,1,4,4,2,6,1,
5,4,6,3,2,
2,6,4,4,4,
4,3,1,5,3,
1,2,6,5,3,6,3,6,4,6,
2,4,4,6,3,
3,6,2,6,1,
3,2,2,6,6,
4,4,3,1,4,1,2,6,4,4,
1,2};//,6,4,3,6,2,5,5,5
var result = new DiscreteMarkov(data, 6,5);
5.实际案例
&&&&&哈哈，请关注博客，年后将根据此算法，对高频彩快3和11选5进行实证分析。因为这个过程有点复杂，不是一下子可以搞定的。
&&&& 本文的相关文字资料，公式和数据来源根据这篇文献：&马尔可夫链预测模型及一些应用&，2012.3 温海彬
&&&& 文中的矩阵相乘用到了Math.NET组件。这里下载：
&&&& 有玩高频彩(快3，11选5)的朋友，可以到群（群号：），一起交流心得。
&&&& 最后，彩票风险很大，购彩需谨慎。你的热情和推荐，是我的动力哦。
&&& 补充一下，其中有一个扩展方法，进行数组转换的，忘记贴上去了：&&&&
1 public static T[,] ConvertToArray&T&(this T[][] data)
T[,] res = new T[data.Length, data[0].Length];
for (int i = 0; i & data.L i++)
for (int j = 0; j & data[i].L j++) res[i, j] = data[i][j];
阅读(...) 评论()
