用法：[Y CovY] = Correlation_elimination( X ) 输入： X表示多元原始观测值（相关数据） 输出： Y 表示多元不相关数据 CovY 是 Y 的协方差_________________________________________ 例子： 将多元 Poisson-Weibull (X) 数据转换为新的不相关数据 (Y) %生成随机数据（使用NORTA方法） corrZ=[1 0.5;0.5 1]; Z=mvnrnd([0 0],corrZ,1000); X(:,1)=poissinv(normcdf(Z(:,1)),3); X(:,2)=wblinv(normcdf(Z(:,1)),3,2); X=X'; [Y CovY] = Correlation_elimination( X ) ____________________________

matlab开发-多变量广义双曲线分布的估计。该程序使用多周期期望条件最大化算法来估计参数。

用于多变量线性回归的测试数据集，关于多变量线性回归的代码在另一篇博客中可见

按照计划，这是 MPC 系列的第二部分。 对于处理多变量，状态空间模型是最方便的。 在这部分中，提供了一种用于设置基于状态空间模型的预测控制器的工具。 安装程序返回在线 MPC 控制器的函数句柄。 在线控制器作为嵌套函数实现，因此内部模型、内部状态、控制参数都存储在设置程序的工作区中，从而显着简化了在线控制器的界面。 包含一个 2-CSTR 示例来演示此工具的用法。 该工具还为初学者提供了一个示例，以学习如何使用嵌套函数替换持久变量。

二次动态矩阵控制于 1970 年代由壳牌石油公司开发（Cutler 和 Ramaker，1979 年），是化学工业中常用的模型预测控制公式。 提交包含一个控制器文件来执行 QDMC 算法。 一个单独的文件显示了如何在一个简单示例的闭环仿真中使用控制器。 该公式遵循Enso Ikonen在“模型预测控制和状态估计”的讲义中使用的术语。

使用VAR模型和复杂网络测度对多变量时间序列进行因果分析

MV-LSTM 多变量LSTM当前神经网络用于多变量时间序列的预测和解释 郭，田，陶林和Nino Antulov-Fantulin。 “在多变量数据上探索可解释的LSTM神经网络。” 国际机器学习会议（ICML）。 2019。 郭涛，林涛，卢Y.自回归外生模型的一种可解释的LSTM神经网络[J]。计算机应用，2006,26（5）：1175-1178 关于ICLR的研讨会专题，2018年。 可以在这里找到PyTorch的实现（贷记给KurochkinAlexey）： :

多变量 Ｈａｍｍｅｒｓｔｅｉｎ － Ｗｉｅｎｅｒ 模型的参数辨识

Multivariable feedback control : analysis and design 一书中的所有MATlab程序。是学习鲁棒控制的好材料。

Hotelling 对一个样本、两个独立样本 [同方差或异方差（待检验）] 和两个相关样本进行多变量检验。