多元统计：聚类分析.ppt

多元统计：第九章 主成分分析.ppt

多元时间序列 (MTS) 数据集广泛存在于众多领域，包括医疗保健、多媒体、金融和生物识别。 由于MTS是许多计算机视觉和模式识别应用中的重要元素，因此如何准确地对MTS进行分类已成为研究的热点。 在代码中，我们为 MTS 分类提出了基于马氏距离的动态时间规整 (MDDTW) 度量。 Mahalanobis 距离在每个变量与其对应的类别之间建立了准确的关系。 它用于计算 MTS 中​​向量之间的局部距离。 然后我们使用动态时间扭曲 (DTW) 来对齐那些不同步或长度不同的 MTS。 同时，我们使用基于 LogDet 散度的三元组约束（LDMLT）模型来学习具有高精度和鲁棒性的 Mahalanobis 矩阵。 此外，我们还演示了代码在 MTS 数据“JapaneseVowels”上的性能。

模拟从 d 维 N(0,Sig) 分布（具有协方差“Sig”的零均值正态分布）精确（完美）分布的“n”个随机向量，条件是 l<X<u。 接受截断限制“l”和“u”的无限值。 参考：ZI Botev (2015)，“线性限制下的正态定律：通过 Minimax Tilting 进行模拟和估计”，提交给 JRSS(B)

复杂时间序列的多元加权多尺度置换熵

多元统计分析（课件、数据、阅读材料）.rar

自己做得资料，写的一般，但是值得后来的学弟学妹们参考。欢迎大家下载

多元分析，聚类分析，判别分析，因子分析，主成分分析

Andrew Ng机器学习课程笔记--week2（多元线性回归&正规公式）

TMIGS 隧道多元信息预警与安全管理系统