支持如下功能： 1）可以从文件导入关键词，不限导入数量。 2）可以批量导出关键词及指数数据为excel文件。 3）支持360指数数据的自动保存，自动恢复（退出软件自动保存，打开软件自动恢复上次查询的结果及未查询的关键词列表） 4）支持批量查询360网页的关键词网页收录数，近一天关注度（搜索量）,近一天曝光量（媒体指数），7天平均关注度（搜索量），30天平均关注度（搜索量），7天/30天同比及环比数据 5）支持批量按指定的时间段，查询每一天的关注度（搜索量）和每一天的曝光量（媒体指数） 6）支持批量设置多个地域（地区），批量查询多个地域的每一天的关注度（搜索量）和每一天的曝光量（媒体指数）

360指数查询工具是易佰软件工作室推出的一款能够批量查询(采集/挖掘)、导出360指数的软件。支持如下功能：1）可以从文件导入关键词，不限导入数量。2）可以批量导出关键词及指数数

基于时间序列的分析方法，运用GARCH模型，对2009年1月1日至2012年6月1日我国上证180指数的日收益率数据进行了波动率的研究。根据收益率序列的波动率等特征，建立了GARCH(1，1)模型。实证结果表明，所建立的GARCH(1，1)模型是显著的，能够较准确地衡量上证180指数收益率的波动率，这对于资产收益率的波动率管理以及控制具有较大的实际应用价值。

股票价格指数关于参考文献的筛选

高斯白噪声matlab代码MCI 多通道复杂度指数（MCI）的计算算法 该代码实现了用于计算多通道系统中复杂度指数的MCI算法，其描述如下： [1] M. Nardelli，EP Scilingo，G。Valenza，“用于多器官生理复杂性评估的多通道复杂性指数（MCI）”，《物理学A：统计力学及其应用》，2019年， 此度量标准依赖于一种用于重建多元相空间的新颖方法，其中，每个序列都使用其适当的时间延迟进行嵌入。 然后，MCI使用模糊规则考虑相空间距离的估计，并且可以在两个不同的时标值范围内进行计算，以研究短期和长期动力学。 使用三通道高斯白噪声和1 / f噪声系统，Henon映射和Rossler吸引子的合成序列以及可公开获得的生理序列（参见文章）对算法进行了评估。 版权所有（C）2019 Mimma Nardelli，Enzo Pasquale Scilingo，Gaetano Valenza 该程序是免费软件； 您可以根据知识共享许可：Attribution 4.0 International的条款使用它。 如果您使用此程序来支持已发表的研究，请引用参考文献[1]。 如果您在软件

空气质量（Air quality）的好坏反映了空气污染程度，它是依据空气中污染物浓度的高低来判断的。空气污染是一个复杂的现象，在特定时间和地点空气污染物浓度受到许多因素影响。来自固定和流动污染源的人为污染物排放大小是影响空气质量的最主要因素之一，其中包括车辆、船舶、飞机的尾气、工业污染、居民生活和取暖、垃圾焚烧等。城市的发展密度、地形地貌和气象等也是影响空气质量的重要因素。随着地理信息系统的发展，空间数据分析已引起广泛的注意，解决空间数据的方法也越来越完善，地理加权回归是空间分析中一种重要的方法，是对普通线性回归全局模型的扩展，将数据的地理位置嵌入到回归参数，容许局部而不是全局的参数估计。另一

引入越限惩罚型变权熵理论，建立能够综合考虑雷电、降雨、风、气温、相对湿度等多种天气因素的复杂天气风险源模型，利用该模型计算相应的综合气象因子；基于电气设备的健康指数模型，提出天气风险源修正架空线路故障率的方法；采用非序贯蒙特卡罗仿真，对考虑复杂天气风险源的电力系统可用输电能力进行评估。采集我国南方沿海地区实际气象数据，并在IEEE 118节点系统进行仿真，结果表明所提方法是有效的。

matlab复变函数指数函数代码set-mifs 基于集合互信息的Matlab特征选择算法的Matlab实现 介绍 在文献中已经提出了使用互信息（MI）来确定模式识别任务中特征的显着性的思想的许多变体。 但是，它们有其局限性：在变量对之间计算MI不能捕获变量组之间更复杂的交互，而对于大于2的特征空间子集计算MI很快就变得难以计算。 确实，一些作者（参见Kwak＆Choi，2002）已经简要概述了基于全集的互信息算法，只是将其从计算上抛在一边，以至于在实践中是不可能的。 此处实现的算法是一种计算组的MI的快速方法，可完全解决计算难点。 算法 该算法基于两个简单的数学事实： 在内射（一对一）函数下，互信息不变，即对于任意变量U和V，对于任何内射函数g，I（U; V）= I（U; g（V）） 内射功能的组合本身就是内射功能。 本质上，此算法将多个注入函数应用于特征空间，以达到可以以其他方式无法实现的效率进行处理的表示形式。 与蛮力方法的指数复杂度形成鲜明对比的是，该算法的总复杂度相对于数据点数量而言是次二次的，相对于特征数量而言是线性的。 下图给出了步骤的实际示例： Lampen（2004）

使用SoftPool完善激活下采样 抽象的 卷积神经网络（CNN）使用合并来减小激活图的大小。这个过程对于局部实现空间不变性和增加后续卷积的接收场至关重要。池操作应最大程度地减少激活图中的信息丢失。同时，应限制计算和内存开销。为了满足这些要求，我们提出了SoftPool：一种快速有效的方法，可以对指数加权的激活求和。与一系列其他合并方法相比，SoftPool在下采样的激活图中保留了更多信息。更精细的下采样可导致更好的分类准确性。在ImageNet1K上，对于一系列流行的CNN架构，用SoftPool替换原始的合并操作会导致精度不断提高1-2％。我们还将在视频数据集上测试SoftPool以进行动作识别。再次，仅替换池层将一致地提高准确性，而计算负载和内存仍然受到限制。这些有利的特性使SoftPool成为当前合并操作（包括最大池和平均池）的绝佳替代品。 基于图像的池化。图像在高度和宽度上均进行

人工智能-机器学习-高次奇点的定性分析与指数计算.pdf