用小波互谱分析在时频域用地震干涉测量法测量旅行时移的代码 Codes for measuring travel-time shifts by seismic interferometry in the time-frequency domain with wavelet cross-spectrum analysis.

"I found Real Time UML, Third Edition, to provide an informative and practical application of UML 2.0 to the development of real-time systems, and well worth the read by systems and software engineers. It is written in plain English and provides the right balance of depth and breadth."
-Sanford Friedenthal, Deputy, Corporate Systems Engineering, Lockheed Martin CorporationChair, OMG Systems Engineering Domain Special Interest Group

Joda-Time是一个强大、易用、高效的日期和时间库，可以利用它把JDK Date和Calendar类完全替换掉无论是计算日期，打印日期、或者解析日期，都非常使用，便捷.附件中有最新的jar包，然后有对JodaTime详细的解释，以及对JodaTime一些常见API的调用。

现有的聚类算法在提取用于聚类时间序列数据的平滑子空间方面很弱。 在本文中，我们提出了一种新的k均值类型平滑子空间聚类算法，称为时间序列k均值（TSkmeans），用于对时间序列数据进行聚类。 提出的TSkmeans算法可以有效地利用时间序列数据集的固有子空间信息来增强聚类性能。 更具体地说，平滑子空间由加权时间戳表示，加权时间戳指示这些时间戳对于聚类对象的相对判别力。 我们工作的主要贡献包括设计一个新的目标函数，以指导时间序列数据的聚类，以及开发新颖的更新规则，以针对平滑子空间进行迭代聚类搜索。 基于综合数据集和五个实际数据集，我们的实验结果证实，在诸如Accuracy，Fscore，RandIndex，和正常的共同信息。

Windows NT 时间格式是自 1601 年 1 月 1 日以来经过的 100 纳秒间隔数。此 m 文件用于将正常时间向量转换为此 Windows NT 格式。 该函数采用与 Matlab 的“时钟”函数的输出格式相同的时间向量，并返回一个表示已通过的 100 纳秒间隔数的值

实时人脸识别 (OpenCV) 这是一个完整的 Python 程序，用于创建高效的实时人脸识别应用程序。 脚步： cmd: python face_taker.py 使用face_taker.py脚本拍照。 输入 ID 号后，脚本将在images文件夹中保存 30 张您的脸部images （必须是整数和增量（从 1 开始，然后是 2、3、...） 注意：确保您的脸部居中。窗口将当所有 30 张照片都拍完后折叠起来。 cmd: python face_train.py face_tain.py脚本将训练一个模型来识别使用face_taker.py脚本拍摄的 30 张图像中的所有人脸，并将训练输出保存在training.yml文件中。 cmd: python face_recognizer.py face_recognizer.py是主要脚本。 您需要在face_taker.py

本案例是MATLAB GUI利用timer函数（TimerFcn）实现实时呈现系统时间的功能和倒计时的功能。 本案例中实现两个Demo，第一个Demo是实时呈现系统时间，它的功能实现的是：每间隔1秒钟时间，执行一次获取系统时间并呈现在窗口的编辑框中的操作一次。 第二个Demo是实现倒计时功能，它的功能实现的是：从5开始，每隔一秒钟减一，减到0为止。 可参考文章：https://blog.csdn.net/didi_ya/article/details/124348178

stm32f103c8t6代码，实现了三个串口，并有对应的解析方式，内含时间、led等控制方式，代码风格不错。很多可以直接用

Space-Time Reference Systems

Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting 论文的数据集，反映了广泛的具有挑战性的多水平预测问题中普遍观察到的特征。每个数据集的大致描述如下： Electricity。UCI电力负荷图数据集包含370个客户的每小时总用电量，我们使用过去一周的数据(即168小时)来预测第二天(即24小时)的消耗量。 Traffic。UCI PEM-SF交通数据集描述了[41]中440条旧金山湾区高速公路的占用率（yt为[0，1]）。根据电力数据集，它也按小时级别汇总，具有相同的后退窗口和预测范围。 Retail。来自Kaggle competition[14]的Favorita杂货销售数据集，它结合了不同产品和商店的元数据，以及其他每天采样的外生时变输入。我们使用90天的历史信息预测未来30天的产品销售记录 Volatility.。OMI实现库[19]包含了31个股票指数的日实现波动值，这些波动值是根据当日数据计算出来的，同时还包含了日收益。在我们的实验中，我们使用过去一年的信息(即252个工作日)来考虑未来一周(即5个工作日)的预测