时间序列和NLP的深度学习 有关信息，请参见。

这是关于时间序列离散化的电子书，高清，最新版本，经典著作，英文版

tensorflow下用LSTM网络进行时间序列预测，实时多变量预测和对于未来数据的单变量预测，代码中做了详尽的中文解释，并对一些参数进行了注释和说明。

MatrixProfile MatrixProfile是Matrix Profile Foundation为您提供的Python 3库，用于挖掘时间序列数据。 Matrix Profile是一种新颖的数据结构，具有由UC-Riverside的Keogh和Mueen研究小组和新墨西哥大学开发的相应算法（踩踏，体制，主题等）。 该库的目的是通过标准化核心概念，简化的API和合理的默认参数值，使新手和专家都可以使用这些算法。 除了此Python库之外，Matrix Profile Foundation还提供了其他语言的实现。 这些语言具有相当一致的API，使您可以轻松地在它们之间进行切换，而无需花费大量学习时间。 tsmp -R实现 go-matrixprofile -Golang实现 Python支持 当前，我们支持以下版本的Python： 3.5 3.6 3.7 3.8 3

奇异频谱分析 用于执行奇异频谱分析（SSA）的软件包 简单用法 下面的示例创建了一个具有两个强烈季节性成分的模拟信号。 主要输入函数是analyze(y,L) ，该函数返回趋势和季节成分。 y是要分解的信号， L是要用于内部嵌入的窗口长度。 using SingularSpectrumAnalysis, Plots # generate some data L = 20 # Window length K = 100 N = K * L; # number of datapoints t = 1 : N; # Time vector T = 20 ; # period of main oscillation y

合流 适用于Python的时间序列实用程序库。 特征： 时间间隔均匀/不均匀的类 不等距时间序列的（） 将等距时间序列转换为数据集（） 时间序列的预测包装，例如keras（） 安装 要求： Python3.5+ 安装： git clone https://github.com/kweimann/conflux.git cd conflux pip install . 例子 插补 有关完整的示例，请参见examples/interpolation.py 。 # number of observations n = 25 # time interval i.e. first and last timestamp t0 , tn = [ 0 , 200 ] # function producing observation value from observation ti

Introduction to Time Series Forecasting with Python.zip Python时间序列预测简介 课程代码

Ultrascope for DS1000E Series示波器和电脑连接软件

深度签名转换 在神经网络中将签名变换用作池化层。 这是Bonnier，Kidger，Perez Arribas，Salvi，Lyons 2019的论文的代码。 看看了PyTorch实现签名变换。 概述 如果您已经对神经网络有所了解，那么您的想法就是“签名变换”是一种非常出色的变换，它可以从数据流中提取特征，因此尝试将其内置到其中是很自然的事情。我们的神经网络模型。 如果您已经开始了解签名，那么您可能知道它们以前仅用作功能转换，并在其上构建了模型。 但是实际上可以通过签名变换反向传播，因此，只要您正确地设计模型（必须“保持流”；请参阅本文），那么将签名嵌入到神经网络中实际上是有意义的。 在签名变换之前学习非线性可以提供一种紧凑的方式来选择（原始路径的）签名中的哪些项对给定的数据集有用。 什么是签名？ 数据流的签名本质上是有关该数据流的统计信息的集合。 统计信息的收集在捕获有关数据流的

谐波的matlab代码python中时间序列的谐波分析 的答案，源自 。 Brain dump 和有关该过程的更多文档位于 。