基于SSA-LSTM麻雀算法优化长短期记忆网络单变量时间序列预测（Matlab完整程序和数据）运行版本2018及以上 基于SSA-LSTM麻雀算法优化长短期记忆网络单变量时间序列预测（Matlab完整程序和数据）运行版本2018及以上 基于SSA-LSTM麻雀算法优化长短期记忆网络单变量时间序列预测（Matlab完整程序和数据）运行版本2018及以上

基于GWO-LSTM灰狼算法优化长短期记忆网络单变量时间序列预测（Matlab完整程序和数据）运行版本2018及以上 基于GWO-LSTM灰狼算法优化长短期记忆网络单变量时间序列预测（Matlab完整程序和数据）运行版本2018及以上 基于GWO-LSTM灰狼算法优化长短期记忆网络单变量时间序列预测（Matlab完整程序和数据）运行版本2018及以上

该函数使用一阶指数核计算单变量霍克斯过程的对数似然。 Haw_ll 函数实现 Ogata 的循环关系以降低算法复杂度。 [绪方，吉彦。 “关于点过程的Lewis模拟方法。” IEEE 信息论汇刊 27.1 (1981): 23-31.] 包括如何使用对数似然拟合数据样本的示例。

python3.5纯生代码实现单变量线性回归预测直线y=mx+b，不调用机器学习第三方库，仅调用numpy实现矩阵向量运算以及matplotlib实现画图。参数更新方法为梯度下降法。

保守值法matlab代码这是“单变量生物医学信号的熵分析：方法的回顾和比较”中使用的Matlab代码

ARFIMA(p,d,q) 最大似然估计量： - 惠特尔估计- 精确的最大似然估计器 - 以及其他一些可能有用的功能，包括预测。我还没有实现预测误差带计算（从截图中可以判断）。 要求： - 统计工具箱-优化工具箱-Kevin Sheppard 的 MFE 工具箱 http://www.kevinsheppard.com/wiki/MFE_Toolbox 可选要求： -Simone Fatichi 的 ARFIMA(p,d,q) 模拟器（MATLAB Central FileExchange #25611） 后者是测试算法性能所必需的（在 arfima_test 中实现）。 注意：这一次，有一个 C/MEX 文件来加速这个过程，没有 .m 等效文件。它用几个编译器（LCC 和 MS VC++ 2008）编译，证明对我来说是稳定的。 计划进一步更新： -其他估计算法-文档-

模型表达首先是以房屋交易问题为例，假设我们回归问题的训练集如下表所示：此外我们将使用以下变量来描述这个回归问题：m 代表训练集中实例的数量x 代表特征/输入变量

fixed_point_iteration 使用定点迭代计算单变量函数的不动点。 句法 c = fixed_point_iteration(f,x0) c = fixed_point_iteration(f,x0,TOL) c = fixed_point_iteration(f,x0,[],imax) c = fixed_point_iteration(f,x0,TOL,imax) c = fixed_point_iteration(__,'all') 描述 c = fixed_point_iteration(f,x0)返回函数的固定点 由函数句柄f指定，其中x0是固定点的初始猜测。 默认容差和最大迭代次数分别为TOL = 1e-12和imax = 1e6 。 c = fixed_point_iteration(f,x0,TOL)返回函数的固定点 由功能句柄f指

包含多种实际案例 使用LSTM神经网络进行时间序列数据预测分析。 基于Tensorflow框架、Kerase接口开发网络模型。 包含数据清洗，数据特征提取，数据建模，数据预测。 包含洗发水销量预测、空气质量预测等实际案例。 LSTM单变量、Multi-Step LSTM预测、长短周期记忆网络等方法 Keras中长短期记忆模型的5步操作 Keras中长短期记忆模型的5步操作代码分析 one-hotenoder与Keras one-hotenoder与scikit学习 手动one-hotenoder

XI = findX(X,Y,YI) 估计依赖项的 XI 值变量 Y 达到或跨越指定的目标水平 YI（标量值）。 如果有多个解决方案，findX 会找到所有解决方案。 它可以被看作是 MATLAB 函数的“逆”操作INTERP1，在“线性”方法下。 X 是一个向量，包含一系列自变量的单调递增值。 Y 是包含因变量（基础函数）的离散值的向量。 [XI,IDEXACT] = findX(X,Y,YI) 在 IDEXACT 中返回 Y 的原始值恰好达到目标水平 YI 的索引，即 Y(IDEXACT)=YI，因此不需要插值。