回归预测 | MATLAB实现BiLSTM(双向长短期记忆神经网络)多输入单输出（完整源码和数据） 多输入单输出，运行环境MATLAB2018b及以上。

回归预测 | MATLAB实现CNN(卷积神经网络)多输入单输出（完整源码和数据） 多输入单输出，运行环境MATLAB2018b及以上。

回归预测 | MATLAB实现SVR(支持向量机回归)多输入单输出（完整源码和数据） 本程序为SVR支持向量机回归模型，多输入单输出，运行环境MATLAB2018b。

视频图matlab代码 主页： 论文“基于全局时间表示的CNN用于红外动作识别”的代码 抽象的 红外人体动作识别具有许多优点，即它对光照变化，外观变化和阴影不敏感。 现有的用于红外动作识别的方法要么基于空间信息，要么基于局部时间信息，但是并未考虑能够更好地描述整个视频中身体部位运动的全局时间信息。 在这封信中，我们提出了一种新颖的全局时间表示形式，称为光流堆叠差异图像（OFSDI），并通过综合考虑局部，全局和空间时间信息，从红外行动数据中提取了鲁棒且具有判别力的特征。 由于红外行动数据集的规模较小，我们首先将CNN分别应用于局部，空间和全局时间流，以从原始数据中获取有效的卷积特征图，而不是直接训练分类器。 然后，通过轨迹约束池将这些卷积特征图聚合为有效的描述符，该描述符称为三流轨迹合并的深度卷积描述符（TSTDD）。 此外，我们通过使用局域约束线性编码（LLC）方法提高了这些功能的鲁棒性。 利用这些功能，在我们的方案中采用线性SVM对动作数据进行分类。 我们对红外动作识别数据集InfAR和NTU RGB + D进行了实验。 实验结果表明，该方法优于具有代表性的最先进的手工特征和基于深度

比如说分析气机功率与蒸汽压力设定值的关系、蒸汽流量（压力）与氧含量设定值的关系、炉膛温度与空燃比上下限的关系等等！查看各变量之间相互影响！

算法基础和数据结构基础.ppt

时序预测 | MATLAB实现LSTM时间序列未来多步预测（完整源码和数据） 数据为一维时序列数据,运行环境MATLAB2018b及以上，可以实现未来100个值的预测。

时序预测 | MATLAB实现BiLSTM时间序列未来多步预测（完整源码和数据） 数据为一维时序列数据,运行环境MATLAB2018b及以上，可以实现未来100个值的预测。

时序预测 | MATLAB实现DNN时间序列未来多步预测（完整源码和数据） 数据为一维时序列数据,运行环境MATLAB2018b及以上，可以实现未来100个值的预测。

时序预测 | MATLAB实现GRU时间序列未来多步预测（完整源码和数据） 数据为一维时序列数据,运行环境MATLAB2020b及以上，可以实现未来100个值的预测。