神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。

MATLAB实现LASSO分位数回归时间序列预测（完整源码和数据） 两个月数据，不同特征预测，预测80%间隔，不同特征选择误差，日前一天各个预测点的分位数，程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。

序列相关实验报告.pdf序列相关实验报告.pdf序列相关实验报告.pdf序列相关实验报告.pdf序列相关实验报告.pdf

针对序列图像超分辨率重建非局部均值（non-local means，NLM）算法重建结果图像边缘区域过平滑的问题，提出了一种局部参数自适应改进方法。将整幅图像划分为图像子块，然后根据图像子块平均像素信息计算出其对应的滤波参数，这样有助于减少因整幅图像使用统一滤波参数而导致的某些高频信息的丢失。实验结果表明，与经典NLM重构算法相比，改进算法重建出的结果图像的轮廓边缘更清晰，字符辨识度更高；在算法实现方面，图像重构程序在CPU/GPU平台上实现，使用GPU并行化加速的程序比单CPU运算的程序，加速比最高可达

介绍 未来数据的预测在能源领域非常重要，因为有关未来消费和发电趋势的信息可以帮助规划电厂的运营。 该分析比较了各种模型进行时间序列预测，以确定哪种模型效果最好 数据 数据来自Kaggle： ://www.kaggle.com/robikscube/hourly-energy-consumption包含兆瓦（MW）中各种电力公司的能耗读数。 代顿数据集已用于此分析。 但是，最后将包含所有电力公司数据的主数据集用于实验模型。 数据探索 数据从2005年到2018年大约开始，并且每小时记录一次。 分析 使用的4个模型是FBProphet，XGBoost，递归神经网络（RNN）和长期短期记忆（LSTM）（RNN的变体）。数据在使用前已进行了标准化。 FBProphet，RNN和LSTM模型可以按原样使用时间戳数据，但是XGBoost需要将时间戳分解为单独的组件。 所有这些模型都已在Dayton数

protobuf，google的序列化库

计算 Newey-West 调整的异方差序列一致标准误差。 允许选择滞后长度或（默认情况下）根据 Newey-West(1994) 插件程序选择最佳滞后长度。

基于ANFIS的时间序列预测（Matlab完整程序和数据） 基于ANFIS的时间序列预测（Matlab完整程序和数据）

树形控件TreeView的序列化 树形控件TreeView的序列化

shiro反序列化工具，加强版