TREC WebTrack
这是一个用于在即席任务上采用机器学习模型的存储库。 任何问题，PR或建议都将受到欢迎。
更具体地说，这些模型是查询文档对的重新排序模型。 由于计算每个查询文档对的相关性得分的成本太高，因此我们的目的是对每年的QL提交进行排名，您可以在找到它们。
这些模型能够根据文本文档与特定查询的相关性对文本文档列表进行排序。 可以使用此存储库来训练您的重新模型，或对定制数据（即一组查询和文档）使用预训练。
当前，实现了2个模型，其描述如下：
Kai Hui，Andrew Yates，Klaus Berberich，Gerard de Melo。 。 在EMNLP中，2017年。
Kai Hui，Andrew Yates，Klaus Berberich，Gerard de Melo。 。 在WSDM中，2018年。
它们的实现改编自。
要安装运行（Python 3
2023-03-02 14:13:31
23.94MB
1
DFA 算法是一种用于估计长期时间相关性的标度分析方法。
描述：去趋势波动分析（DFA）算法是一种缩放分析方法，用于估计幂律形式的长期时间相关性。 换句话说，如果事件序列具有自相关缓慢衰减的非随机时间结构，则 DFA 可以量化这些相关衰减的速度，如 DFA 幂律指数所示。
我们在这里介绍了作为神经生理学生物标志物工具箱的生物标志物实现的 DFA 算法。 您可以在http://www.nbtwiki.net下载此工具箱。
关于去趋势波动分析的教程可以在这里找到： http ://www.nbtwiki.net/doku.php? id= tutorial:detrended_fluctuation_analysis_dfa
2022-12-15 22:03:06
6KB
1
AMI 计算并绘制平均互信息 (ami) 以及不同时间滞后值的单变量或双变量时间序列的相关性。 用法： [amis corrs] = ami(xy,nBins,nLags)
输入： xy：单变量 (x) 或双变量 ([xy]) 时间序列数据。 如果给出双变量时间序列，那么 x 应该是自变量，y 应该是因变量。 如果给出单变量时间序列，则计算自相关而不是互相关。
nBins：时间序列数据的 bin 数量，用于计算计算 ami 所需的分布。 nBins 应该是 2 个元素的向量（对于双变量）或标量（单变量）。
nLags：计算 ami 和相关性的时间滞后数。 对 0:nLags 的滞后值进行计算。 输出： amis：时间滞后为 0:nLags 的平均互信息向量
corrs：时间滞后为 0:nLags 的相关向量（或单变量时间序列的自相关）
例子： xy = rand(1000,2);
2022-11-28 17:35:29
32KB
1
从基线沿水平向分解和沿视线向分解的InsAR基本原理出发，分析讨论了InSAR高度测量的精度，详细给出了分解时的斜距、基线、相位以及高度等量的误差之间互不影响和相互影响下对目标高度精度的影响公式。从公式表达可以看出。这些量独立时对目标高度精度的影响是不独立时的特殊情况。
2022-10-31 17:03:25
2.82MB
1
Copula函数，以及相关性计算和相应的散点图
2022-10-29 15:32:58
829B
1