基于VHDL语言的直接序列扩频通信系统发射模块的实现

针对高风险背景下的混沌时间序列区间预测问题,首次将回声状态网络与一致性预测框架相结合,提出基于两者的混沌时间序列区间预测算法.该算法将回声状态网络的拟合能力与一致性预测区间的可靠性相结合,使得最终的预测区间包含被预测值的频率或概率可以被显著性水平参数所控制,即预测区间具有极高的可信度.同时,由于使用岭回归学习回声状态网络的输出权重,使得算法在学习阶段对样本的留一交叉估计可以被快速地计算,极大地缩短了一致性预测的学习时间.理论分析表明,所提出算法的时间复杂度等价于原始回声状态网络算法的时间复杂度,即算法具有较快的计算速度.实验表明,所提出算法能够较精确地控制预测的错误率,对噪声具有鲁棒性,且预测区间比基于高斯过程的预测区间更加准确地刻画了被预测值的波动范围.

系统介绍时间序列算法AR/MA/ARIMA等，结合R语言实现和应用

向量自回归模型，可以用于分析多元时间序列相关关系，进行格兰杰因果检验、脉冲响应等等

该数据集将多元时间序列数据的多维拆解成多个一维文件，并以csv的格式对数据进行存储 该数据集结构为： -E:/桌面/代码/数据集/Multivariate2018_arff_csv -ArticularyWordRecognition -test_dim1.csv -test_dim2.csv ..... -train_dim1.csv -train_dim2.csv ..... -train_label.csv -test_label.csv 每个数据集下包含测试集数据、测试集标签、训练集数据、训练集标签

该数据集结构为： -E:/桌面/代码/数据集/UCRArchive_2018_csv -ACSF1 -TEST.csv -TEST_label.csv -TRAIN.csv -TRAIN_label.csv -Adiac -TEST.csv -TEST_label.csv -TRAIN.csv -TRAIN_label.csv -AllGestureWiimoteX -TEST.csv -TEST_label.csv -TRAIN.csv -TRAIN_label.csv -...... 每个数据集下包含测试集数据、测试集标签、训练集数据、训练集标签

深层 一个Tensorflow DL框架，用于使用兆碱基规模的DNA序列预测Hi-C染色质相互作用。 描述 该存储库包含核心deepC python代码，R脚本和用于下游分析的功能，以及教程和示例数据的链接。 核心代码在python（v3.5 +）和tensorflow（v1）中实现。 对于下游分析和可视化，我们使用R和自定义函数来处理HiC数据和deepC预测。 要求 python 3.5 + 张量流（tensorflow-gpu） GPU支持对于预测是更可取的，对于培训来说是必不可少的 其他python模块： numpy（v1.16.4或以上） pysam（已通过v0.15.2测试） pybedtools和已安装的兼容版本的bedtools R版本3.4.4 + 套餐： tidyverse（v1.2.1或更高版本） RColorBrewer（v1.1-2或更高版本）

ARIMAX模型检验 适应性检验:模型残差序列属于白噪声序列；残差与输入变量序列无显著关系 参数检验:所有参数显著非0 back

用Matlab求语音序列的倒谱

芝加哥犯罪 用于对的进行时间序列分析的处理脚本。 跑步 克隆这个 repo 并安装依赖项 git clone https://github.com/morganherlocker/chicago-crime.git cd chicago-crime npm install 下载数据（注意：数据很多，所以这需要一段时间） curl https://data.cityofchicago.org/api/views/ijzp-q8t2/rows.json?accessType=DOWNLOAD -o crime.json 在 1/2mi 网格上聚合，每月计数和总计 node index.js