采用matlab实现的序列二次规划算法，能够很好地解决一般的问题，已经经过检测。欢迎下载

MATLAB实现CNN-GRU卷积门控循环单元时间序列预测（完整源码和数据） 卷积门控循环单元时间序列预测，数据为单变量时间序列数据,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。 运行环境MATLAB2020b及以上，运行主程序即可。

随机数检验是对利用随机数生成器产生的伪随机数序列与真正的[0,1]均匀分布随机数序列的相似程度的检验。分为经验检验和理论检验。经验检验是一种统计检验，根据来自某分布总体的简单随机样本的性质，如特征值、均匀性、随机性和组合规律性等，研究随机数生成器产生的随机数列的相应性质，进行比较、鉴别，确定其差异程度。

Boost序列化.C++对象到磁盘，已解决内存不足的问题

基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务.zip基于KERL模型实现用户行为序列推荐任务

图神经网络 | Python实现LSTM-GNN时间序列预测 LSTM-GNN用于病人的结果预测：一个混合模型，结合了用于提取时间特征的长短期记忆网络（LSTM）和用于提取病人邻域信息的图谱神经网络（GNN）。 关于预测重症监护室（ICU）病人结果的工作主要集中在生理时间序列数据上，基本上忽略了诊断和药物等稀疏数据。当它们被包括在内时，它们通常是在模型的后期阶段被串联起来的，这可能难以从更罕见的疾病模式中学习。通过在图中连接类似的病人，将诊断作为关系信息加以利用。 LSTM-GNNs在eICU数据库的住院时间预测任务中的表现优于仅有LSTM的基线。利用图神经网络从相邻的病人病例中提取信息是一个很有前途的研究方向，在电子健康记录的监督学习性能方面产生了切实的回报。

单机调度的分支定界算法，具有与序列相关的设置时间，可最大程度地减少延迟

第二章 时间序列预测与回归分析模型第2页指同一变量按发生时间的先后排列起来的一组观察值或记录值。例如：1990-2008年我国国内工业生产总值；某类型的汽车20

tsmoothie 一个用于以向量化方式进行时间序列平滑和离群值检测的python库。 总览 tsmoothie以快速有效的方式计算单个或多个时间序列的平滑度。 可用的平滑技术是： 指数平滑 具有各种窗口类型（常量，汉宁，汉明，巴特利特，布莱克曼）的卷积平滑 使用傅立叶变换进行频谱平滑 多项式平滑 各种样条平滑（线性，三次，自然三次） 高斯平滑 Binner平滑 低价 各种季节性分解平滑（卷积，最低，自然三次样条） 带有可自定义组件（水平，趋势，季节性，长期季节性）的卡尔曼平滑 tsmoothie提供了平滑处理结果的间隔计算。 这对于识别时间序列中的异常值和异常可能很有用。 关于使用的平滑方法，可用的间隔类型为： sigma间隔 置信区间 预测间隔 卡尔曼区间 tsmoothie可以执行滑动平滑方法来模拟在线使用。 可以将时间序列分成相等大小的片段，并分别进行平滑处理。 与往常一样，此功能通过WindowWrapper类以矢量化方式实现。 tsmoothie可以通过BootstrappingWrapper类操作时序引导程序。 支持的引导程序算法为： 没有重叠的块引导

视频编解码查看工具，可以查看jpeg图片，及视频 Elecard.Streameye.Tools，一个强大的视频序列或码流分析软件，YUV分析，264文件分析软件，H.264视频编解码学习必备的东西，Elecard StreamEye Suite是一套用于专业视频压缩领域的功能强大的工具 ，能够帮助用户进行有效的对于视频序列的深入分析。感觉STREAM EYE的界面更加亲民，而且他的视频窗口可缩放，比较好操作，但是功能上面还是不如VISA强大，不过初学的话也是可以接受了。编码视频的可视化表现，流结构分析，这些流可以是MPEG-1/2/4 or AVC/H.264 VES(视频基本流)、SS（MPEG1的系统流）、,PS(MPEG2的程序流)、