时间序列分析——基于R（第2版）习题答案，王燕，2012版

神经网络LSTM 时间预测MATLAB源码，RNN全称循环神经网络（Recurrent Neural Networks），是用来处理序列数据的。在传统的神经网络模型中，从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多关于时间序列的问题却无能无力。

GRU门控循环单元时间序列预测 包含以下.m功能文件 RNN_gate.m RNN_feedforward.m op_fc.m main.m batch_norm.m

通过卡尔曼滤波进行有效GP回归 基于两篇论文的存储库，其中包含相对于同类项目的简单实现代码： [1] A.Carron，M.Todescato，R.Carli，L.Schenato，G.Pillonetto，机器学习遇到了Kalman Filtering ，《 2016年第55届决策与控制会议论文集》，第4594-4599页。 [2] M.Todescato，A.Carron，R.Carli，G.Pillonetto，L.Schenato，通过卡尔曼滤波的有效时空高斯回归，ArXiv：1705.01485，已提交JMLR。 PS。 该代码尽管基于上述论文中使用的代码，但与之稍有不同。 它是它的后来的改进和简化版本。 而且，此处仍未提供[2]中介绍的用于实现自适应方法的代码。 文件内容是很容易解释的（有关每个文件的简要介绍，请参考相应的帮助）： main.m：包含主程序 plotResul

此MATLAB软件包根据以下出版物计算EMG信号的开始和偏移时间： 杨大鹏，张华杰，顾一坤，刘宏，在病理，微弱和嘈杂的肌电信号中的准确肌电发作检测。 生物医学信号处理和控制，2017年第33卷，第306-315页， https： //doi.org/10.1016/j.bspc.2016.12.014。（http://www.sciencedirect.com/science/article/pii / S1746809416302269） GUI界面还允许手动校正和调整自动算法的参数输入：有关输入的详细信息，请参见active_EMG_auto.m 示例：fake_EMG = rand（1000,100）; active_EMG = active_EMG_detector（fake_EMG，100,100,500,8,1000）; 输出：emg_active =有效EMG周期的[时间样本

针对二维多重信号分类算法可以估计出系统的到达时间(TOA,time-of-arrival)和波达方向(DOA,direction-of-arrival)参数，但需要复杂度非常高的二维谱峰搜索这一问题，提出了IR-UWB系统中基于求根MUSIC(root-MUSIC)的TOA和DOA联合估计算法，该算法对接收信号的频域形式建模，先估计出TOA，然后由TOA的差值计算出DOA，从而实现TOA和DOA的联合估计。该算法不需谱峰搜索，可直接给出估计参数的闭式解，还可实现参数配对。还推导了参数估计的误差方差。仿真结果表明，该算法的参数估计性能明显优于矩阵束算法、传播算子算法以及基于旋转不变技术估计信号参数算法，并且非常接近于2D-MUSIC算法，但该算法的复杂度却远远低于2D-MUSIC算法。

绘制在单个轴上垂直排列的多个时间序列数据（“通道”）。 绘制一个定义长度的窗口并使用箭头键向前和向后滚动。 选择显示通道的子集。 使用向上和向下箭头键控制 y 轴比例。 使用鼠标直观地标记时间点并将它们保存到向量中。 受到推崇的受用于 EEG 的 BrainVision Analyzer 界面和 EEGLab 的 eegplot 功能的启发，但比后者 IMO 工作得更好更快。

时间序列ARIMA模型的销量预测

时间银行信息管理系统的设计与实现，姜函，李继革，时间银行采用

bootstrap-daterangepicke 是一个时间控件，该文件里面有汉化js文件，还有几个官方模板可参考，我自己写了一个汉化后的html页面，想学习的可以参考一下。