另类交易策略系列之十四：经验模态分解下的日内趋势交易策略.pdf

目标微动特性和微多普勒特征分析在真假目标识别方面发挥了重要作用。由于微动目标雷达回波具有非线性、多分量性等特征,需要相应的具有高分辨力、低交叉项、大的动态范围的分析工具,才能较好地揭示目标微多普勒特征。稀疏分解方法中的匹配追踪(MP)具有频域高分辨能力,对于信号细微特征提取具有很好的效果。研究了基于匹配追踪的微多普勒频率估计问题,该方法可以准确提取出目标微多普勒频率,为后续的目标识别提供了重要的依据。

肌肉紧张 文件“ muscle_synergies.R”包含一个脚本，该脚本允许通过基于无监督机器学习的线性分解从肌电图（EMG）数据中提取肌肉协同作用。 具体而言，由于EMG生物信号的非负性质，我们在这里采用了非负矩阵分解（NMF）框架。 但是，该方法可以应用于从时间序列到图像的任何其他类型的数据集。 运行脚本的快速说明 并安装 并安装 并安装 该存储库，或者，如果您是GitHub的新手，则可以查看或手动下载该存储库 用RStudio打开项目文件“ musclesyneRgies.Rproj” 在项目中，打开脚本“ muscle_synergies.R”，然后使用“源代码”或“ Ctrl + Shift + S”（Windows和Linux用户）或“ Cmd + Shift + S”（Mac用户）运行它。 该代码会生成一些诊断消息，这些消息将指导您完成以下过程： 原始EMG过滤和归

盲源分离 (BSS) 方法的目标是估计混合系统的物理源。 大多数 BSS 模型可以代数表示为将数据矩阵分解为因子矩阵的某种形式： X = 亚行' 没有一些先验知识或没有特定约束，就不可能唯一地估计原始源信号。 然而，通常 X 可以是非负的，并且 X 的相应隐藏分量可能只有在非负时才具有物理意义。 在实践中，非负矩阵分解（NNMF）和数据的稀疏成分分析（SCA）对于潜在的潜在成分进行物理解释可能是必要的。 在标准的 NNMF 中，我们只假设因子矩阵 A 和 B 的非负性，并且与 ICA 不同，我们不假设源是独立的。 为了估计因子矩阵 A 和 B，我们需要量化成本函数，即数据矩阵与 NNMF 模型之间的距离。 最简单的距离度量基于 Frobenius 范数。 这种成本的交替最小化导致交替最小二乘（ALS）算法：在此方法中，在对A进行初始随机初始化之后，迭代执行A固定为B的A和B固定为A的B的

基于数字图像的奇异值分解扣Arnold置换，提出了一种图像的隐藏方法。在该方法中，置乱用于数字图像隐藏的预处理和后处理，奇异值分解用于将一幅图像隐藏于另一幅图像中。根据提出的数字图像隐藏技术，探讨了在数字水印技术中的应用。实验结果显示，该方法实现方便，水印的提取不需要原图像，并能较好地保障数据的安全性。

从结构分解技术(SDA)出发,通过与投入产出模型的结合进而形成的分解模型,为研究经济系统变量构成因素之间的内在联系提供了良好的分析功能。

图多NMF特征聚类 介绍 进行代码。 受流形学习和多视图非负矩阵分解（NMF）的启发，我们引入了一种新的基于局部图正则化的多视图NMF特征提取方法，其中考虑了数据之间的内视图相关性。 通过构造一个最近邻图来整合每个视图的局部几何信息，并应用两个迭代更新规则来有效地解决优化问题，从而提出矩阵分解目标函数。 请引用以下信息： @inproceedings{wang2015multi, title={Feature Extraction via Multi-view Non-negative Matrix Factorization with Local Graph Regularization}, author={Wang, Zhenfan and Kong, Xiangwei and Fu, Haiyan and Li, Ming and Zhang, Yujia}, bo

本文采用经验模式分解（EMD）和BP_AdaBoost神经网络对油价进行建模。 基于这两种方法的优势，我们通过使用它们来预测油价。 在一定程度上有效地提高了短期价格预测的准确性。 将该模型的预测结果与ARIMA模型，BP神经网络和EMD-BP组合模型的结果进行比较。 实验结果表明，EMD和BP_AdaBoost模型的均方根误差（RMSE），平均绝对误差（MAE），平均绝对百分比误差（MAPE）和Theil不等式（U）均低于其他模型，并且组合模型具有更好的预测精度。

针对低信噪比信号的去噪问题，提出了一种基于经验模态分解的小波阈值去噪方法，并与小波变换去噪法的效果相比较。试验结果证明，当信号的信噪比较小时，基于经验模态分解的小波阈值去噪效果是相当有效和稳定的，为研究环境脉动下结构的输出信号去噪处理提供了新的手段。

运用有限差分算法解决一维波动方程的数值模拟问题，对初学者有很大的帮助。