趋势分析 R包，用于时间序列数据的趋势分析。 使用不确定的Sen方法来计算趋势量和显着性值。

欢迎来到 TSP 引擎！ TSP 是一个时间序列模式搜索引擎。它是Clover Group Service 平台背后的后端系统。 TSP 是一个用现代 Scala 实现的分布式计算系统。有关详细信息，请参阅文档。 更多详情、使用方法，请下载后阅读README.md文件

使用机器学习进行DNA测序 双螺旋是DNA的正确化学表示。 但是脱氧核糖核酸是特别的。 它是由四种类型的氮碱基组成的核苷酸：腺嘌呤（A），胸腺嘧啶（T），鸟嘌呤（G）和胞嘧啶。 我们总是称它们为A，C，GandT。 基因组是生物体中DNA的完整集合。 所有生物物种都有一个基因组，但是它们的大小差异很大。 作为数据驱动的科学，基因组学广泛地利用机器学习来捕获数据中的依存关系并推断出新的生物学假设。 尽管如此，要从成倍增长的基因组数据量中提取新见解的能力需要更强大的机器学习模型。 通过有效利用大型数据集，深度学习已重构了计算机视觉和自然语言处理等领域。 它已成为许多基因组建模任务的首选方法，包括预测遗传变异对基因调控机制（如DNA接受性和剪接）的影响。 因此，在这里，我们将了解DNA结构以及如何使用机器学习来处理DNA序列数据。 前提条件： Biopython ：是python模块

2019新型冠状病毒疫情时间序列数据仓库.zip

基于LSTM神经网络对金融序列数据进行预测源代码。 文件包含： 采用lstm神经网络对金融序列数据进行预测分析并生成图片 数据（data文件夹，为将tushare中导入数据经过转译处理后形成的.csv表格文件，可通过excel等打开）； 图片（png文件夹，为代码工作过程中可视化形成的各类图片，包括收益率的频率直方图及其正态拟合曲线、LSTM模型分析后的预测和真实走势曲线拟合图） 代码（code文件夹，基于python和相关功能包实现，其中config.py中保存tushare的token接口，如需使用请自行注册）； 文件包含： 采用lstm神经网络对金融序列数据进行预测分析并生成图片 数据（data文件夹，为将tushare中导入数据经过转译处理后形成的.csv表格文件，可通过excel等打开）； 图片（png文件夹，为代码工作过程中可视化形成的各类图片，包括收益率的频率直方图及其正态拟合曲线、LSTM模型分析后的预测和真实走势曲线拟合图） 代码（code文件夹，基于python和相关功能包实现，其中config.py中保存tushare的token接口，如需使用请自行注册）；

使用LSTM神经网络进行时间序列数据预测分析。使用LSTM神经网络进行时间序列数据预测分析。 基于Tensorflow框架、Kerase接口开发网络模型。 包含数据清洗，数据特征提取，数据建模，数据预测。使用LSTM神经网络进行时间序列数据预测分析。使用LSTM神经网络进行时间序列数据预测分析。 基于Tensorflow框架、Kerase接口开发网络模型。 包含数据清洗，数据特征提取，数据建模，数据预测。使用LSTM神经网络进行时间序列数据预测分析。使用LSTM神经网络进行时间序列数据预测分析。 基于Tensorflow框架、Kerase接口开发网络模型。 包含数据清洗，数据特征提取，数据建模，数据预测。使用LSTM神经网络进行时间序列数据预测分析。使用LSTM神经网络进行时间序列数据预测分析。 基于Tensorflow框架、Kerase接口开发网络模型。 包含数据清洗，数据特征提取，数据建模，数据预测。

% 用于绘制多通道时间序列数据的简单 MATLAB 函数％ ％ 用法： % plot_multichan( y ) % <- y: 信号% plot_multichan( x, y ) % <- x: 时间％ ％ 例子： ％y = randn（[20，2000]）; % plot_multichan(y); ％ % 作者：Hio-Been han, hiobeen.han@kaist.ac.kr, 2020-03-07 ％

1.介绍 毕设研究课题，根据轴承的振动数据信息来诊断轴承故障的位置和故障严重等级。方法思路走的是数据驱动，使用传统机器学习方法以及深度学习方法。这个开源项目做的是整理基于传统机器学习的轴承故障诊断的内容。 主要分为三个部分： 数据集预处理：数据集增强(utils.augment) 特征工程(utils.feature):均值(mean), 均方差(rms), 标准差(std), 偏度(skewness), 峭度(kurtosis), 包络谱最大幅值处频率(maxf), 信号熵(signal_entropy), 信号幅值中位数处概率密度值(am_median_pdf) 分类器训练和保存

goNfCollector:一套收集和分析Netflow并将其导出到许多数据库和应用程序的工具，例如InfluxDB时间序列数据

G-P 算法同时求关联维和Kolmogorov熵 (输入时间序列数据) Contents.m CorrelationIntegral.dll LM2.p LorenzData.dll Main_KolmogorovEntropy_GP.m