针对目前时间序列决策研究方法的一些缺陷，提出了多变量时间序列模糊决策树挖掘方法，并给出了该方法的实验分析。实验结果证明该方法能够找出多变量时间序列子序列的形态与某个序列的后期趋势或状态的决策信息。

此提交提供了对一维随机变量的累积分布函数 (CDF) 和概率密度函数 (PDF) 的估计。 CDF的评价是直接通过CDF的定义来完成的，其中关于评价CDF的PDF区分度就涉及到了。 为此，我选择了数值微分。

一种面向高维数据的DS-ALasso变量选择方法，邱建荣，罗汉，变量选择是高维数据分析的重要环节，Laaso方法不具有Oracle性质且存在在处理维数大于样本量的数据结构时只能选取个变量的缺点，为解�

变量相关情况下高维数据变量选择方法，段乾鹏，郑少智，当变量之间具有较强相关性时，单个惩罚函数的变量选择方法效果会大大降低。文章提出组合惩罚的系数的拉普拉斯收缩变量选择方法，

这个包与我们论文的功能和分析相关联： Payam Shahsavari Baboukani, Ghasem Azemi, Boualem Boashash, Paul Colditz, Amir Omidvarnia, 一种新的多变量相位同步测量：在多通道新生儿脑电图分析中的应用， 数字信号处理，第 84 卷，2019 年，第 59-68 页，ISSN 1051-2004 我们承认我们的实施中有以下参考： Matlab 的循环统计工具箱： https : //au.mathworks.com/matlabcentral/fileexchange/10676-circular-statistics-toolbox-directional-statistics Hyper-Torus Synchrony (HTS) 测量来自 M. Al-Khassaweneh、M. Villafañ

运筹学课程总结之后绘制的思维导图

在C++中，声明一个类，并且定义一个全局变量，练习全局变量的使用。注意全局变量的使用技巧和方法。

Eviews参数稳定性检验和虚拟变量的应用.ppt

用条件分布分析多元随机变量的函数，陈必红，，分析多元随机变量的函数的老方法，是利用随机变量的分布函数。本文提出了一种新的分析方法，可以不用分布函数，而是采取条件分布

另见http://dylan-muir.com/articles/circular_kernel_estimation/ circ_ksdensityn - 计算周期和非周期域上的核密度估计用法：[vfEstimate, vfBinVol] = circ_ksdensityn(mfObservations, mfPDFSamples, ) 此函数计算（可选加权）数据样本在周期和非周期域上的核密度估计。 假设样本跨维度独立； 即密度估计是针对数据的每个维度独立执行的。 'mfObservations' 是在（可能是周期性的）域上进行的一组观察。 每行对应一个观察，每列对应一个特定的维度。 默认情况下，所有维度在 [0..2*pi] 中都是周期性的； 这可以通过提供可选参数“mfDomains”来修改。 'mfDomains' 中