时间序列分析预测小工具。自回归模型分析，卡尔曼滤波自回归模型，AIC, BIC, FPE, MDL, SBC, CAT, PHI自回归模型检验。The TSA toolbox is useful for analysing Time Series. - Stochastic Signal processing - Autoregressive Model Identification - adaptive autoregressive modelling using Kalman filtering - multivariate autoregressive modelling - maximum entropy spectral estimation - matched (inverse) filter design - Histogram analysis - Calcution of the entropy of a time series - Non-linear analysis (3rd order statistics) - Test for UnitCircle- and Hurwitz- Polynomials - multiple signal processing - Several criteria (AIC, BIC, FPE, MDL, SBC, CAT, PHI) for model order selection an autoregressive model are included. - Fast algorithms are used - missing values (encoded as NaN's) are considered

Timetable 人工课表录入&空闲时间段生成 Import students' timetable manually, and generate a table indicating students' spare time. Features 特性 Online 在线 Modifiable 可修改 Classified by Event 事件分类 DEMO:

海洋FFT 真实的海浪仿真，主要基于，使用OpenGL计算着色器。 在签出演示视频。 为了追求更高的真实性，使用了与原始论文中提到的菲利普斯光谱。 FFT的Stockham公式用于更好地将问题映射到GPU并避免香草Cooley-Tukey算法所需的昂贵的位反转操作。 制作说明 通过git clone --recurse-submodules git://github.com/achalpandeyy/OceanFFT.git与子模块递归git clone --recurse-submodules git://github.com/achalpandeyy/OceanFFT.git 在根目录中运行CMake 依存关系 使用我的OpenGL框架作为子模块。 参考 对于海洋物理学： ， ， 有关FFT及其背后的数学运算： ， ， ， FFT视频

Lamport Paxos 的这两篇论文真的很难懂，小编也是竭尽全力的推敲每一句话的意思，尽量的将Lamport的意思完整的呈现出来。希望大家支持一下。两篇论文大概码了3万多字，每一个公式都是手敲的… 为什么会研究Paxos？最近使用RockerMQ，发现其Broker的主从没有实现自动选主及同步，所以小编想从底层学习下RocketMQ，然后自己尝试去实现这一块。 当然这很难，也是一个挑战。 先从Paxos论文入手，后续再研究zab。 只有学会自己造轮子，才能学的更多！~

林肯实验室对STAP在AMTI 和GMTI雷达中的应用的综述PPT，很全面，具有实用价值

Real-Time Rendering 4th Edition 全彩892M百度网盘下载地址。。。。。。。。。。

Time triggerred can

一个基于stm32的太阳能功率检测系统 在OLED上实时显示太阳能板传来的电压电流等信息 压缩包内包含程序，串口上位机，硬件原理图，使用说明等

【论文解读】High-Dimensional Vector Autoregressive Time Series Modeling via Tensor Decomposition. 【基本信息】上海交通大学数学科学学院王迪副教授在JOURNAL OF THE AMERICAN STATISTICAL ASSOCIATION（SCI一区）发表的文章。 【摘要】经典向量自回归模型是多元时间序列分析的基本工具。然而，当时间序列和滞后阶数甚至相当大时，它涉及太多参数。本文建议将模型的转换矩阵重新排列为张量形式，以便通过张量分解可以同时沿三个方向限制参数空间。 相比之下，降秩回归方法只能在一个方向上限制参数空间。 除了实现大幅度的降维，所提出的模型还可以从因子建模的角度进行解释。此外，为了处理高维时间序列，本文考虑在因子矩阵上施加稀疏性，以提高模型的可解释性和估计效率，从而产生了稀疏性诱导估计器。对于低维情况，我们导出了所提出的最小二乘估计的渐近性质，并引入了交替最小二乘算法。对于高维情况，我们建立了稀疏性诱导估计器的非渐进性质，并提出了一种用于正则化估计的ADMM算法。

Real Time Rendering 4th Edition, 基于900多M版本优化得来，清晰度不变。