此程序是GUI的灰色神经网络预测，适合小样本的预测，精度较高 主程序是graynet_gui, 启动GUI，GUI里面有简介。

该论文的源代码可在http://dx.doi.org/10.1016/j.patcog.2010.09.013访问

我发现分享的数据都是80k那种一部分的。先现在上传 最新版本的，800k完整版

在总结了近年来关于时间序列早期分类相关文献和相关研究进展的基础上，对参考文献中的学术观点、分类方法进行了比较归类，内容涵盖了时间序列原始数据的早期分类，时间序列早期分类的特征提取与选择、评估方法，早期分类构造模型等方面，为研究者了解最新的时间序列早期分类研究动态、新技术、发展趋势提供了参考。

基于双阶段注意力的时间序列预测神经网络，基于Chandler Zuo的。 我已经将代码扩展为适用于多元时间序列，并添加了一些预处理功能，但是鉴于我基本上是从他的帖子中复制代码，因此版权可能归他所有。 最近使用PyTorch JIT的分支称为jit 。 有一个不同的，但是据我所知，它只是单变量。

NLM 是一种基于补丁的方法，它是瞬态保留的。 在心电图中，这意味着可以保留信号峰值，同时抑制其他高频噪声。 参见“ECG 信号的非局部方式去噪”，B. Tracey 和 E. Miller，IEEE Transactions on Biomedical Engineering，第 59 卷，第 9 期，2012 年 9 月，第 2383-2386 页。

在这个文件中，我提供了信号的主要熵度量的实现： *香农熵（SE）。 * 近似熵 (ApEn)。 * 样本熵 (SampEn)。 * 模糊熵（FuzzyEn）。 * 排列熵 (PermEn)。 * 条件熵 (CE)。 * 修正条件熵 (CCE) 其中一些功能使用此文件中提供的其他功能。 例如，CCE 使用 CE 和 SE 功能。 这些算法可以用作信号的非线性分析。 所有源代码都用英语正确注释，并引用了引入每个算法的原始索引论文。 欢迎任何意见或建议！！！ 谢谢， 耶苏斯·蒙格（JesúsMonge）。

多元时间序列由于多元性和变量间的相关性而趋于复杂 。简单综述了时间序列研究方法,结合小波变换的降维和多尺度特性,以矩阵的 Froenius加权平方范数为度量工具,提出了基于 haar小波变换的多元时间序列间相似性匹配方法 。实验数据表明,该方法能够有效的比较多元时间序列间的相似性程度 。

利用ARIMA模型、Holt-Winters指数平滑法、条件异方差模型实现消费者信心指数时间序列的分析和预测。并对三种消费者景气指数（信心指数、预期指数、满意指数）进行协整检验。是课程期末大作业报告的R语言代码。数据来自中经网统计数据库。不提供分析报告和原始数据，代码仅供参考，欢迎指正。

【RBF预测】基于混沌时间序列改进RBF神经网络实现预测matlab源码.zip