多元时间序列的变量变化通常是模糊的,不关注任何特定的时间点。 因此,定义段的清晰边界是不切实际的。 虽然模糊聚类算法被广泛用于对重叠和模糊的对象进行分组,但它们不能直接应用于时间序列分割,因为聚类需要在时间上是连续的。 本文提出了一种用于同时识别局部概率主成分分析 (PPCA) 模型的聚类算法,该模型用于测量片段的同质性,以及用于及时表示片段的模糊集。 该算法有利于时间上的连续集群,并且能够检测多元时间序列隐藏结构的变化。 已经制定了基于簇的兼容性标准的模糊决策算法来确定所需的段数,而所需的主成分数由模糊协方差矩阵的特征值的screeplots确定。 应用实例表明,这种新技术是分析历史过程数据的有用工具。 该技术还描述于: J. Abonyi、B. Feil、S. Nemeth、P. Arva,用于多元时间序列模糊分割的修正 Gath-Geva 聚类,模糊集和系统 149 (2005)
2021-09-30 19:28:58 656KB matlab
1
非科班出身程序员刷题 weibo-trending-hot-search 微博热搜榜,记录从 2020-4-27 日开始的微博热门搜索。每小时抓取一次数据,按天。 今日热门搜索 历史归档 License 本项目基于 的源码再发布。具体内容请查看 文件。
2021-09-30 16:28:54 1.85MB 系统开源
1
AWS DeepRacer社区竞赛数据存储库 竞赛数据存储库包含AWS DeepRacer服务API提供的数据的快照。 每小时更新一次,以最新的排行榜和曲目更新为准。 可能的用例是: 跟踪一段时间内的提交(在虚拟联赛中有多少人提交了?) 了解赛车手的统计信息(赛车手多久提交一次?给定赛车手的转圈时间随着时间的推移如何改善?) 赛道统计信息(随着时间的推移,赛车手在给定赛道上是否变得更快?) 可用数据 话题 描述 提供所有可用跟踪和跟踪资产的概述。 提供所有可用的排行榜和排行榜资产的概述以及竞赛排行榜的每小时快照。
2021-09-29 10:56:44 18.36MB Python
1
一、物联网概念 2 ㈠理念源自比尔盖茨 2 ㈡物联网的内涵 2 ⒈定义:物物相连的互联网 2 ⒉体系架构:感知层、网络层、应用层 2 ⒊物联网产业链 2 二、物联网发展现状 2 ㈠主要发达国家物联网发展现状 2 ⒈美国在物联网基础架构、关键技术领域已有领先优势 2 ⒉欧盟出台系列政策促进物联网技术研发和应用 2 ⒊日本国家战略推动物联网发展 2 ⒋韩国通过国家战略在物联网应用方面抢占先机 2 ㈡我国物联网发展现状 2 ⒈支持政策:国家战略性新兴产业 2 ⒉市场规模:2010年逾2000亿 2 三、物联网发展趋势 2 ㈠发展阶段:分四个阶段发展 2 ㈡规模预测:2020年市场超万亿元 2 ㈢物联网主要应用领域举例 2 ⒈零售行业 2 ⒉物流行业 2 ⒊医药行业 2 ⒋食品行业 2 ⒌智能建筑 2 ⒍智能电网 2 ⒎智能家居 2 ⒏智能医疗 2 ⒐智能交通 2
2021-09-28 22:54:22 1.3MB 物联网
1
一个介绍鼠标的PPT 是我大二做的 花了一个通宵 非常棒!全大班做的最好的三个之一。比较详细了 很适合演讲!希望大家多多支持!!!
2021-09-28 22:14:57 4.28MB 鼠标 历史 PPT 非常棒
1
发展历史及国内外发展现状 当前很多国家展开了有关人脸识别的研究,主要有美国,欧洲国家,日本等。方法主要集中在模板匹配、示例学习、神经网络、基于隐马尔可夫模型的方法等方面。 国内的研究工作主要是集中在三大类方法的研究:基于几何特征的人脸正面自动识别方法、基于代数特征的人脸正面自动识别方法和基于连接机制的人脸正面自动识别方法。 人脸识别系统的研究始于20世纪60年代,80年代后随着计算机技术和光学成像技术的发展得到提高,而真正进入初级的应用阶段则在90年后期,并且以美国、德国和日本的技术实现为主;人脸识别系统成功的关键在于是否拥有尖端的核心算法,并使识别结果具有实用化的识别率和识别速度;“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术,同时需结合中间值处理的理论与实现,是生物特征识别的最新应用,其核心技术的实现,展现了弱人工智能向强人工智能的转化。
2021-09-28 21:48:23 10.66MB 人脸识别技术
1
微信公众号历史文章爬取api
2021-09-28 20:25:10 680KB Python开发-Web爬虫
1
负荷预测 该负载预测器旨在执行24小时的短期和长期负载预测。 数据源 从2012年11月到2013年12月,提供了加利福尼亚州一个样本家庭的15分钟间隔负荷数据和每小时温度数据。 选型 为了适应负载需求的非线性相互作用,选择了多层感知器回归器对该负载数据进行建模。 实现了八个预测变量: 内插温度* 24小时滞后负载* 7天滞后负载* 前一天的平均负载* 一天中的时间 星期几 一年中的一天 周末/节假日 *仅用于短期预测 预测24小时 您可以训练模型并在24小时内执行预测。 forecast_date表示24小时间隔的开始时间。 import forecaster forecaster . train_model_and_forecast ( load_data = 'load_temperature_data.csv' , forecast_date = '2018-6-30
2021-09-27 10:06:57 478KB Python
1
百度官网给出的echarts版本与echarts-gl版本不匹配,这里给出历史版本下载
2021-09-27 09:45:45 1.53MB ecahrt-gl 历史版本
1
C#使用PISDK连接PI数据库,获取测点、历史数据、快照数据
2021-09-24 15:04:04 6KB C# PI数据库 时序数据库 测点
1