先进的化学过程工程工具，如模型预测控制或软传感器解决方案，需要适当的过程模型。 这些模型的参数识别需要具有高信息量的输入输出数据。 当无法应用基于模型的优化实验设计技术时，从历史数据中提取信息片段也可以支持系统识别。 我们开发了一种面向目标的基于 Fisher 信息的时间序列分割算法，旨在从历史过程数据中选择信息片段。 所使用的标准自下而上算法广泛用于过程数据的离线分析。 不同的段可以支持参数集的识别。 因此，我们建议使用从序列获得的 Fisher 信息矩阵的特征向量之间的 Krzanowski 相似系数，而不是使用 D 或 E 最优性作为比较两个输入序列（相邻段）的信息内容的标准。 两个应用示例证明了所提出方法的效率。 该算法能够从历史过程数据中提取具有参数集特定信息内容的段。 它也在： L. Dobos, J. Abonyi, 基于时间序列分割的 Fisher 信息矩阵过程数据分析

matlab深度学习工具箱之LSTM， 采用历史序列进行预测， MATLAB应用实例 直接采用工具箱进行序列预测

利用api函数读取硬盘序列号的代码，调用方法：astr=GetDiskVolumeId("c:")

C# 读取机器码 CPU序列号 生成注册码类

1D-CNN的模型、训练与预测。用于时间序列的一种信号处理。

weblogic 序列化漏洞 CVE-2017-10271 版本 12.1.3.0.0

利用数据挖掘技术分析外汇汇率时间序列,从时间序列中获得正确的、隐含的、潜在的信息对于金融领域研究具有重 要的现实意义。通过数据挖掘中的 ARIMA模型,以某银行的外汇汇率时间序列为研究对象,采用差分方法和建模规则,对 外汇的卖出价进行了建模与预测。通过与逐步自回归预测模型相比较,ARIMA模型对外汇汇率时间序列数据具有很强的 预测能力。

经典的arima时间序列预测模型的扫盲。从模型理论上讲解

生成多项式的求法是个复杂的过程，此代码可以求伪随机序列的生成多项式

伪随机序列中本原多项式生成算法.doc