搜索资源列表
greymodel
- 灰色预测模型在Matlab的语言编程(基于GM（1，1）模型)自己编的，很简单。就是为了当时处理数据方便。只是预测下一个数据，如果想得到更多的预测数据，可以在添加。
gray3
- 灰色理论认为系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。灰数的生成，就是从杂乱中寻找出规律。同时，灰色理论建立的是生成数据模型，不是原始数据模型，因此，灰色预测的数据是通过生成数据的gm(1,1)模型所得到的预测值的逆处理结果。 此程序用来作灰色预测。
greymodel
- 本程序主要用来计算根据灰色理论建立的模型的预测值。 应用的数学模型是 GM(1,1)。 原始数据的处理方法是一次累加法- Of the procedures used to calculate the main theory in accordance with the gray of the predictive value of the model. The application of the mathematical model is GM (1,1). Hand
gm_tool
- 灰色预测工具箱。 特性： 0 数据预处理，替换掉一些不符合条件的点：如连续相等的点 1 选择最好的c进行平移变换 2 残差太大的，剔除坏点 3 最后使用 新陈代谢 灰色模型求解（xcdxgm11） 函数： ccfx.m:残差分析 gm11.m:一般的灰色预测工具 xcdxgm11.m:新陈代谢灰色预测工具-Grey toolbox. Features: 1 Data preprocessing, replace the points t
SVM_Short-term-Load-Forecasting
- 优秀论文及配套源码。首先阐述了负荷预测的应用研究现状，概括了负荷预测的特点及其影响因素，归纳了短期负荷预测的常用方法，并分析了各种方法的优劣；接着介绍了作为支持向量机（SVM）理论基础的统计学习理论和SVM的原理，推导了SVM回归模型；本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，
fgarch
- 利用Garch模型 预测 可以进行经济数据预测处理-Using Garch model to predict economic data can predict treatment
GARCHmodelsparameterEstimation
- 用GARCH模型对时间序列进行预测，包括建模过程，数据处理，阶数确定以及最小二乘估计参数-GARCH models and parameter estimated by LM
development-risk-prediction
- 本文基于BP神经网络应用于预测的原理，提出预测步骤及预测可行性，探讨建立基于BP神经网络的预测模型的关键技术，包括样本的选取与预处理、输入输出变量的选取、隐层节点数的确定、初始权值和阈值的选取、激活函数、训练算法与参数的选取，最后建立合理的网络模型；结合住宅市场的实际情况，建立两类BP 神经网络预测模型：基于时间序列的趋势预测模型以及基于影响因素的回归预测模型，即分别采用神经网络趋势预测和回归预测的思路，把住宅市场的供给、需求与房价的历年数据以及其影响因素的数据分别作为学习样本，建立预测模型，
arma
- ARMA模型的建模， 对数据进行的预处理，对模型进行了定阶，参数估计，检验，利用该模型对未来的数据进行了预测。-ARMA model modeling the data preprocessing, model order determination , parameter estimation , testing , using the model to predict future data
lssvm_Mfilter21_MSC_100
- 原始数据存储为excell文件，先将数据进行预处理，再通过SVM进行模型的建立与预测。-The data are stored as a excell file, preprocessing the original data and builting the SVM model.
GM11
- GM11灰色预测模型，通过生成数据的gm(1,1)模型所得到的预测值的逆处理结果-Grey Forecasting
GM1_1
- 灰色理论认为系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。灰数的生成，就是从杂乱中寻找出规律。同时，灰色理论建立的是生成数据模型，不是原始数据模型，因此，灰色预测的数据是通过生成数据的gm(1,1)模型所得到的预测值的逆处理结果。-Gray theory that the behavior of the system even though the phenomenon is dim, the data is complex, but still it is ord
FdRLS
- 雷达数据处理对于观测的目标位置数据（称为点迹）进行滤波处理，自动形成航迹，并且可以对下一个目标的位置进行估计预测。利用最小二乘算法（LMS）进行滤波处理，得到了比较稳定的航迹估计。 最小二乘方法是参数估计中一种较为常见的参数估计方法。对于雷达观测数据，在我们假定已经精确知道航迹的运动学模型之后，通过建立观测方程，即可以对于模型的参数，如初速度，初始位置和加速度等进行最小均方误差估计。采用序贯最小二乘的方法可以对观测数据进行实时处理，已对待估计参数进行实时更新，然后利用观测模型可以对 数据进行
giffphcw
- 使用混沌与分形分析的例程，迭代自组织数据分析，可以广泛的应用于数据预测及数据分析,数据模型归一化，模态振动，可以得到很精确的幅值、频率、相位估计，信号处理中的旋转不变子空间法。- Use Chaos and fractal analysis routines, Iterative self-organizing data analysis, Can be widely used in data analysis and forecast data, Normalized data model,
hrixmkdq
- 包含了阵列信号处理的常见算法，通过虚拟阵元进行DOA估计，本程序的性能已经超过其他算法，可以广泛的应用于数据预测及数据分析,包含CV、CA、Single、当前、恒转弯速率、转弯模型，是机器学习的例程。- Contains a common array signal processing algorithm, Conducted through virtual array DOA estimation, This program has exceeded the performance of ot
eiecpqvf
- 包含CV、CA、Single、当前、恒转弯速率、转弯模型，相关分析过程的matlab方法，阐述了负荷预测的应用研究,多抽样率信号处理，一种噪声辅助数据分析方法,有较好的参考价值。- It contains CV, CA, Single, current, constant turn rate, turning model, Correlation analysis process matlab method, It describes the application of load foreca
gjfmvvtw
- 是国外的成品模型，包含了阵列信号处理的常见算法，含噪脉冲信号进行相关检测,可以广泛的应用于数据预测及数据分析,对信号进行频谱分析及滤波。- Foreign model is finished, Contains a common array signal processing algorithm, Noisy pulse correlation detection signal, Can be widely used in data analysis and forecast data, The
huduyuceMATLAB
- 灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。其用等时距观测到的反应预测对象特征的一系列数量值构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征量的时间。-Gray predicted by the degree of dissimilarity between the trends identification system facto
SVM_Short-term-Load-Forecasting2
- 本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，而目前依然是基于经验的办法解决。对此，本文采用粒子群优化算法对模型参数进行寻优，以测试集误差作为判决依据，实现模型参数的优化选择，使得预测精度有所提高。实际算例表明，本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。(this
Elman神经网络预测电力负载
- Elman神经网络建立建筑物电力负荷预测模型中遇到的几个关键问题有，数据归一化处理、输入输出样本的选取、隐含层节点数的确定；分别建立Elman神经网络模型，并利用某栋建筑物实际历史电力负载数据进行预测，分析比较与实际数据值的预测精度，得出了一个有效的数据预测模型。(Several key problems encountered in building power load forecasting model based on Elman neural network are data norm