针对MEMS陀螺仪精度不高、随机噪声复杂的问题，研究了某MEMS陀螺仪的随机漂移模型。
应用时间序列分析方法，采用AR(1)模型对经过预处理的MEMS陀螺仪测量数据噪声进行建模，进而基于该AR模型并采用状态扩增法设计Kalman滤波算法。
速率试验和摇摆试验仿真结果表明在静态和恒定角速率条件下，采用该算法滤波后的MEMS陀螺仪的误差均值和标准差都比滤波前有了明显的降低。
针对摇摆基座下该算法随摆动幅度的增大效果变差的问题，从提高采样率和选择自适应Kalman滤波两个方面对算法进行改进。
仿真结果表明，两种方法都能改善滤波效果，然而考虑到系统采样频率和CPU计算速度的限制，自适应滤波有更高的实用性。

关于滑动T检验的matlab程序，，，并画出趋势图，通俗易懂，测试数据文本第一列为时间序列，第二列为检测数据序列

利用小波神经网络对时间序列进行分析，并对交通流量进行预测

DeepLearningToolbox™提供了一个框架，用于设计和实现具有算法，预训练模型和应用程序的深度神经网络。
您可以使用卷积神经网络（ConvNets，CNN）和长期短期记忆（LSTM）网络对图像，时间序列和文本数据进行分类和回归。
应用程序和图表可帮助您可视化激活，编辑网络体系结构以及监控培训进度。
对于小型训练集，您可以使用预训练的深层网络模型（包括SqueezeNet，Inception-v3，ResNet-101，GoogLeNet和VGG-19）以及从TensorFlow™-Keras和Caffe导入的模型执行传输学习。
了解深度学习工具箱的基础知识深度学习图像从头开始训练卷积神经网络或使用预训练网络快速学习新任务使用时间序列，序列和文本进行深度学习为时间序列分类，回归和预测任务创建和训练网络深度学习调整和可视化绘制培训进度，评估准确性，进行预测，调整培训选项以及可视化网络学习的功能并行和云中的深度学习通过本地或云中的多个GPU扩展深度学习，并以交互方式或批量作业培训多个网络深度学习应用通过计算机视觉，图像处理，自动驾驶，信号和音频扩展深度学习工作流程深度学习导入，导出和自定义导入和导出网络，定义自定义深度学习图层以及自定义数据存储深度学习代码生成生成MATLAB代码或CUDA®和C++代码和部署深学习网络函数逼近和聚类使用浅层神经网络执行回归，分类和聚类时间序列和控制系统基于浅网络的模型非线性动态系统;使用顺序数据进行预测。

第一部分：http://download.csdn.net/download/stivensss/10223176，这个是第二部分

时间序列李亚普诺夫指数完整程序，网上的缺少相空间重构函数，我将它补全了。

数学建模常用程序包，包括神经网络、图论算法、小波预测、元胞自动机、回归预测、灰色预测、聚类分析、SVM、时间序列、粒子群优化、模拟退火、遗传算法、主成分分析、图像处理等数十种常用代码，可以直接运行。

包含了使用Lomb-Scargle算法计算非均匀时间序列周期频谱的程序及其源码

%Mann-Kendall突变检测%数据序列y%结果序列UFk，UBk2%--------------------------------------------%读取excel中的数据，赋给矩阵y%获取y的样本数%A为时间和径流数据列A=xlsread('kk.xls','Sheet1')x=A(:,1);%时间序列y=A(:,2);%径流数据列

R语言环境下用ARIMA模型做时间序列预测，内有详细说明

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。