华章数学译丛59多元时间序列分析及金融应用R语言中英文

自己开发的风资源分析工具包WindAnalysis-WindAnalysis1-V1.4.1.zip本帖最后由He_Challen于2017-9-614:40编辑由于工作的原因，今年项目开始转型风电项目，在慢慢上手的过程中发现，风电所涉及的软件清一色北欧的，好不好用只有用了才知道。
因为仅是为前期风电开发做技术分析，老外的软件一个是不容易上手，二是操作复杂。
随下决心自己开发一套专门用于项目前期的风资源分析工具包。
就这样开始而一发不可收拾，从最开始的结构搭建、输出设计便沉迷此中两个月，推出的前三个版本都不太稳定，要么是兼容不好，要么是数据处理的时逻辑顺序有问题，总之在最初的三个版本在大量项目的测风数据的测试下暴漏出一堆又一堆的BUG。
说实话，中途曾想过放弃，一个人孤军奋战实在是太孤独难耐了，多年工作环境造就的内心还是比较强大的，最终还是坚持了下来。
在飞机上、动车上、出差的酒店里、办公桌前开始了一遍又一遍的调试修改，度过了一个又一个难免的夜晚。
最终完成的兼容性和稳定性都可靠的V.1.4.1版本，经反复测试没有问题后，将这个版本作为目前能完成的最终的版本发出来供同行们使用，方便工作和分析。
下面对工具包中的WindAnalysis1和WindAnalysis2的功能做个介绍，过一阵闲了编个教程发出来供大家使用。
WindAnalysis1工具包能够对获取的整个测风数据构建dateset结构体，根据时间序列进行综合整理分析，通过运行可以获得如下分析结果：a．不同高度风速、风向、温度、压强的时间序列分布图；
风速、风向、温度、压强.jpgb．整个测风数据质量判断，及质量分析图；
测风数据质量评估.jpgc．不同高度湍流强度按照风速的分布、各风速对应的湍流强度与其平均湍流强度的分布图；
湍流分布.jpgd．不同高度月平均风速分布图；
月平均风速.jpge．不同高度日平均风速分布图；
日平均风速.jpgf．不同高度风速频率分布直方图；
风频分布.jpgg．不同高度风速风向玫瑰图；
风向、风能玫瑰图.jpgh．风切变拟合和计算；
风切变拟合.jpgi．风切变系数随月分布图；
月风切变.jpgWindAnalysis2为针对特定高度H处的风资源进行详细分析，包括：a.测风时间序列上风速、湍流偏离测风周期内平均值的偏离程度；
风速、湍流时间序列分布.jpgb.风速的威布尔分布拟合和参数计算；
威布尔分布.jpgc.威布尔分布拟合的误差和相关系数R2的计算分析；
拟合误差分析.jpgd.风切变拟合和切边系数计算；
风切变拟合.jpge.指定轮毂高度处的平均风速推算及威布尔分布拟合；
轮毂高度处威布尔分布.jpgf.根据选型风机的参数，绘制功率曲线和推力系数曲线；
功率特性曲线.jpg不仅限于以上figure图文件的生成，还能够估算出指定轮毂高度hub（hub＞H）测风塔处的发电量，在CommandWindow窗口中输出计算结果，作为风资源分析的参考。
计算结果.pngWindAnalysis风数据分析工具包教程-V1.4.pdfWindAnalysis1-V1.4.1.zipWindAnalysis2-V1.4.1.zip-------------------------------------------------------------------

马尔科夫链matlab程序包。
马尔科夫链定义本身比较简单，它假设某一时刻状态转移的概率只依赖于它的前一个状态。
举个形象的比喻，假如每天的天气是一个状态的话，那个今天是不是晴天只依赖于昨天的天气，而和前天的天气没有任何关系。
当然这么说可能有些武断，但是这样做可以大大简化模型的复杂度，因此马尔科夫链在很多时间序列模型中得到广泛的应用，比如循环神经网络RNN，隐式马尔科夫模型HMM等，当然MCMC也需要它。
　　　　如果用精确的数学定义来描述，则假设我们的序列状态是...Xt−2,Xt−1,Xt,Xt+1,......Xt−2,Xt−1,Xt,Xt+1,...，那么我们的在时刻Xt+1Xt+1的状态的条件概率仅仅依赖于时刻XtXt，即：P(Xt+1|...Xt−2,Xt−1,Xt)=P(Xt+1|Xt)P(Xt+1|...Xt−2,Xt−1,Xt)=P(Xt+1|Xt)　　　　既然某一时刻状态转移的概率只依赖于它的前一个状态，那么我们只要能求出系统中任意两个状态之间的转换概率，这个马尔科夫链的模型就定了。
我们来看看下图这个马尔科夫链模型的具体的例子。

最新版恩德斯时间序列分析，高清资源。
在对比了基本教材后，个人认为最好的线性时间序列分析教材，非线性还是姚奇伟老师的好

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。

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。