基于DTW的人体行为模式识别算法

针对人体行为模式识别问题,本文提出了一种基于动态时间规整的模式识别算法。首先根据动作视频序列进行人体行为学习,生成待匹配的模板信息,对待识别的动作序列进行相似想度量,获取相似性信息,然后使用动态时间规整对待识别模板数据间的相似性进行计算,选取相似性度量最大的模板,从而完成对视频序列人体行为模式的分类识别。     

软计算技术在金融预测应用进展研究

金融时间序列本质上是复杂的、高度噪声的,呈现出非线性行为,使得传统的统计方法难以有效地预测。随着计算技术的发展,已经出现了一些软计算技术用以支持金融时间序列预测。通过综述软计算技术在金融时间序列预测的数据准备、算法模型、自我训练学习、预测评估及优化方面的最新进展,从而便于研究者对已有软计算技术进行改进和研究新的预测算法。     

从时间序列重建地下水系统的方法

本文分析了地下水系统的自然特性，运用非线性动力学理论，从一种宏观观测的地下水系统状态变量时间序列入手，探索地下水系统动态变化吸引子的维数，确定重建系统模型时描述具有该吸引子动态行为的地下水系统所需最少变量，表明仅从一种状态变量时间序列，可推求出基它状态为量参与地下水系统的内在规律性。     

基于领域相似性迁移学习的行为识别

提出了1种基于领域相似性的迁移学习算法,利用其他领域中的相关数据帮助完成当前领域的行为识别任务。首先通过典型相关性分析,得到领域间相似性的约束并与目标分类模型相联系,以充分利用相关领域中的有效信息;然后学习1种具有重建性、判别性、域适应性的跨域字典对,将不同领域的数据特征映射到同一空间;最后根据映射特征和分类模型对行为进行识别。利用网络中的大量图像,在UCF Sports Action数据集上的实验结果表明了算法的有效性。     

基于相空间重构的滑坡位移时间序列预测

本文基于滑坡时间序列位移,根据相空间理论构建位移时间序列矩阵,利用熵值理论求取熵值。通过熵值变化及位移预测误差反馈调整该时序相空间重构的嵌入维数,然后利用支持向量机学习创建支持向量回归机模型。并通过实例进行位移时间序列预测,预测效果好。     

时序方法在转炉模型谱分析中的应用

通过对转炉模型振动信号的测试,应用时间序列方法,建立了 ARMAV 模型.并由这一模型对所测数据进行了谱分析,从而得到了满意的结果.     

MATLAB在结构状态预测中的应用

结构的输出数据能从一定程度上反映结构的状态,而输出数据是一段时间序列,通过对时间序列的分析,也就能够得到结构的状态信息.首先叙述了MATLAB的语言特点和时间序列模型的建模过程,然后给出了利用MATLAB系统辨识工具箱进行建模和预测的方法和步骤,最后对一段模拟数据建立AR模型并进行数据预测,结果说明该方法对于系统状态的预测是可行的.     

基于时间序列的建筑物沉降监测研究

简要介绍了时间序列分析的基本原理、模型建立步骤,并通过上海市某一工程实例加以论证,事实证明:时间序列模型可以预报建筑物未来沉降趋势,而且预报的可靠度很高,所以该模型可用于建筑物沉降监测和预报。     

基于时间序列支持向量回归模型的变形监测研究

论述了支持向量机的回归算法,提出了基于时间序列支持向量回归的变形预测方法,并在MATLAB 6.5中编制了相应的基于时间序列支持向量回归程序,建立了相应的基于时间序列支持向量回归模型。以实例数据讨论了基于时间序列支持向量机回归模型的预测方法。研究表明：用时间序列支持向量回归模型建立变形监测的预测模型是可行的和有效的。     

MATLAB中基于GARCH模型对股票指数的拟合与预测——以恒生指数为例

从股票指数的基础时间序列出发,分析了时间序列的性质以及股票指数的特性。并以此为基础,运用经济统计与计量经济学,选取恒生指数2009年10月至2019年10月十年间日收盘价进行分析,同时利用MATLAB的金融工具分析箱,建立GARCH模型,对恒生指数的日收益率进行建模与预测。结果表明,GARCH模型能够较好地拟合样本数据的对数收益率;在短期内,模型同样拥有较好的预测效果。