颅内压无损估计：支持向量回归时间序列方法

在研究时间序列数据挖掘框架时，发现使用线性映射函数描述误差与特征之间的关系并不能精确估计颅内压力信号。为提高估计精度，采用支持向量回归构建非线性映射函数，实验结果表明，这种方法显著优于先前基于线性最小二乘法的线性映射函数策略。

Matlab代码Pattern_Regression_Matlab支持向量回归（SVR）和启示向量回归（RVR）分析，包括交叉验证以评估预测能力。请在使用代码时引用相关论文：Zaixu Cui, Gaolang Gong，《机器学习回归算法及样本大小对基于功能连接特征的个性化行为预测的影响》，NeuroImage，2018年，178: 622-37；Zaixu Cui等，《利用灰质体积个性化预测阅读理解能力》，Cerebral Cortex，2018年，28(5):1656–72；Zaixu Cui等，《个性化预测阅读理解能力的研究》，2018年，Cerebral Cortex，28(5):1656–72。

支持向量机, 一种基于统计学的新型机器学习和数据挖掘技术, 遵循结构风险最小化原则。金融时间序列数据通常具有非平稳性、复杂性、非线性以及噪声干扰, 传统预测方法难以取得令人满意的效果。本研究提出一种基于支持向量机的金融时间序列预测方法, 并将其应用于上证180指数预测。实验结果表明, 支持向量机方法能够有效地建模动态金融时间序列, 并取得良好的预测效果。

分析了现有的精确数输入和区间数输出回归算法存在的问题，并提出了基于支持向量机的区间数回归建模方法。该方法将支持向量机从精确数回归推广到区间数回归建模，展示出在小样本训练集下良好的泛化性能，有效避免了现有算法中可能出现的下界大于上界的问题。以连续退火生产过程中冷却段出口带钢温度预测为例，仿真结果表明该算法的有效性。

支持向量机在分类与回归任务中具有广泛的应用，介绍了相关的matlab代码实现。

李俊奎和王元珍总结了各种典型的时间序列表示方法，从多个角度分析其特点。该研究有助于理解时间序列表示的进展和应用。

MATLAB中的经典时间序列预测方法包括自回归（AR）、移动平均线（MA）、自回归移动平均线（ARIMA）等多种技术。这些方法已经在各行业展示出色的分类和预测能力。在探索更高级的机器学习方法之前，建议首先熟悉这些经典技术，确保数据准备充分且方法正确。详细介绍了每种方法的实现步骤和使用提示，是入门时间序列预测的理想起点。

普通的“smooth.m”在平滑时间序列时可能会产生伪影，特别是在估计低阶时间导数时。而“powersmooth.m”函数解决了这个问题，能够有效平滑时间序列，并精确估计无噪声动态的前n个时间导数。该函数利用二次规划同时最小化(i)原始噪声时间序列与平滑曲线的残差，以及(ii)平滑曲线的第(n+1)次时间导数。用户需要指定噪声时间序列(vec)、所需的阶数n和正则化权重（权重）。

介绍了针对EEG功率谱多元时间序列的个体或群体的经验正交函数分析(EOF)计算。源码提供了多个版本，适用于不同的上下文，包括只返回第一个EOF和返回所有N个EOF的代码。