非参数模型

使用Matlab编写的仿真程序，用于数字信号处理中的AR参数模型功率谱估计。

指数模型的公式为：其中，c0和c与前相同，但a不是变程。 当h=3a时，指数模型的变程约为。 当c0=0，c=1时，称为标准指数模型。

聚类分析是机器学习和数据挖掘领域重要技术之一，与监督学习不同，聚类分析无需类别或标签指导，因此如何选择适当的聚类个数一直是难点。为解决这一问题，提出了一种基于Dirichlet过程混合模型的新型聚类算法，采用collapsed Gibbs采样算法对模型参数进行估计。新算法基于非参数贝叶斯模型框架，通过连续采样优化模型参数，实现自适应聚类个数。在人工合成和真实数据集上的实验表明，该算法表现出良好的聚类效果。

此代码执行双尾 Cox-Stuart 检验的一种版本，用于检验向量 V 中是否存在趋势。该检验的零假设是 V 中不存在趋势。检验结果在 H 中返回，其中 H = 1 表示在 alpha 显著性水平上拒绝原假设，H = 0 表示未能在 alpha 显著性水平上拒绝原假设。

非参数拟合是一种通过数据点生成平滑曲线而不涉及具体参数的方法。它包括插值法和平滑样条内插法，适用于那些不需要详细参数解释的情况。在Matlab中，非参数拟合技术能够有效处理数据曲线的平滑化需求。

Xgboost模型参数解析 Xgboost模型参数主要分为三类：通用参数、辅助参数和任务参数。 1. 通用参数通用参数决定了模型的整体框架，例如选择树模型或线性模型作为基础模型。 2. 辅助参数辅助参数与所选择的上升模型相关，用于进一步微调模型。 3. 任务参数任务参数定义了模型的学习目标，例如回归或分类任务，以及相应的评估指标。

使用滚动窗口VAR进行DY溢出指数建模，包含代码、操作教程、参考文献和原数据，教程详细易懂，适合新手。

Python非参数微分方程（npde）建模代码库包含了具有高斯过程的非参数微分方程的实现。此存储库覆盖了与ODE模型相关的两篇论文发布的内容。演示笔记本提供详细的使用示例和图片。代码实现基于Python3.5，并通过TensorFlow会话进行模型构建、拟合和预测。模型适用于简单数据，支持预测未来路径和样本生成。

AnomalyDetector 是一个用于 MATLAB 环境的非参数异常检测器，可用于进行 时空异常检测。源代码在 Linux 系统下使用 MATLAB R2009b 进行了测试。此工具不依赖于非标准库，除了用于可视化的 tight_subplot.m 函数外，代码所需的所有文件均在工作目录中。数据集位于“数据”文件夹中，其中包含清理和对齐的传感器数据。 要测试 非参数方法，可在工作目录中键入 nonparametric_approach。 要测试 概率方法，则可通过在工作目录中键入 probabilistic_approach。 无论哪种方法，均可在数秒内获得测试结果。

该软件利用Gibbs Sampler实现了无限合并马尔可夫模型(IHMM)和无限Wishart混合模型(IWMM), 用于分析动态功能连接。 其中，IHMM基于Juergen Van Gaels IHMM工具箱构建，并通过demoIHMM.m进行演示。IWMM则通过demo_wishartMM.m进行演示，用于计算新数据集的预测可能性。 该软件已应用于已提交出版物“用于动态功能连接的模型的预测评估”的部分研究。