基于支持向量回归的颅内压时间序列精确估计方法（2011年）

吴少智和吴跃提出了一种基于支持向量回归的颅内压时间序列无损估计方法。该方法建立在先前的数据挖掘框架之上，利用时间序列分析预测颅内压。首先，研究构建了...

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):1

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, 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。

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。

结构监测里的 GPS 数据，真的是一个挺实用的方向，是做大型桥梁和高层结构的兄弟们，你肯定懂那种数据堆成山、看也看不完的苦。这篇《基于结构响应测量的结构参数估计》就讲得还挺清楚，用 GPS 在线监测拿到结构响应的时间序列数据，再配合统计和谱，直接就能摸清结构的动态特性。嗯，空间分布和频率特性都有涉及，适合搞结构健康监测的你研究下。数据是从南浦大桥来的，12 个测点，高频率 0.1 秒采样，信息量可不小。通过这些三维坐标时间序列，研究者做出空间分布模型，还挖出了结构随时间变化的规律。对比一下不同时间段的响应数据，变化趋势一目了然。谱那块也挺有意思，用的是频域转换，搞结构振动频率和响应成分识别的你

利用支持向量机回归算法，构建混凝土抗压强度预测模型。本资源提供基于 Matlab 的程序代码，用于学习和交流支持向量机在材料科学领域的应用。

基于时间序列的模糊循环聚类算法提供了对历史过程数据进行有效分析的工具。

使用ARMA模型对海浪高度数据进行时间序列分析及预测拟合，代码中有详细注释，便于学习理解。