1、MATLAB | 时间序列预测 | BP 神经网络 | 附数据和出图代码 | 直接上手

BP 神经网络是一种常见的人工神经网络，也是一种有监督学习的神经网络。其全称为“Back Propagation”，即反向传播算法。BP 神经网络主要由输入层、隐藏层和输出层组成，每一层都由多个神经元组成。BP 神经网络的学习过程是通过不断地调整权值和偏置值来逐步提高网络的精度。 BP 神经网络的训练过程可以分为两个阶段：前向传播和反向传播。在前向传播中，输入信号通过各层的神经元，最终产生输出结果。在反向传播中，输出结果与预期结果的误差被反向传播回网络中，根据误差大小调整各层神经元的权值和偏置值，使得误差逐步减小，从而提高网络的精度。BP 神经网络的优点是可以处理非线性问题，可以进行并行计算，并且能够自适应地学习和调整权值和偏置值。

2、MATLAB | 时间序列预测 | SVM 支持向量机 | 附数据和出图代码 | 直接上手

SVM（Support Vector Machine）即支持向量机，是一种常见的机器学习算法，被广泛应用于分类和回归问题中。它的主要思想是将训练数据映射到高维空间中，然后在该空间中找到一个最优的超平面来分隔不同类别的样本。SVM 的目标是找到一个最大间隔超平面，即具有最大边际（Margin）的超平面，以保证分类的鲁棒性和泛化能力。在 SVM 中，支持向量是指距离超平面最近的一些样本点，它们对于寻找最大边际超平面起着非常重要的作用。SVM 通过对支持向量进行优化来确定最优的超平面，使得它们到超平面的距离最小化。 SVM 在分类问题中的应用非常广泛，尤其在处理高维数据和小样本数据时表现出色。SVM 还可以通过核函数来处理非线性分类问题，将数据映射到高维空间中进行分类。SVM 在模型选择、参数调节和解决多分类问题等方面也有许多研究成果。

3、MATLAB | 时间序列预测 | ARIMA 预测模型 | 附数据和出图代码 | 直接上手

ARIMA（Autoregressive Integrated Moving Average）模型是一种基于时间序列分析的预测模型，可以用于分析和预测具有时间依赖性和随机性的数据。ARIMA模型最初是由Box和Jenkins等人于1976年提出的，是一种广泛使用的时间序列模型，被用于生产和金融等领域的数据预测。 ARIMA模型的核心思想是对时间序列数据进行差分，使得序列变得平稳，然后通过自回归（AR）和移动平均（MA）的组合来建立模型，并利用该模型进行预测。ARIMA模型中的“AR”表示自回归，即当前数据与前面若干时刻的数据相关；“I”表示差分，即对数据进行差分使其平稳；“MA”表示移动平均，即当前数据与前面若干时刻的误差相关。 ARIMA模型的建立过程包括模型识别、参数估计和模型检验三个步骤。在模型识别阶段，需要确定ARIMA模型的阶数和差分次数；在参数估计阶段，需要对模型进行参数估计；在模型检验阶段，需要对模型进行检验并判断模型的预测精度是否满足要求。 ARIMA模型的优点是可以充分利用时间序列数据的历史信息进行预测，能够适应多种不同类型的时间序列数据，并且模型具有较好的解释性。但是ARIMA模型也有一些缺点，如对于非平稳的时间序列数据需要进行差分处理，同时模型的参数估计过程较为繁琐。

4、MATLAB | 时间序列预测 | LSTM 长短期记忆神经网络 | 附数据和出图代码 | 直接上手

LSTM（Long Short-Term Memory）是一种常用的循环神经网络（Recurrent Neural Network，RNN）结构，由于其对于长序列数据的处理能力，被广泛应用于语音识别、自然语言处理、图像处理等领域。 LSTM 网络的主要特点是增加了一个称为“记忆单元（Memory Cell）”的结构，用于控制网络的信息流动。这个结构可以记忆信息并在需要的时候将其加入到当前的处理中，从而更好地处理长序列数据。另外，LSTM 网络还引入了三个称为“门（Gates）”的结构，包括输入门（Input Gate）、遗忘门（Forget Gate）和输出门（Output Gate），用于控制信息的输入、遗忘和输出。这些门的作用是通过一个 sigmoid 函数将输入信息映射到 0~1 之间的值，然后与记忆单元中的信息进行运算，控制信息的流动。通过这种方式，LSTM 网络可以有效的捕捉序列中的长期依赖关系，从而提高了神经网络处理序列数据的能力。

5、MATLAB | 时间序列预测 | ELM 极限学习机 | 附数据和出图代码 | 直接上手

ELM（Extreme Learning Machine）是一种单层前馈神经网络结构，与传统神经网络不同的是，ELM的隐层神经元权重以及偏置都是随机产生的，并且在网络训练过程中不会更新。这种随机初始化的方法使得ELM的训练速度非常快，同时避免了传统神经网络中需要反复调整权重的问题。 ELM的训练过程可以概括为以下几步：

(1). 随机初始化隐层神经元的权重和偏置，构建网络结构。

(2). 将训练数据输入到网络中，得到隐层神经元的输出。

(3). 对隐层神经元的输出和训练数据的标签进行线性回归，得到输出层的权重。

(4). 在测试阶段，将输入数据输入到网络中，通过隐层神经元和输出层权重计算输出结果。 ELM 的优点在于它的训练速度非常快，同时具有较好的泛化能力和适用于大规模数据的特点。但是，它的缺点在于随机初始化可能会导致结果不稳定，而且网络结构过于简单，可能无法处理复杂的非线性问题。因此，在实际应用中需要根据具体问题进行权衡选择。

6、MATLAB | 颜色搭配 | 绘图子函数 | 附数据和出图代码 | 直接上手

个人学习过程中自制的 MATLAB 色卡，由中国色 1: 1 绘制而成。

用法：搭配 chinesecolors.P 和 chinesecolors. Pdf 自定义 526 种中国色进行绘图。

中国色色谱 (http://zhongguose.com/#anyuzi )