基于ARMA-APARCH模型和神经网络分类的心电数据挖掘

对ECG信号建议了基于ARMA-APARCH模型的特征提取新方法。经过对ECG信号进行预处理后,采用神经网络分类对MIT-BIH数据集的三种ECG信号进行数据挖掘,统计表明基于ARMA-APARCH模型和神经网络分类的心电识别精度较高。

苹果股价的ARMA-APARCH和灰色马尔科夫预测实证分析

股票市场作为金融市场的主体,在国家的经济发展中起着重要的作用。从微观上来看,对股票价格进行预测和分析,可以影响投资者们的策略和手段。文章从股票价格的时间序列研究方法入手,其被证明是较为有效的方法。目前对时间序列的研究有传统时序模型和灰度预测以及马尔科夫矩阵转移的概念的使用。因此,文章以苹果公司的股票价格时间序列数据为研究对象,运用ARMA-APARCH模型进行分析。

基于典型事实特征的天气衍生品中气温预测模型研究

基于气温的长期趋势、季节性、自相关性、波动的聚集性、波动的非对称性等典型事实特征,构建了ARMAAPARCH气温预测模型,并进行了样本外预测。对沈阳、郑州、南京、广州四地日平均气温的实证分析表明,模型能够刻画气温的典型事实特征,具有良好的拟合和预测效果,从而为气温衍生品的定价提供了支持。