这个资源包提供了一个融合RNN与CNN的脑电情绪识别实现方案，专为处理多通道脑电信号设计。核心思路是把脑电数据同时建模为时间序列和二维特征图：RNN部分按通道顺序建模频带功率随时间变化的动态特性，CNN部分则将通道拓扑或特征矩阵转为图像形式，捕获空间分布模式。模型内置显著性引导的信息融合机制，支持联合优化两个分支。代码已适配四个主流公开数据集——SEED、SEED-IV、DEAP和MPED，并附带各数据集对应的电极位置映射文件（Neuro_loc_*.npy）、预处理后的训练数组（img.npy、array.npy、label.npy等）、完整模型定义（Models.py、Sal_Model.py等）、工具函数（Utils.py）、损失函数实现及环境配置（req.txt、env.yml）。PDF论文详细说明了模型结构、实验设置与跨数据集性能对比，Model.png直观展示整体框架，Example_Input提供标准输入格式参考。所有模块均可直接运行，支持快速复现与二次开发。

针对当前工业异常数据检测技术未充分考虑数据的时序特征以及训练样本中可能含有异常样本的问题，提出一种检测异常数据的方法：基于时序特征将遥测量与遥信量分为离散量与连续变化量，并分别通过改进后的K-均值算法与传统自回归模型检测离散量与连续变化量的异常数据，在训练聚类模型的过程中，通过计算异常因子来剔除含有异常样本的聚类簇，在训练自回归模型过程中，将不属于正常取值区间的异常样本剔除。最后在OMNeT 平台下搭建仿真小型储水加热工业系统并进行验证，实验结果表明：该方法可以有效地检测出现场设备中的异常数据，相比于其他同类基于聚类的异常检测模型，采用该方法检测异常数据的漏报率更低。

链路预测是网络分析的一个重要应用，网络结构在真实场景中随时间发生演变，节点间会产生新的联系或者终止连接，从而导致网络结构变化以及节点中内在的偏向发生偏移。为提升链路预测能力，提出一种基于时序特征的动态网络节点表示的链路预测算法，即每一时刻的节点表示向量由历史的表示向量计算得到，以反映节点在向量空间中的变化规律，同时结合节点间的高阶邻近特性，生成具有鲁棒性的节点向量来维护网络结构。在真实数据集上的实验结果表明，与TNE、DHPE等算法相比，该算法在链路预测任务上的预测性能具有明显提升，适用于大规模的动态网络。

主要讲解数据挖掘 中用于分类的时序数据特征提取方法，很好的学习资料