当前位置：
首页 资源下载
搜索资源 - moving average model
搜索资源列表
-
0下载：
视频捕捉的对象中，背景通常保持不变。一般分析中关注移动的前景物体，威力提取出前景物体，需要建立背景的模型，将模型和当前帧进行比对检测前景物体。前景提取应用非常广泛，特别是在智能监控领域中。
如果有不含前景物体的背景图片，提取前景的工作相对容易，只需要比对当前帧和背景图片的不同，调用函数absdiff实现。但是大多数情况，获得背景图片是不可能的，比如在复杂的场景下，或者有光线条件的变化。因此，就需要动态的变换背景。一种简单的办法是对所观察到的图片取平均，但这样做也有很多弊端，首先，这种办
-
-
0下载：
使用本章学习的K－平均算法，以颜色分量（或几何性状）作为坐标参数，对景象图进行聚类分析，要求最后的分类结果将路标（可能包括少量相似区域）聚类为一个模式类别。要求给出样本模式点，绘制坐标图（标出各个聚类中心的迭代移动轨迹），绘制算法框图，给出结论。并检查上机结果。-Use this learn K - average algorithm to color components (or geometric characters) as coordinate parameters, clusteri
-
-
0下载：
The code performs the simulation of time series with autoregressive fractionally integrated moving average (ARFIMA) models that generalize ARIMA (autoregressive integrated moving average) and ARMA autoregressive moving average models. ARFIMA models a
-
-
0下载：
时间序列线性二次移动平均法预测法，用于掌握一次、二次、三次指数模型的求解方法-Time series linear quadratic moving average forecasting method, used to master once, twice, three times the method of calculating the index model
-
-
1下载：
用于研究时间序列的方法有AR（自回归）、MA（滑动平均）、ARMA（自回归滑动平均）这三种模型。而对于一个平稳时间序列预测问题,首先要考虑的是寻求与它拟合最好的预测模型。而模型的识别与阶数的确定则是选择模型的关键。
1.用 迭代生成1000个点（前2个点自定义）。
2.在这1000个点中取800点进行时间序列分析建立合适的模型。
3.利用剩余的200个点进行模型预测，并看其是否匹配，最后校正。
-Methods for studying time series are AR (a
-
-
1下载：
ARIMA整合移动平均自回归模型，时间序列预测分析方法之一，可用于股价预测。(ARIMA integrates moving average autoregressive model and time series forecasting analysis method, which can be used for stock price forecasting.)
-
