搜索资源列表
EMD-Toolbox
- EMD的Toolbox及使用方法 经验模态分解（Empirical Mode Decomposition, 简称EMD）是由美国NASA的黄锷博士提出的一种信号分析方法.它依据数据自身的时间尺度特征来进行信号分解, 无须预先设定任何基函数。这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别。正是由于这样的特点, EMD 方法在理论上可以应用于任何类型的信号的分解, 因而在处理非平稳及非线性数据上, 具有非常明显的优势。所以, EMD方法一经提出就在不同的
getailijingxing
- 利用平稳随机信号各态历经性，用周期图法对随机信号进行功率谱估计-The use of smooth ergodic random signal, and use periodogram of random signals, power spectrum estimation
ARprediction
- 对序列建立AR模型，并以概率形式给出预测数列表达。先进行平稳性检验后求取自相关函数，用Y-W法求取模型参数，并应用FPE准则确定阶数，进行预测后，给出概率表达。-AR model for the sequence established, and the probability forecast given in the form of a list. After a smooth first autocorrelation function test strike strike model p
a-review-and-comparative-study
- 非线性非平稳的时间序列趋势预测综述性研究论文，对从事该方向的研究者有很好的学术指导作用-Time series forecasting for nonlinear and non-stationary processes_ a review and comparative study
Train_sperling
- 对列车平稳性实验数据处理的MATLAB程序代码，涉及文件导入，时域图像绘制，数据处理，傅里叶变换，频域图像绘制，平稳性指标计算-I can t speak English.
An-Improved-A--Star-Algorithm
- （被EI收录，不错的文章）传统A*算法在栅格地图上进行路径规划时，求解得到的路径长度不是最短并且转折点较多。针对这些不足，提出了一种改进A*算法，将传统A*算法的可搜索邻域个数从离散的8个拓展为无限个，可以沿任意方向进行搜索。这样不仅求解出来的路径长度更短，并且大大降低了其转折点的个数。该算法被应用于自主研发的“智能先锋”号系列无人驾驶车辆上，实车试验以及它们在“中国智能车未来挑战赛”中的优异表现证明该方法能够在栅格地图中求解出一条更优的可行驶路径，可以显著提升无人驾驶车辆行驶的效率和平稳性。-
LFMfangzheng
- 在很多实际场合下，平稳性的假设往往不能成立，此时就需要引入非平稳信号或时变信号的分析与处理。所谓的时变是指信号的统计特性随时间变化。由于信号的这种性质，传统的傅立叶分析方法无法令人满意。对于时变信号，了解不同时刻附近的频域特征是至关重要的，因此，人们往往采用时间－频率联合描述的方法描述时变信号。-In many practical situations, stationarity assumptions often can not be established, then we need to
RSSD
- 该代码针对滚动轴承故障振动信号呈现出非线性、非平稳性及噪声背景较强等特点，为了有效提取故障特征，使用的一种共振稀疏分解（Resonance-based sparse signal decomposition，RSSD）与小波变换相结合的振动信号特征提取技术的相关仿真实验程序和轴承数据分解程序。其中，共振稀疏分解是基于品质因子可调小波变换与形态分量分析的一种新的信号分解方法，与常规的基于频带划分的信号分解方法不同，它依据信号各分量的振荡形态不同对信号进行分解。 同时还提供了可调谐 Q 因子小波
GA
- 时间序列算法，平稳性检验，采用matlab编程对数据序列的稳定性作出相应的判断(ime series algorithm, stationarity test, using MATLAB programming to determine the stability of the data sequence)
ARMA-Java--master
- ARIMA模型是通过将预测对象随时间推移而形成的数据序列当成一个随机序列，进而用一定的数学模型来近似表述该序列。根据原序列是否平稳以及回归中所包含部分的不同分为AR、MA、ARMA以及ARIMA过程。 在模型的使用过程中需要根据时间序列的自相关函数、偏自相关函数等对序列的平稳性进行判别；而对于非平稳序列一般都需要通过差分处理将其转换成平稳序列（ARIMA）；对得到的平稳序列进行建模以确定最佳模型（AR、MA、ARMA或者ARIMA）。在使用中最重要也是最关键的就是对序列进行参数估计，以检验其
1709.04326
- 多智能体设置在机器学习中的重要性日益突出。超过了最近的大量关于深度的工作多agent强化学习，层次强化学习，生成对抗网络和分散优化都可以看作是这种设置的实例。然而，多学习代理人的存在这些设置使得培训问题的非平稳常常导致不稳定的训练或不想要的最终结果。我们提出学习与对手的学习意识（萝拉），一种方法，原因的预期。其他代理的学习。罗拉学习规则包括一个额外的术语，解释了在预期的参数更新的代理政策其他药物。我们发现，利用似然比策略梯度更新的方法，可以有效地计算萝拉更新规则，使该方法适合于无模型强化学习。这
Kalman
- 对于一个含有明显噪声的心电信号进行卡尔曼滤波处理，最大程度地 “还原”信号，达到去除噪声的目的。卡尔曼滤波（看成维纳滤波的一种实现方法）的特点如下： a) 是根据上一状态的估计值X(n-1)和当前状态的观测值Z(n)推出当前状态的估计值X(n)的滤波方法,不需要用过去的全部观测值。 b) 它是用状态方程和递推方法进行估计的，因而卡尔曼滤波对信号的平稳性和时不变性不做要求。 c) 使用全部观测值保证平稳性。(Kalman in matlab,if you need it,please dow
arima
- arima - （平稳性检验）根据时间序列的散点图、自相关系数和偏自相关系数、单位根检验(ADF)，来判断数据的平稳性； - （平稳化处理）对非平稳的时间序列数据进行差分处理，得到差分阶数d； - （白噪声检测）为了验证序列中有用的信息是否已被提取完毕，如果为白噪声序列，(arima arima -(Stableness test) According to the time series of scatter plots, autocorrelation coefficients and
ARIMA
- ARIMA 模型是在平稳的时间序列基础上建立起来的，因此时间序列的平稳性是建模的重要前提。检验时间序列模型平稳的方法一般采用 ADF 单位根检验模型去检验。当然如果时间序列不稳定，也可以通过一些操作去使得时间序列稳定（比如取对数，差分），然后进行 ARIMA 模型预测，得到稳定的时间序列的预测结果，然后对预测结果进行之前使序列稳定的操作的逆操作（取指数，差分的逆操作），就可以得到原始数据的预测结果。(time series prediction ARIMA)