搜索资源列表
wavePredict
- 随着新的数学工具小波分析的实用化为基于NN负荷预测模型性能的改善提供了理论依据对于电力系统负荷非线性时间序列的辨识在预测方法研究中应给予重视在本文所用的基于小波原理和NN融合的预测原理是具有强的非线性时间序列的辩能力由研究和仿真表明它能有效提高预测的精度-with new mathematical tools wavelet analysis based on NN into practical load forecasting model to improve the performance
rbf_mems
- 为了提高使用精度，研究了某型号MEMS陀螺仪的随机漂移模型。采用游程检验法分析了 该陀螺仪随机漂移数据的平稳性，并根据该漂移为均值非平稳、方差平稳的随机过程的结论， 采用梯度径向基（RBF）神经网络对漂移数据进行了建模。实验结果表明：相比经典RBF网络模 型而言，这种方法建立的模型能更好地描述MEMS陀螺仪的漂移特；相对于季节时间序列模型而 言，其补偿效果提高了大约15％。
tuoluo_piaoyi_feipingwenshijian
- 将非平稳时间序列的状态空间建模方法用于陀螺过渡过程的分析.基于平滑先验约束的概念，使用卡尔曼滤波和赤池的AIC方法拟合全局模型，得到陀螺漂移模型的若干数值结果并用于陀螺系统分析.由于观测序列的趋势项、不规则分量可同时建模，因此比分别建模在统计上更加准确有效.-Will be non-stationary time series state space modeling method for the analysis of the transition process gyro. Priori s
C_CPaper
- 摘要:重构相空间是非线性分析的基础 ,利用联积分导出的 C2C方法是估计相空间重构参数延迟时间和延迟时间窗的有效方。由于混沌系统的初值敏感性和实际序列长度有限并带噪 ,使得 C2C方法估计出的和具有波动性。为了降低估值偏差 ,借鉴谱估计中平均法的思想 ,提出一种不同于已有文献利用整段序列估算和,而采用对序列分段估值后取平均的方法 ,并重点讨论了带噪序列的和 估值及序列长度对估值的影响。数值仿真证明这种平均处理方法对和的估值具有较好的有效性和可靠性。关键词:非线性时间序列 关联积分 重构参数 平均
xuliefenge
- 对信号时间序列的分析，序列分割及预处理等，所用语言为matlab-Of the signal time series analysis, sequence segmentation and pre-processing and so on, the language used for matlab
Chaotic-time-series-analysis-
- 混沌时间序列分析 包括相空间重构、关联维数、延迟时间、lapunov 指数等的分析以及实例介绍-Chaotic time series analysis including reconstruction of phase space, correlation dimension, time delay, Lapunov index analysis and examples
Wind-power-prediction-problem
- 利用新陈代谢灰色预测、样本自适应BP 神经网络和时间序列分析分别进行风电功率实时预测和日前预测，并采用熵值取权法确定组合权重，引入自控机制，构建反馈，提出组合预测法和基于时间序列的卡尔曼滤波法。研究结果表明，组合预测模型能减少各预测点较大误差的出现，而卡尔曼滤波能大幅消减原始序列的波动影响。-Use of metabolic gray forecast, sample adaptive BP neural network and time sequence analysis respective
prediction-method
- 用时间序列分析中的自适应滤波预测法,建立某市用电量的预测模型 -Using time series analysis of adaptive filtering prediction method, a city electricity consumption forecasting model
AutoRegression
- AR自回归模型，主要介绍时间序列分析中重要的一个模型。-AR autoregression model, time series analysis introduces an important model.
Time-Series-Analysis-in-Building
- 时间序列分析在建筑变形监测方面的应用，可以用于形变监测方面的初步学习分析等-Time series analysis in monitoring the deformation of the building can be used for analysis of the preliminary study of deformation monitoring, etc.
matlab
- 使用matlab，用时间序列分析法进行建模全部程序-Use matlab, modeling the entire program using time series analysis
matlab
- 基于matlab的时间序列建模与预测，时间序列分析法建模-Time series modeling and prediction matlab-based, time series analysis modeling
acceleration-signal
- 利用加速度信号测量位移是油田抽油井光杆位移测量的主要方法 而加速度信号的随机噪声和趋势项是影响 测量精度的主要因素 本文提出了一种基于学习的实时消噪和剔除趋势项方法 学习时先获取一段时间的加速度信 号 再通过时间序列分析技术得出 ARIMA 模型及其参数 最后基于 FFT 变换的 Rife-Jane 频率估计方法求出加速度 信号的周期 在线实时消噪和剔除趋势项方法是基于学习阶段所得模型参数 运用卡尔曼滤波技术消除加速度信号 随机噪声 按周期两次积分得到光杆位移 用加窗递推最小二乘
TKDE2012ABNORMALDETECTION
- TKDE2012 时间序列分析的异常检测综述 论文-TKDE2012 time series analysis of anomaly detection reviewed papers
Water-Supply-System-
- 本文分别采用基于时间序列分析的方法和人工神经网络方法建立了天级需水量预报模型-Based on time series analysis method and artificial neural network method, the model of water demand forecasting is established in this paper.
Random-Matrix-
- 电网暂态分析是保证电网稳定运行的重要手段。随着电网广域测量系统(wide-area management system， WAMS)的发展，电网形成了具有时空特性的高维海量运行数据。传统的电网暂态分析采用物理模型，用严格的数学公式关联维度之间数据，这种模型不能充分利用海量电网运行数据，造成资源浪费。从数据驱动的角度，首先分析 WAMS 数据的应用情况，考虑电网运行数据特点建立数据模型。然后利用随机矩阵理论(random matrix theory， RMT) 建立平均谱半径(mean spect
CPI_forecast
- 时间序列分析：平稳性，正态性检验，自相关偏高相关函数计算-Time series analysis: stationary, normality test, autocorrelation high correlation function calculation
ARMA相关模型及其应用
- 时间序列分析是数理统计中的一个重要分支，用随机过程理论和数理统 计方法研究随机数据序列的规律。时间序列分析提供了一套具有科学依据的 动态数据处理方法，该方法的主要手段是对各种类型的数据采用相应的数学 模型去近似描述。通过对模型的分析研究，便可更本质地了解数据的内在结 构和复杂特性，从而达到预测其发展趋势并进行必要的控制的目的。(Time series analysis is an important offset of statistics, which studys
ChaoticSignalBasedonWaveletTransform.rar
- 基于小波多分辨率分析的思想，提出一种降低混沌信号噪声的方法。首先对一个混沌时间序列进行小波分析，得到信 号在各个尺度上的不同特性;再对各个高频细节信号进行二次小波去噪;最后对二次小波去噪后的信号进行线性叠加，达到 提取真实信号的目的(Based on the idea of wavelet multiresolution analysis, a method to reduce the noise of chaotic signal is proposed. First, the wavel
电力负荷预测方法研究
- 介绍了负荷预测的特点以及影响预测负荷准确度的成分，并通过实际数据曲线形象地对其周期性、趋势性和节假日负荷的特点以及温度、湿度等影响因素进行分析。(This paper introduces the characteristics of load forecasting and the components that affect the accuracy of forecasting load, and analyzes its periodicity, trend and holiday lo