搜索资源列表
Rayleigh_fading
- 依据《Autoregressive modeling for fading channel simulation》一文，基于P阶AR模型仿真瑞利衰落-Program to simulate Rayleigh fading using a p-th order autoregressive model AR(p) according to Baddour s work: Autoregressive modeling for fading channel simulation .
work
- 利用LS-TLS算法估计ARMA模型中AR参数估计谱功率密度-Use LS-TLS algorithm to estimate the ARMA model parameter estimation AR spectral power density
Rayleigh_fading
- 一老外写的采用p阶AR模型实现的瑞利衰落matlab仿真程序，参考文献为 Autoregressive modeling for fading channel simulation , IEEE Transaction on Wireless Communications, July 2005. -Program to simulate Rayleigh fading using a p-th order autoregressive model AR(p) according to Ba
AR2_1
- 现代数字信号处理 AR（p）模型 matlab程序-ADSP AR(p) model，MATLAB
delay
- time delay estimation: The standard delay-model a common signal and independent noises added to the x- resp. the y-signal. As common signal we have choosen for 2nd order AR-filtered noise.-The standard delay-model a common signal and independent noi
ARTime_invariant
- 由AR模型识别悬臂梁模态的稳定图法,输入为悬臂梁振动响应信号。-model identification with AR modal
RLS
- 用RLS辨识AR(4)模型，画参数和噪声方差估计收敛图形-Using the RLS identification of AR (4) model, parameters and noise variance estimation convergence pattern
heater_cooler
- Simulink model depicting heating and cooling in ar using stateflow
main
- AR,通过摄像头的人脸识别并增加相应的模型，实现最基本的现实增强-AR, face recognition cameras and increase the corresponding model, to achieve the most basic Augmented Reality
fading
- Program to simulate Rayleigh fading using a p-th order autoregressive model AR(p) according to Baddour s work: Autoregressive modeling for fading channel simulation , IEEE Transaction on Wireless Communications, July 2005. -Program to simulate R
r-languge
- 本书通过案例讲述时间序列分析有关的概念和方法, 不仅介绍了ARMA模型、状态空间模型、Kalman滤波、单位根检验和GRACH模型等一元时间序列方法, 还介绍了很多最新的多元时间序列方法, 如线性协整、门限协整、VAR模型、Granger因果检验、神经网络模型、可加AR模型和谱估计等. 书中强调对真实的时间序列数据进行分析, 全程使用R软件分析了各个科学领域的实际数据, 还分析了金融和经济数据的例子. 本书例题用到的实际数据都可以从网上下载.-Book time series analysis
test
- 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
Rayleigh_fading_channel_simulation
- This program is to simulate the Rayleigh fading channels using a p-th order autoregressive model AR(p)
1
- 设计AR（2）模型下的维纳滤波器，实现对随机信号的滤波(Design the wiener filter under the AR (2) model to filter the random signals)
ARMA_model
- 自回归滑动平均模型（ARMA 模型，Auto-Regressive and Moving Average Model）是研究时间序列的重要方法，由自回归模型（简称AR模型）与滑动平均模型（简称MA模型）为基础“混合”构成。在市场研究中常用于长期追踪资料的研究，如：Panel研究中，用于消费行为模式变迁研究；在零售研究中，用于具有季节变动特征的销售量、市场规模的预测等(Auto-Regressive and Moving Average Model)
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
arimanet
- ARIMA模型全称为自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列预测方法[1] ，所以又称为box-jenkins模型、博克思-詹金斯法。其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归， p为自回归项； MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。所谓ARIMA模型，是指将非平稳
demo0115
- AR识别图片出现模型，并且脱离识别图，模型还存在(AR identifies the picture and leaves thet patern, and the model still exists.)
Time-Frequency Toolbox
- Time Frequency Toolbox matlab时频分析工具箱,里面有各种时频分析函数，用matlab实现的，小波变换，Gabor变化，短时傅里叶变换等等(AF Ambiguity function AR Auto-regressive (filter or model) ASK Amplitude shift keyed signal BJD Born-Jordan distribution BPSK Binary phase shift keyed signal BUD