搜索资源列表
RecoveryofSignalfromTransientScatteredResponseCont
- 本文分析了用经验模态分解( Empirical Mode Decomposition ,EMD) 方法处理非平稳噪声信号的基本原理 , 并利用 EMD 方法有效地消除了高斯白噪声对瞬态散射回波的干扰. 文中以一人工合成瞬态回波为例 ,对本方法的有 效性作了检验.
RecoveryofSignalfromTransientScatteredResponseCont
- 本文分析了用经验模态分解( Empirical Mode Decomposition ,EMD) 方法处理非平稳噪声信号的基本原理 , 并利用 EMD 方法有效地消除了高斯白噪声对瞬态散射回波的干扰. 文中以一人工合成瞬态回波为例 ,对本方法的有 效性作了检验.-This paper analyzes the use of empirical mode decomposition (Empirical Mode Decompos
ChaFen
- 使用游程法对时间序列进行平稳性检验，如果是非平稳序列则进行差分使之平稳。-The use of run-time series on a smooth test, if non-stationary series were carried out in differential to make it smooth.
time
- 时间序列进行平稳性检验然后利用aic准则选取合适的模型进行一步预报。-Stationary time series of test criteria and then select the appropriate use of aic step model prediction.
mw
- 用于面板数据平稳性问题（单位根）的MW检验-MW test for panel data stationarity (unit root)
sxdicss
- Inclan和Tiao(1994) 提出的迭代累积平方和算法（ICSS）是对变点检验的一种比较成熟方法。该算法假定时间序列在开始一段时间内呈现出平稳性方差，直到方差发生突变才会改变其波动水平，随后又保持一个方差直到下一个突变反复重复上述过程，就能得到未知数目的方差突变时间。-break point
Series-Forcast
- 用于时间序列的预测，包含序列特征描述、平稳性检验、序列周期判断、季节因子提取、指数平滑预测、及ARIMA预测-Sequence features for time series prediction, including the descr iption of the stationary test, to determine the sequence cycle, seasonal factor extraction, exponen
wangyuetestnew
- 时间序列ARMA建模实例，包含对数据的平稳性检验、白噪声检验及依据ARMA模型的预测。-ARMA time series modeling examples, including the data stationary test, white noise testing and forecasting based on ARMA model.
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 funct
ARMA
- 为建立完善的ARMA模型，进行的预处理，包括野点的分离去除，离散傅里叶变换去除周期项，以及正态性、平稳性检验-For the establishment of a perfect ARMA model, the pretreatment, including the separation of the wild point removal, discrete Fourier transform to remove the periodi
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
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）
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, aut
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 predic