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％。
zhb
- 基于云模型的短期电价预测。一种基于云模型的时间序列预测的新型算法。-Based on cloud model of short-term price forecasting. A cloud-based model of the new algorithm for time series prediction.
yefu_tuoluo_jianmofenxi
- 采用时间序列分析理论,利用实际测量的数据,建立了液浮陀螺随机漂移的ARMA模型。最终,为便于将模型应用于卡尔曼滤波器中,本文给出了一种实际可行的液浮陀螺漂移模型 -Using time series analysis theory, the use of actual measurement data, the establishment of a liquid floating gyro random drift of the ARMA model. Ultimately, in orde
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
chuanyong_tuoluo_wuchamoxing
- 在对船用陀螺漂移数据建立时间序列模型的基础上，采用卡尔曼滤波算法对捷联陀螺漂移数 据进行了处理，以提高陀螺静态漂移误差系数的估计精度，并把得到的陀螺漂移误差模型实时补偿到捷联系统中，得到了满意的效果。-Marine gyro drift in the data time series model based on the Kalman filter algorithm using inertial gyro drift data were processed to enhance the g
theuseofmatlabinthetimeseries
- 介绍使用MATLAB软件对时间序列进行编程，里面有AR模型的建立方法-Describes the time series using MATLAB software programming, which has AR model method
8
- 基于模型的时间序列数据挖掘---聚类和预测相关问题研究 ---- Clustering and forecasting issues related to model-based time-series data mining
BardLeahCA
- 生物模型的元胞自动机的方法 元胞自动机作为简单的数学模型，自组织的调查统计力学。一个详细的分析，给出了“基本”细胞自动机组成的序列值0或1行的网站，每个网站不断变化的确定性离散时间步长，根据一定的规则，涉及其最近的邻居的值。简单的初始配置，元胞自动机趋向于同质化的状态，或产生自相似的模式，与分形维数≃ 1.59或≃ 1.69。随着“随机”的初始配置，元胞自动机演化不可逆转的特性，导致一些自组织现象。产生的结构被发现的统计性质在于两种普遍性类，独立的初始状态的详细信
fractal-predict-pdf
- 该文章从混沌和分形的关系出发，基于奇异吸引子的分形结构和时间序列的自仿射特性，提出了一种混沌时间序列的预测方法。采用迭代函数系统跟踪混沌的局部运动轨迹，由此确定统计意义上放射性能最优的时间序列段，并分局吸引子定力和拼贴定理建立预测模型。-This article from the chaos and fractal relationship starting, based on the characteristics of self-affine fractal structure and ti
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
beiyesi
- 在经济领域中，运用时间序列模型来进行客观经济过程的描述和预测是一个非常重要的方法。然而在实际应用中，由于经济领域的特殊性，传统的频率统计方法进行经济时间序列模型分析往往会碰到很多困难。-In economic field，the time series models are important methods in describing and forecasting the objective economic process．However，when put them into appl
THE-TIME-SERIES
- 该文介绍了时间序列经典方法，ARMA,ARIMA,AR模型用于解决各种平稳预测问题，并且附上了相应的程序，方便读者运用-This paper introduces the classical time series methods, ARMA, ARIMA, AR model is used to solve a variety of stationary prediction problem, and attach the appropriate procedures to facilitat
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
activity-recognition--based-on-hmm
- 一种HMM可以呈现为最简单的动态贝叶斯网络。隐马尔可夫模型背后的数学是由LEBaum和他的同事开发的。它与早期由RuslanL.Stratonovich提出的最优非线性滤波问题息息相关，他是第一个提出前后过程这个概念的。 在简单的马尔可夫模型（如马尔可夫链），所述状态是直接可见的观察者，因此状态转移概率是唯一的参数。在隐马尔可夫模型中，状态是不直接可见的，但输出依赖于该状态下，是可见的。每个状态通过可能的输出记号有了可能的概率分布。因此，通过一个HMM产生标记序列提供了有关状态的一些序
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.
ting_ic42
- 采用加权网络中节点强度和权重都是幂率分布的模型，用于信号特征提取、信号消噪，LZ复杂度反映的是一个时间序列中。- Using weighted model nodes in the network strength and weight are power law distribution, For feature extraction, signal de-noising, LZ complexity is reflected in a time sequence.
热声不稳定主动控制的SVM时间序列预测模型
- 论文libsvm-3.1-[FarutoUltimate3.1Mcode](libsvm-3.1-[FarutoUltimate3.1Mcode])