1) Fractal Time Series
分形时间序列
1.
Based on relevant research of the Fractal Market and Fractal Time Series theory, the author chooses the theory of fractal interpolation raised by M.
在研究分形市场与分形时间序列相关理论的前提下,论文以M。
3) time series analysis
时间序列分析
1.
Application of time series analysis in the prediction of schistosomiasis prevalence in the areas of “breaking dikes or opening sluice for waterstore” in Dongting Lake;
时间序列分析在洞庭湖区双退试点血吸虫病发病预测中的应用
2.
Gyroscope Drift Forecasting Based on Stationary Time Series Analysis;
基于平稳时间序列分析方法的陀螺漂移预测
3.
Combinative time series analysis method for the prediction of the groundwater level;
地下水位预报中的组合时间序列分析法
4) time sequence analysis
时间序列分析
1.
The applied problem of the time sequence analysis is solved.
在综合考虑数学模型的预测精度与编程实现的可操作性基础上,提出了利用模块对变形监测数据进行时间序列分析,并概括介绍了该模块的3个主要命令使用方法,解决了时间序列分析在监测数据处理中实现起来非常繁琐的问题。
2.
Real estate cycles were analyzed using time sequence analysis and artifical neural network model to help market participants identify real estate cycle scientifically and make reasonable decisions.
利用时间序列分析对1992—2003年的北京房地产市场周期发展阶段进行判别研究,并将该判别结果作为训练样本,利用局部改进的标准BP人工神经网络构建了房地产周期识别模型。
3.
In order to predict the mine gas emission quantity,base on the basic theory of the grey system and the time sequence analysis,a random dynamic model to predict the mine gas emission quantity was established.
为了对矿井瓦斯涌出量进行预测,基于灰色系统和时间序列分析的基本理论,建立了矿井瓦斯涌出量预测的随机动态模型,并将该模型应用到某矿瓦斯涌出量预测分析中。
5) time series analysis method
时间序列分析法
1.
Application of time series analysis method in groundwater level dynamic forecast of Shenyang City;
时间序列分析法在沈阳市地下水位动态预报中的应用
2.
By means of time series analysis method,random drift signal output by oriention gyro in navigation system is analyzed under normal and fault conditions so as to obtain a fault identification method of gyro performance.
运用时间序列分析法对正常和故障情况下导航系统中方位保持部件陀螺仪输出随机漂移信号进行分析,得到一种判断陀螺仪性能故障的方法。
6) time series analysis
时间序列分析法
1.
Applying the method of time series analysis to forecasting the paddy water requirement;
时间序列分析法在水稻需水量预测中的应用
2.
This paper employs the neural network method, time series analysis method and recursive neural networks technology based on data mining and knowledge discovery to predict the iron and steel output.
文章使用基于数据挖掘和知识发现的人工神经网络法、时间序列分析法、递归神经网络技术来预测钢铁产量的方法,并将递归神经网络方法预测的结果与前面的两种方法的预测结果进行比较,比较的结果说明该方法是可行的。
补充资料：离散时间周期序列的离散傅里叶级数表示
(1)
式中χ((n))N为一离散时间周期序列，其周期为N点，即
式中r为任意整数。X((k))N为频域周期序列，其周期亦为N点，即X(k)=X(k+lN)，式中l为任意整数。
从式(1)可导出已知X((k))N求χ((n))N的关系
(2)
式(1)和式(2)称为离散傅里叶级数对。
当离散时间周期序列整体向左移位m时,移位后的序列为χ((n+m))N，如果χ((n))N的离散傅里叶级数(DFS)表示为,则χ((n+m))N的DFS表示为
式中χ((n))N为一离散时间周期序列，其周期为N点，即
式中r为任意整数。X((k))N为频域周期序列，其周期亦为N点，即X(k)=X(k+lN)，式中l为任意整数。
从式(1)可导出已知X((k))N求χ((n))N的关系
(2)
式(1)和式(2)称为离散傅里叶级数对。
当离散时间周期序列整体向左移位m时,移位后的序列为χ((n+m))N，如果χ((n))N的离散傅里叶级数(DFS)表示为,则χ((n+m))N的DFS表示为
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条