1) multivariate chaotic time series
多变量混沌时间序列
1.
Volterra adaptive real-time prediction of multivariate chaotic time series
多变量混沌时间序列Volterra自适应实时预测
2.
The methods to determine time delays and embedding dimensions in the phase space delay reconstruction of multivariate chaotic time series are proposed.
提出了多变量混沌时间序列相空间延迟重构中延迟时间间隔和嵌入维数的选取方法 ,给出了多变量混沌时间序列的局部平均预测法 ,局部线性预测法和BP神经网络预测法等 3种非线性预测方法 。
2) chaotic time-series prediction
多变量混沌时间序列预测
1.
Considering the shortages in the prediction of chaotic time-series using single variable,this paper studies a new multivariate chaotic time-series prediction model,which is based on the principal components analysis(PCA) and echo state networks(ESN).
针对多变量预测过程中的维数过高问题,文章结合主元分析理论(PCA)和回声状态网络(ESN),构建了基于PCA和ESN的多变量混沌时间序列预测模型,将PCA降维后的时间序列数据输入ESN网络进行预测分析。
3) chaotic time series
混沌时间序列
1.
Prediction of chaotic time series using self-organizing fuzzy neural networks with entropy criterion;
基于熵判据自组织模糊神经网络的混沌时间序列预测
2.
Prediction for chaotic time series based on phase reconstruction of multivariate time series;
基于多变量相重构的混沌时间序列预测
3.
Chaotic Time Series Forecasting and Its Applications in Power System s Short-term Load Forecasting;
混沌时间序列的预测及其在电力系统短期负荷预测中的应用
4) chaos time series
混沌时间序列
1.
Trend prediction based on chaos time series for rotating machine sets;
基于混沌时间序列的旋转机械状态趋势预测研究
2.
A new soft-sensing model of current crude copper composition based on the chaos time series of foregone crude copper composition was established by using the phase-space reconstruction theory and the method of maximum Lyapunov exponent and by updating samples in time.
将转炉产粗铜成分的以往化验数据作为二次变量,化验数据严重滞后的当前炉次粗铜成分作为主导变量,并以延迟时间τ=2(炉次)将转炉粗铜成分时间序列分成两个子时间序列,采用重构相空间理论、最大Lyapunov指数方法和样本及时更新的办法,建立了一种仅对当前炉次的炼铜转炉粗铜成分进行软测量的混沌时间序列软测量模型。
3.
Chaos time series which includes very abundant and profound meaning has widely applications.
混沌时间序列有着极为丰富和深刻的内涵,而且应用非常广泛。
5) chaotic time-series
混沌时间序列
1.
Application of chaotic time-series in slope displacement forecasting;
混沌时间序列在边坡位移预测中的应用
2.
Prediction of chaotic time-series based on online wavelet support vector regression;
基于在线小波支持向量回归的混沌时间序列预测
6) multivariate time series
多变量时间序列
1.
Nonlinear prediction of short-term electrical load on multivariate time series;
电力短期负荷的多变量时间序列预测方法研究
2.
Phase space reconstruction of complex systems based on multivariate time series;
多变量时间序列复杂系统的相空间重构
3.
Research of data mining method on multivariate time series;
多变量时间序列模式挖掘的研究
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