1) daily runoff time series
日径流时间序列
2) monthly runoff time series
月径流时间序列
1.
Chaos analysis of the monthly runoff time series in Jinsha River,China;
金沙江流域月径流时间序列的混沌分析
3) runoff time series
径流时间序列
1.
Research on prediction of runoff time series based on SVM——Case study of runoff of Linjiacun gauging station on the Weihe river at Baoji city;
基于混沌支持向量机的径流时间序列预测研究——以渭河宝鸡林家村站径流序列为例
2.
It is often difficult to calculate the best embedding dimension for the real runoff time series when the theoretical methods are used,so the authors used the combined prediction in multi-dimension embedding phase spaces to improve the chaotic prediction of runoff time series.
针对理论混沌参数计算方法很难得到实际径流时间序列的最佳嵌入维数,采用多嵌入维数组合预测对径流时间序列预测方法进行改进。
3.
The local forecasting method based on the chaos dynamics is studied with the runoff time series of many rivers as examples.
以多条河流的径流时间序列为例详细分析了基于混沌动力学的局部预测方法，并与全局方法和基于随机理论的ＡＲ（ｐ） 模型等预测方法进行了对比，结果表明，局部预测方法往往优于其他预测方法。
5) runoff time series
径流量时间序列
6) chaotic runoff time series
混沌径流时间序列
1.
In this paper introduced Artificial Neural Networks(ANN),which is different from tradition way and has been used to take out the dimension of the chaotic runoff time series of reservoirs.
区别于传统的提取混沌时间序列饱和嵌入维数的方法,本文利用人工神经网络成功地对水库混沌径流时间序列的饱和嵌入维数进行了提取,计算了该时间序列里的最大Lyapunov指数,两种方法结果都证明了该时间序列的混沌性。
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