1) Time series curve
时间序列曲线
1.
In order to correctly describe and recognize the configuration of a time series curve(TSC),five morphemes and one wildcard are defined according to the curve segment types,and the corresponding morpheme vector and the wildcard vector are defined for the hierarchical description of the curve.
为准确描述与识别时间序列曲线形态,根据曲线段类型定义了5个语素和1个通配符,进而定义语素向量及通配符向量,使得对曲线的描述具有层次性。
2) nonlinear time sequence
非线性时间序列
1.
The paper suggests the forecasting model about objects that have nonlinear time sequence by using neural network model, and verifies in through an example.
利用人工神经网络原理对某大型高炉实测沉降,建立了具有非线性时间序列的预测模型,通过实例验证,预测效果良好,为预测我国软土地基上大型设备基础及高层建筑的桩基沉降提供了一种新的方法。
2.
The complexity measure is an important dynamic index to describe nonlinear time sequence.
复杂性测度是刻画非线性时间序列最重要的动力学指标,复杂度的计算涉及时间序列长度、复杂度阶次等参数的选择,合适地选择这些计算参数是保证计算结果真实与稳定的前提。
3.
Correlation dimension is an important parameter to measure a nonlinear time sequence quantitatively,and it is widely used to analyze harmonic component of power system and biomedical signal.
相关维数是定量描述非线性时间序列的一个重要参数,在电力系统谐波分析与生物医学信号特征描述等方面得到了广泛地应用。
3) Nonlinear time series
非线性时间序列
1.
Study and application of PSO-RBFNN model to nonlinear time series forecasting for geotechnical engineering;
PSO-RBFNN模型及其在岩土工程非线性时间序列预测中的应用
2.
Determining the input time delay τ of a neural network for nonlinear time series prediction;
ANN非线性时间序列预测模型输入延时τ的确定
3.
Inter-well connectivityanalysis based on nonlinear time series
非线性时间序列井间连通性分析方法
4) non-linear time series
非线性时间序列
1.
In this paper we consider the non-linear time series model under the random environment,xt=(α0+α1｜xt-1｜rβ+…+αp｜xt-p｜rβ)1/rεt(zt) We discuss the geometric ergodicity of the iterative sequence defined by this model.
将对随机环境下的非线性时间序列模型xt=(α0+α1|xt-1|rβ+…+αp|xt-p|rβ)1/rεt(zt)进行分析,研究由其决定的迭代序列的几何遍历性。
2.
In signal processing, dynamic system indentification,etc, linear time series analysis becomes increasingly inadequate in precision when non-linear time series actually exists.
非线性时间序列的投影寻踪建模与预报田铮，肖华勇非统性时间序列研究的中心问题是：对平稳过程｛Ｘｔ，ｔ∈Ｚ｝，构造一ｆ：Ｒｌ→Ｒ，使其满足其中ｆ是未知光滑函数，｛εｔ｝～ＷＮ（０，σ２），ｌ＝ｐ＋ｑ。
3.
The projection pursuit learning network to approximate multiple dimensional non-linear time series and the algorithm are presented in this paper, which can approximate the modes of multiple dimensional non-linear time series at any accuracy.
建立了多维非线性时间序列投影寻踪学习网络结构及算法，证明了投影寻踪学习网络可以以任意精度逼近多维非线性时间序列，解决了基于投影寻踪学习的多维非线性时间序列的建模和预测问题，实际应用例子表明该算法可行。
5) online time series
在线时间序列
1.
In order to reduce the expense of ANN training,we have developed a dynamic neural network(DNN) modeling method for online time series prediction.
静态神经网络模型用于在线时间序列的预报时具有局限性,即网络的泛化能力有限,且模型不能不断地适应新增样本的变化。
6) bilinear time series
双线性时间序列
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