1) non-homogenous sequence
非齐次序列
2) homogenous exponential series
齐次指数序列
1.
By analyzing the solution of GM(1,1) model, the author of this paper finds out the reason which modeled errors of GM(1,1) model are produced when we use GM(1,1) model to fit a homogenous exponential series .
本文通过对GM(1,1)模型解的分析,指出了用GM(1,1)模型对一齐次指数序列进行拟合产生模拟误差的原因。
3) countable nonhomogeneous two-order Markov Chains
可列非齐次二重马氏链
1.
The purpose of this paper is to study some limit theorems for m-valued countable nonhomogeneous two-order Markov Chains in Wiener probability space by using an analytic method, which was invented by Professor Liu Wen.
利用刘文教授提出的分析方法在Wiener概率空间中研究m值可列非齐次二重马氏链的一些极限定理。
4) countable non-homogeneous Markov chain
可列非齐次马尔可夫链
1.
A strong limit theorem and its extension,which hold for arbitrary countable non-homogeneous Markov chains is presented.
给出了一个关于可列非齐次马尔可夫链M元状态序组出现频率的一个强极限定理及其推广,所得结论对任意可列非齐次马尔可夫链普遍成立。
补充资料：离散时间非周期序列的傅里叶变换
把一个非周期的时间序列用连续频率的周期函数表示的一种变换方法。离散时间非周期序列χ(n)的傅里叶变换定义为
(1)
式中n为序号；ω为角频率，是代表角度的连续变量，单位为弧度。由于e是ω的连续的周期函数,所以X(ejw)也是ω的连续的周期函数，其周期为2。
从给定的 X(ejw)求χ(n)的过程称为上述变换的逆变换。变换与逆变换的关系为
(2)
式(2)可以从式(1)导出。χ(n)和X(ejw)称为离散时间非周期序列的傅里叶变换对。
X(ejw)为ω的函数,它是一个复函数，可用幅度及相位的形式表示为
(3)
式中|X(ejw)|和φ(ω)分别称为X(ejw)的幅度和相位。它们都是ω的函数。幅度|X(ejw)|随频率的变化称为幅频特性；相位φ(ω)随ω的变化称为相频特性。
抽样序列的傅里叶变换 实际应用中，离散时间序列多是由对连续时间信号进行抽样得到的。在理想抽样情况下,一给定连续时间信号χ(t)的抽样信号χc(t)定义为
(4)
式中T为抽样的时间间隔，为一单位冲激串序列，χc(t)为抽样后的冲激序列,χ(nT)为在t=nT处的抽样值。
若χ(t)的傅里叶变换为χ(jΩ)，且令ΩT＝ω，则χc(t)的傅里叶变换X(ejw)定义为
(5)
式(5)的X(ejw)可以有两种形式，即
(6)
和
(7)
式中Ωc＝2/T。式(6)说明抽样信号χc(t)的傅里叶变换等于抽样值χ(nT)序列的傅里叶变换;式(7)说明χc(t)的傅里叶变换X(ejw)是连续时间信号χ(t)的傅里叶变换X(jΩ)的周期延拓，而在幅度上相差一个1/T因子。
自相关函数及其能量(密度)谱或功率(密度)谱 在研究平稳随机信号通过线性系统时，由于随机信号不是能量有限信号,不符合绝对可积的条件,所以一般说来它的傅里叶变换是不存在的。因此，在随机信号χ(n)通过确定性线性系统h(n)时，虽然系统的响应y(n)可写成时域卷积的形式，但却无法进行频域分析。为此需研究信号的统计量的分析,即研究信号通过系统前后的均值,相关函数和协方差函数等。从能量有限确定性信号开始，着重说明功率有限信号的自相关函数和功率谱。
设χ(n)为一实数离散时间非周期序列。称为χ(n)的总能量。如果是有界的，则称χ(n)为能量有限信号,简称能量信号。令
(8)
式中rx(m)称为χ(n)序列的自相关函数。它也是一个能量有限的序列。rx(m)的傅里叶变换等于|X(ejw)|2,即
(9)
式中X(ejw)是χ(n)的傅里叶变换。它是一个周期的连续频率函数。由于从式(9)可得
(10)
而式(10)等号左侧为信号的总能量，所以|X(ejw)|2正比于单位角度内的信号能量,它又是随角频率ω而分布的，所以称它为信号χ(n)的能量密度谱，简称能量谱。
对于能量是无界的信号，定义信号的功率为(11)
如果Px是有界的，则称χ(n)为功率有限信号，简称功率信号。这时再定义
(12)
式中Rx(m)称为序列χ(n)的自相关函数。可以看出，Rx(m)也是一个功率有限序列。Rx(m)的傅里叶变换
(13)
但
(14)
因为式(14)中等号左侧为信号χ(n)的功率，所以等号右侧的正比于单位角度内的信号功率，并称它为功率密度；又由于它是随频率分布的，所以称之为功率密度谱，以Sx(ejw)表示，即
(15)
如果信号χ(n)的功率用Px表示，则式(14)变成
(16)
式(9)和式(15)分别为自相关函数rx(m)和Rx(m)对于能量谱|X(ejw)|2和功率谱Sx(ejw)的傅里叶变换关系。这两个关系都称为维纳-钦辛定理。式(10)与式(16)分别称为能量信号与功率信号的帕舍伐尔关系。
(1)
式中n为序号；ω为角频率，是代表角度的连续变量，单位为弧度。由于e是ω的连续的周期函数,所以X(ejw)也是ω的连续的周期函数，其周期为2。
从给定的 X(ejw)求χ(n)的过程称为上述变换的逆变换。变换与逆变换的关系为
(2)
式(2)可以从式(1)导出。χ(n)和X(ejw)称为离散时间非周期序列的傅里叶变换对。
X(ejw)为ω的函数,它是一个复函数，可用幅度及相位的形式表示为
(3)
式中|X(ejw)|和φ(ω)分别称为X(ejw)的幅度和相位。它们都是ω的函数。幅度|X(ejw)|随频率的变化称为幅频特性；相位φ(ω)随ω的变化称为相频特性。
抽样序列的傅里叶变换 实际应用中，离散时间序列多是由对连续时间信号进行抽样得到的。在理想抽样情况下,一给定连续时间信号χ(t)的抽样信号χc(t)定义为
(4)
式中T为抽样的时间间隔，为一单位冲激串序列，χc(t)为抽样后的冲激序列,χ(nT)为在t=nT处的抽样值。
若χ(t)的傅里叶变换为χ(jΩ)，且令ΩT＝ω，则χc(t)的傅里叶变换X(ejw)定义为
(5)
式(5)的X(ejw)可以有两种形式，即
(6)
和
(7)
式中Ωc＝2/T。式(6)说明抽样信号χc(t)的傅里叶变换等于抽样值χ(nT)序列的傅里叶变换;式(7)说明χc(t)的傅里叶变换X(ejw)是连续时间信号χ(t)的傅里叶变换X(jΩ)的周期延拓，而在幅度上相差一个1/T因子。
自相关函数及其能量(密度)谱或功率(密度)谱 在研究平稳随机信号通过线性系统时，由于随机信号不是能量有限信号,不符合绝对可积的条件,所以一般说来它的傅里叶变换是不存在的。因此，在随机信号χ(n)通过确定性线性系统h(n)时，虽然系统的响应y(n)可写成时域卷积的形式，但却无法进行频域分析。为此需研究信号的统计量的分析,即研究信号通过系统前后的均值,相关函数和协方差函数等。从能量有限确定性信号开始，着重说明功率有限信号的自相关函数和功率谱。
设χ(n)为一实数离散时间非周期序列。称为χ(n)的总能量。如果是有界的，则称χ(n)为能量有限信号,简称能量信号。令
(8)
式中rx(m)称为χ(n)序列的自相关函数。它也是一个能量有限的序列。rx(m)的傅里叶变换等于|X(ejw)|2,即
(9)
式中X(ejw)是χ(n)的傅里叶变换。它是一个周期的连续频率函数。由于从式(9)可得
(10)
而式(10)等号左侧为信号的总能量，所以|X(ejw)|2正比于单位角度内的信号能量,它又是随角频率ω而分布的，所以称它为信号χ(n)的能量密度谱，简称能量谱。
对于能量是无界的信号，定义信号的功率为(11)
如果Px是有界的，则称χ(n)为功率有限信号，简称功率信号。这时再定义
(12)
式中Rx(m)称为序列χ(n)的自相关函数。可以看出，Rx(m)也是一个功率有限序列。Rx(m)的傅里叶变换
(13)
但
(14)
因为式(14)中等号左侧为信号χ(n)的功率，所以等号右侧的正比于单位角度内的信号功率，并称它为功率密度；又由于它是随频率分布的，所以称之为功率密度谱，以Sx(ejw)表示，即
(15)
如果信号χ(n)的功率用Px表示，则式(14)变成
(16)
式(9)和式(15)分别为自相关函数rx(m)和Rx(m)对于能量谱|X(ejw)|2和功率谱Sx(ejw)的傅里叶变换关系。这两个关系都称为维纳-钦辛定理。式(10)与式(16)分别称为能量信号与功率信号的帕舍伐尔关系。
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