1) modern time series analysis method
现代时间序列分析
1.
Using modern time series analysis method and singular value decomposition,based on the ARMA innovation model and white noise estimation theory,the reducedorder Wiener state estimators are presented for Descriptor ststem.
应用现代时间序列分析方法,基于ARMA新息模型和白噪声估计理论,利用奇异值分解,提出了广义系统降阶Wiener状态估值器。
2.
An ARMA innovation model and the state optimal filter are designed by modern time series analysis method.
结合现代时间序列分析方法,并根据新息模型设计了状态最优滤波器。
3.
Using modern time series analysis method, based on the ARMA innovation model and white noise estimation theory, the reduced -order pole assignment descriptor Kalman estimatros are presented.
应用现代时间序列分析方法,基于ARMA新息模型和白噪声估计理论,提出了广义系统降价极点配置Kalman状态估值器。
2) modern time series analysis
现代时间序列分析
1.
This paper compares the modern time series analysis method with the traditional time series analysis method based on the merits,it shows this method is a new application and good method for processing massive time series in data mining has certain promotional and value.
在比较了现代时间序列分析方法与传统时间序列分析方法优缺点基础上,认为现代时间序列分析方法,是目前处理海量时间序列数据挖掘的一种新的非常适用的较好方法,具有一定的推广和应用价值。
2.
Using the modern time series analysis method, based on the controlled autoregressive moving average(CARMA) innovation model, two new algorithms of steady state Kalman filter gain for stochastic control systems are presented, where the solution of the Riccati equation is avoided.
应用现代时间序列分析方法,基于受控的自回归滑动平均(CARMA)新息模型,提出了随机控制系统稳态Kalman滤波器增益的两种新算法,避免了求解Riccati方程。
3.
Using the modern time series analysis method, a new time-domain approach to multichannel Wiener filter design is presented.
应用现代时间序列分析方法 ,提出了多通道 Wiener滤波器设计的一种新的时域方法。
3) modern time-series analysis method
现代时间序列分析方法
1.
Using modern time-series analysis method,based on the autoregressive moving average(ARMA)innovation model and white noise estimators,a new two-stage decoupled Wiener filters are presented for descriptor systems with stochastic bias.
应用现代时间序列分析方法 ,基于ARMA新息模型和白噪声估值器 ,提出了一种分离随机偏差两段解耦Wiener滤波新方法 ,同两段解耦Kalman滤波理论相比 ,避免了解Riccati方程 ,实现了完全解耦。
2.
To discrete-linear systems with stained observe noises,based on the ARMA innovation model,using modern time-series analysis method,a new decouple Wiener trace filter method are presented.
对带有色观测噪声的离散线性系统 ,应用现代时间序列分析方法 ,基于ARMA新息模型 ,提出了一种解耦Wiener滤波新方法 ,仿真例子说明了本方法的有效
3.
Using modern time-series analysis method,based on the autoregressive moving av-erage(ARMA)innovation model and white noise estimators,state-input estimation two stage decoupled Wiener filters are presented for stochastic system s with non-determinate control input.
运用现代时间序列分析方法,基于ARMA模型和白噪声估值器,对一类控制输入存在不确知性的随机系统,提出了状态输入估计两段解耦Wiener滤波新算法,仿真例子说明了其有效性。
4) modern time series analysis method
现代时间序列分析方法
1.
By the modern time series analysis method, based on the autoregressive moving average(ARMA) innovation model, the multisensor single channel optimal information fusion Wiener filter is presented under the linear minimum variance fusion criterion for single channel ARMA signals with white observation noise.
应用现代时间序列分析方法,对于带白色观测噪声的单通道ARMA信号,基于ARMA新息模型,提出了多传感器线性最小方差最优信息融合Wiener滤波器,可统一处理滤波、平滑和预报问题。
2.
Using the modern time series analysis method,based on the autoregressive moving average (ARMA)innovation model and white noise estimators,this paper presents two new fixed point Kalman smoothers and two new forward fixed interval Kalman smoothers for linear discrete time invariant stochastic systems.
应用现代时间序列分析方法，基于ＡＲＭＡ新息模型和白噪声估值器，对线性定常离散随机系统提出了两种新的固定点Ｋａｌｍａｎ平滑器和两种新的正向固定区间Ｋａｌｍａｎ平滑器。
3.
By the modern time series analysis method, based on the autoregressive moving average(ARMA)innovation model,and white noise estimation theory,a distributed steady-state Kalman fuser with a three-layer fusion structure is presented,which consists of two weighted fusers and two composite fusers.
对带多传感器的线性离散随机广义系统,用奇异值分解将其化为两个降阶耦合子系统,应用现代时间序列分析方法,基于自回归滑动平均(Autoregressive moving average,ARMA)新息模型和白噪声估计理论,提出了带三层融合结构的分布式稳态Kalman融合器,它由两个加权融合器和两个复合融合器组成。
5) modern temporal series analysis method
现代时间序列分析法
6) 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
补充资料：时间序列分析
| 时间序列分析 time series analysis 用随机过程理论和数理统计学方法，对时间序列进行的统计分析。数理统计学的分支。时间序列是指被观测到的依时间次序排列的数据序列。从经济到工程技术，从天文到地理和气象，几乎在各种领域中都会遇到时间序列。时间序列分析包括一般统计分析（如自相关分析、谱分析等），统计模型的建立与推断，以及关于时间序列的最优预测、控制和滤波等内容。经典的统计分析都假定数据序列具有独立性，而时间序列分析则着重研究数据序列的相互依赖关系。后者实际上是对离散指标的随机过程的统计分析，所以又可看作是随机过程统计的一个组成部分。例如，记录了某地区第一个月，第二个月，…第T个月的降雨量，利用时间序列分析方法，可以对未来各月的雨量进行预报。时间序列分析在第二次世界大战前就已应用于经济预测，第二次世界大战后，在军事科学、空间科学和工业自动化等部门的应用更加广泛。 就数学方法而言，平稳随机序列（见平稳过程）的统计分析，在理论上的发展比较成熟，从而构成时间序列分析的基础。时间序列分析的主要内容有：①频域分析。一个时间序列可看成各种周期扰动的叠加，频域分析就是确定各周期的振动能量的分配，这种分配称为谱或功率谱。因此频域分析又称谱分析。②时域分析。目的在于确定序列在不同时刻取值的相互依赖关系，或者说，确定序列的相关结构。③模型分析。20世纪70年代以后，应用最广泛的时间序列模型是平稳自回归——滑动平均模型（简称ARMA模型）。两个特殊情况是自回归模型和滑动平均模型。④回归分析。如果时间序列可表示为 确定性分量 与随机性分量之和 ，根据样本值（数据序列）来估计确定性分量及分析随机性分量的统计规律，属于时间序列分析中的回归分析问题。 |
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