1) discrete wavelet decomposition and reconstruction
离散小波的分解与重构
2) wavelet decomposition and reconstruction
小波分解与重构
1.
By wavelet decomposition and reconstruction, the original chaotic time series was decomposed into one low frequency signal and several high frequency signals.
算法首先通过小波分解与重构将具有混沌特征的时间序列分解为一个低频信号和多个高频信号;对不再具有混沌特征的信号分支采用神经网络模型预测;对具有混沌特征的信号分支采用基于非线性混沌动力学的预测模型;最后将各分支的预测值组合获得最终预测值。
3) multi-wavelet decomposition and reconstruction
多种小波分解与重构
4) discrete Haar wavelet
离散Haar小波分解
5) discrete wavelet decomposition
离散小波分解
1.
First,staring point of vibration signal is found by discrete wavelet decomposition,then effective data domain is got from original signal,and finally cross-correlation delay estimations is carried out.
在进行互相关时延估计前,首先利用离散小波分解寻找振动起始点,并提取出有效数据域,在显著提高运算速度的同时,有效降低了各类相干噪声和干扰引入的定位误差。
6) wavelet decomposition and reconstruction
小波分解和重构
1.
Trend of SO_2 concentration is analyzed by means of the wavelet decomposition and reconstruction, a BP neural network predicting model with divided patter is firstly constructed and every pattern is pertinently designed.
应用小波分解和重构对SO2浓度年变化趋势进行分析,在此基础上,建立了一种分段BP神经网络预测模型,并对各段有针对性地设计了神经网络预测模型。
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