1) time vector serial
时间向量序列
2) vector time series
向量时间序列
1.
This paper discussed the concept of nonlinear co-integration relationship which is presented in referenced paper[4], and indicate that nonlinear co-integration could reflect some nonlinear equilibriums among variables in vector time series.
讨论了在文献[4]中提出的非线性协整存在性理论,指出非线性协整关系反映了向量时间序列分量之间的非线性均衡关系;同时阐述了回归型支持向量机(SVR)的基本结构及训练方法;并在此基础上利用回归支持向量机的非线性回归能力,分析了估计非线性协整函数的统计学习方法,最后通过对预设的一组向量时间序列进行仿真研究, 并估计其间的非线性协整函数,来说明SVR方法在非线性协整建模应用中的有效性。
3) time Vector-Valued series
时间向量值序列
5) directional time series
方向性时间序列
1.
A method is proposed to detect lag-dependence between linear and directional time series.
我们建立了一个方法去探测线性与方向性时间序列的分段相依。
6) the double directional interpolating model of ANNS
双向时间序列
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