1) Time series of original observations fields
原观测场时间序列
3) original time series
原始时间序列
4) time series prediction
时间序列预测
1.
Discounted least square RBF neural networks with applications in time series prediction;
打折最小平方RBF网络及其时间序列预测研究
2.
Traffic flow time series prediction based on LS-SVM;
基于LS-SVM的交通流量时间序列预测
3.
SSVR algorithm and time series prediction of furnace combustion state;
SSVR算法及炉膛燃烧状态时间序列预测
5) well log time series
测井时间序列
1.
An improved method of determining maximal Lyapunov exponent for well log time series;
一种改进的测井时间序列的最大Lyapunov指数求取方法
2.
The well log time series is the correct reflection of geological characteristics of the oil bearing layers with quite a high probability.
测井时间序列的计算机沉积微相识别 ,在特征提取上有一定的难度。
6) time series forecasting
时间序列预测
1.
Integrating kernel principal component analysis with least squares support vector machines for time series forecasting problems;
基于核主成分分析与最小二乘支持向量机结合处理时间序列预测问题
2.
Application of Time Series Forecasting on Hospital Drug Purchase;
时间序列预测方法在医院药品采购的应用
3.
Redundant Haar wavelet transform and time series forecasting based on improved lifting scheme;
基于提升方案的冗余Haar小波变换与时间序列预测
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