1) High-Dimension Time Series
高维时间序列
1.
The Research of the Sequence Mining Algorithms on the High-Dimension Time Series Based on Human Motion Capture Data;
基于人体运动捕捉数据的高维时间序列模式挖掘算法的研究
2.
This paper proposes an unsupervised segmentation algorithm for high-dimension time series.
通过高维时间序列分割可以创建高级符号表示。
2) High-dimensional time series analysis
高维时间序列分析
3) multidimensional time series
多维时间序列
1.
Based on support vector regression (SVR) and controlled autoregressive (CAR), we proposed a new non-linear multidimensional time series method named SVR-CAR that can show the dynamic characteristics of sample set as well as the effect of environmental factors.
基于支持向量回归(SVR)并融合带受控项的自回归模型(CAR),建立了一种既反映样本集动态特征又体现环境因子影响的非线性多维时间序列分析预测方法(SVR-CAR)。
2.
Combined support vector regression (SVR) and controlled autoregressive(CAR), a non-linear multidimensional time series approach named SVR-CAR thatbases on structural risk minimization and has high accurate prediction was constructed,which showed the dynamic characteristics of sample set as well as the effect ofenvironmental factors.
基于支持向量回归(support vector regression，SVR)并融合带受控项的自回归模型(controlled autoregressive，CAR)，建立了一种基于结构风险最小原则、既反映样本集动态特征又体现环境因子影响的高精度非线性多维时间序列预测方法(SVR-CAR)，并对5年的小麦赤霉病病穗率和二代玉米螟危害程度进行了一步预测。
3.
To demonstrate the efficiency of our technique,we reconstructed chaotic attractors from multidimensional time series of several existing chaotic systems,such as the Lorenz system,Chen system,Rssler system,Robinovich-fabrikant system and Rssler-hyperchaos system.
在传统的一维时间序列重构技术基础上,提出一种更有效的多维时间序列相空间重构技术。
4) multi-dimensional time series
多维时间序列
1.
Based on multi-dimensional time series approach,this paper proposes the function relationships among the future daily load,the influences of historic daily load inertia action and meteorologic cumulated effect.
以多维时间序列分析方法为基础,解决了未来日负荷与历史日负荷惯性变化的影响以及气象累计效应的影响显性函数关系,从而为负荷预测人员掌握未来负荷与历史负荷、历史气象要素与当日气象条件之间的规律提供了量化的分析基础。
2.
Especially, research on multi-dimensional time series has become a frontier topic.
时间序列数据挖掘是数据挖掘研究的一个重要组成部分,是计算机技术研究的热点之一,多维时间序列数据挖掘更是一个比较前沿的研究课题。
5) multivariate time series
多维时间序列
1.
Graphical models for multivariate time series based on conditional mutual information;
基于条件互信息的多维时间序列图模型
2.
In most applications, especially with the wide-spread proliferation of multimedia technology, more and more multivariate time series data have appeared.
多数应用领域中,随着多媒体技术的迅速发展,产生了越来越多的多维时间序列数据,其中包括动作捕捉数据,生物信息序列,金融数据,移动对象跟踪,人机交互接口等许多类别的多维时间序列数据。
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