2) Non stationary time series
非平稳时间序列
1.
Therefore a study on the predicting model with non stationary time series is made.
目的许多大型旋转机械运行工况恶劣 ,非平稳、非线性特征明显 ,以及各种突发性、偶然性因素的影响 ,给基于振动信号处理的状态预测和状态维护分析带来困难 ,为此研究了非平稳时间序列预测模型。
2.
By using the proposed segmental feature dependent non stationary time series model, the new model not only achieves the modeling of correlation between different scale features but also implicitly models the correlation among neighboring frames in frame scale via parametric mean trajectory function.
该模型采用描述谱参数轨迹的段特征 ,在段尺度上实现了对语音信号帧间相关性的显式建模 ;采用段特征依赖的非平稳时间序列产生模型 ,实现了不同尺度特征间的相关性建模 ,并在帧尺度上通过参数化的均值轨迹函数 ,实现了对语音信号帧间相关性的隐式建模 。
3.
This paper introduced a method of wavelet based analysis and forecasting for non stationary time series.
提出了基于小波变换的非平稳时间序列分析预测方法 。
3) non-stationary time series
非平稳时间序列
1.
Study on the methods for modeling and forecasting gyro s drift performance based on non-stationary time series;
基于非平稳时间序列的陀螺漂移性能建模与预测方法研究
2.
Non-stationary time series prediction based on wavelet analysis and AR-LSSVM;
基于小波变换和AR-LSSVM的非平稳时间序列预测
3.
To build an appropriate mathematic model of the random drift of flexible gyro,two methods are discussed,using non-stationary time series analysis and using stationary time series analysis based on wavelet discomposition.
以挠性陀螺的随机漂移为研究对象,采用非平稳时间序列分析法和基于小波分解的平稳时间序列分析法,建立相应的随机漂移模型。
4) nonstationary time series
非平稳时间序列
1.
The moving average model-based nonstationary time series method is used in the model distinction, parameter estimation, and new information prediction in this paper.
根据大坝裂缝开度实测资料的特点,将裂缝开度{xt}看成一系列时刻t1,t2,…,tn得到的时间序列,采用基于滑动平均模型MA(q)的非平稳时间序列法,对其进行模型识别、参数估计和新息预报。
2.
? A state space approach for the modeling of nonstationary time series is presented.
非平稳时间序列的状态空间建模技术被用于陀螺漂移分析。
3.
This method is used to build forecasting models on the ideal time series from 33-mode Lorenz system,and especially the prediction on nonstationary time series are tested and analyzed.
简要介绍了基于统计学习理论的支持向量机方法的基本思想和原理,利用该方法对33模Lorenz系统的理想混沌时间序列建立预测模型,并对在此基础上产生的非平稳时间序列进行预测试验研究。
6) Nonlinear/non-stationary time series
非线性/非平稳时间序列
补充资料：时间序列预测法
什么是时间序列预测法？
一种历史资料延伸预测，也称历史引伸预测法。是以时间数列所能反映的社会经济现象的发展过程和规律性，进行引伸外推，预测其发展趋势的方法。
时间序列，也叫时间数列、历史复数或动态数列。它是将某种统计指标的数值，按时间先后顺序排到所形成的数列。时间序列预测法就是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。其内容包括：收集与整理某种社会现象的历史资料；对这些资料进行检查鉴别，排成数列；分析时间数列，从中寻找该社会现象随时间变化而变化的规律，得出一定的模式；以此模式去预测该社会现象将来的情况。
时间序列预测法的步骤
第一步收集历史资料，加以整理，编成时间序列，并根据时间序列绘成统计图。时间序列分析通常是把各种可能发生作用的因素进行分类，传统的分类方法是按各种因素的特点或影响效果分为四大类：(1)长期趋势；(2)季节变动；(3)循环变动；(4)不规则变动。
第二步分析时间序列。时间序列中的每一时期的数值都是由许许多多不同的因素同时发生作用后的综合结果。
第三步求时间序列的长期趋势(T)季节变动(s)和不规则变动(I)的值，并选定近似的数学模式来代表它们。对于数学模式中的诸未知参数，使用合适的技术方法求出其值。
第四步利用时间序列资料求出长期趋势、季节变动和不规则变动的数学模型后，就可以利用它来预测未来的长期趋势值T和季节变动值s，在可能的情况下预测不规则变动值I。然后用以下模式计算出未来的时间序列的预测值Y：
加法模式T+S+I=Y
乘法模式T%26times;S%26times;I=Y
如果不规则变动的预测值难以求得，就只求长期趋势和季节变动的预测值，以两者相乘之积或相加之和为时间序列的预测值。如果经济现象本身没有季节变动或不需预测分季分月的资料，则长期趋势的预测值就是时间序列的预测值，即T=Y。但要注意这个预测值只反映现象未来的发展趋势，即使很准确的趋势线在按时间顺序的观察方面所起的作用，本质上也只是一个平均数的作用，实际值将围绕着它上下波动。
时间序列预测法的分类
时间序列预测法可用于短期、中期和长期预测。根据对资料分析方法的不同，又可分为：简单序时平均数法、加权序时平均数法、移动平均法、加权移动平均法、趋势预测法、指数平滑法、季节性趋势预测法、市场寿命周期预测法等。
简单序时平均数法也称算术平均法。即把若干历史时期的统计数值作为观察值，求出算术平均数作为下期预测值。这种方法基于下列假设：%26ldquo;过去这样，今后也将这样%26rdquo;，把近期和远期数据等同化和平均化，因此只能适用于事物变化不大的趋势预测。如果事物呈现某种上升或下降的趋势，就不宜采用此法。
加权序时平均数法就是把各个时期的历史数据按近期和远期影响程度进行加权，求出平均值，作为下期预测值。
简单移动平均法就是相继移动计算若干时期的算术平均数作为下期预测值。
加权移动平均法即将简单移动平均数进行加权计算。在确定权数时，近期观察值的权数应该大些，远期观察值的权数应该小些。
上述几种方法虽然简便，能迅速求出预测值，但由于没有考虑整个社会经济发展的新动向和其他因素的影响，所以准确性较差。应根据新的情况，对预测结果作必要的修正。
指数平滑法即根据历史资料的上期实际数和预测值，用指数加权的办法进行预测。
一种历史资料延伸预测，也称历史引伸预测法。是以时间数列所能反映的社会经济现象的发展过程和规律性，进行引伸外推，预测其发展趋势的方法。
时间序列，也叫时间数列、历史复数或动态数列。它是将某种统计指标的数值，按时间先后顺序排到所形成的数列。时间序列预测法就是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。其内容包括：收集与整理某种社会现象的历史资料；对这些资料进行检查鉴别，排成数列；分析时间数列，从中寻找该社会现象随时间变化而变化的规律，得出一定的模式；以此模式去预测该社会现象将来的情况。
时间序列预测法的步骤
第一步收集历史资料，加以整理，编成时间序列，并根据时间序列绘成统计图。时间序列分析通常是把各种可能发生作用的因素进行分类，传统的分类方法是按各种因素的特点或影响效果分为四大类：(1)长期趋势；(2)季节变动；(3)循环变动；(4)不规则变动。
第二步分析时间序列。时间序列中的每一时期的数值都是由许许多多不同的因素同时发生作用后的综合结果。
第三步求时间序列的长期趋势(T)季节变动(s)和不规则变动(I)的值，并选定近似的数学模式来代表它们。对于数学模式中的诸未知参数，使用合适的技术方法求出其值。
第四步利用时间序列资料求出长期趋势、季节变动和不规则变动的数学模型后，就可以利用它来预测未来的长期趋势值T和季节变动值s，在可能的情况下预测不规则变动值I。然后用以下模式计算出未来的时间序列的预测值Y：
加法模式T+S+I=Y
乘法模式T%26times;S%26times;I=Y
如果不规则变动的预测值难以求得，就只求长期趋势和季节变动的预测值，以两者相乘之积或相加之和为时间序列的预测值。如果经济现象本身没有季节变动或不需预测分季分月的资料，则长期趋势的预测值就是时间序列的预测值，即T=Y。但要注意这个预测值只反映现象未来的发展趋势，即使很准确的趋势线在按时间顺序的观察方面所起的作用，本质上也只是一个平均数的作用，实际值将围绕着它上下波动。
时间序列预测法的分类
时间序列预测法可用于短期、中期和长期预测。根据对资料分析方法的不同，又可分为：简单序时平均数法、加权序时平均数法、移动平均法、加权移动平均法、趋势预测法、指数平滑法、季节性趋势预测法、市场寿命周期预测法等。
简单序时平均数法也称算术平均法。即把若干历史时期的统计数值作为观察值，求出算术平均数作为下期预测值。这种方法基于下列假设：%26ldquo;过去这样，今后也将这样%26rdquo;，把近期和远期数据等同化和平均化，因此只能适用于事物变化不大的趋势预测。如果事物呈现某种上升或下降的趋势，就不宜采用此法。
加权序时平均数法就是把各个时期的历史数据按近期和远期影响程度进行加权，求出平均值，作为下期预测值。
简单移动平均法就是相继移动计算若干时期的算术平均数作为下期预测值。
加权移动平均法即将简单移动平均数进行加权计算。在确定权数时，近期观察值的权数应该大些，远期观察值的权数应该小些。
上述几种方法虽然简便，能迅速求出预测值，但由于没有考虑整个社会经济发展的新动向和其他因素的影响，所以准确性较差。应根据新的情况，对预测结果作必要的修正。
指数平滑法即根据历史资料的上期实际数和预测值，用指数加权的办法进行预测。
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