1) temporal data sequence
时态数据序列
1.
Firstly, based on the temporal data sequences generated from discrete-time systems, locally-accurate approximation of the underlying system dynamics is achieved.
本文针对离散动态系统,扩展了确定学习理论,提出一个根据时态数据序列对离散动态系统进行建模与控制的框架。
2) time series data
时间序列数据
1.
A CBR algorithm supporting time series data;
一种支持时间序列数据的CBR检索算法
2.
The crops yield of per unit area in a City of Guangxi Province was predicted by a combination model of grey-linear regression based on time series data.
采用了一种基于时间序列数据的灰色—线性回归模型对广西某市的粮食作物播种面积的单产进行了预测,并将预测结果及预测误差与线性回归模型及灰色GM(1,1)模型的预测结果进行了比较。
3.
Introduced the classical algorithm used for processing similarity queries on time series data.
探讨了如何增强CBR对一种常见的时态信息,即时间序列数据的检索能力;分析了已有的基于傅里叶频谱分析的时间序列检索算法应用于CBR时遇到的问题,并根据时态CBR检索的需要,提出了一种新的基于循环卷积和傅里叶变换时间序列检索算法。
4) time-series database
时间序列数据库
1.
Besides,the current commercial backup softwares don\'t support the time-series databases.
能量管理系统(EMS)对备份的数据量、备份的版本、备份及恢复的时间有其特殊的需求,而常用的商用备份工具不能满足EMS的运行需求,同时,目前的商用备份软件不支持时间序列数据库。
5) dynamic data sequence
动态数据序列
1.
On a compound forecasting model for dynamic data sequence;
一种动态数据序列组合预测模型法
2.
To improve the forecasting accuracy of dynamic data sequence,we analyze the merits and demerits of both BP neural network and grey prediction method,and propose a combined model based on BP neural network and grey prediction method,which can gather advantage of the two methods and make up the disadvantage of single model as well.
为了提高动态数据序列的预测精度,分析了现有BP神经网络和灰色预测方法各自的优缺点,并在此基础上建立了灰色神经网络组合模型。
6) data sequence
数据序列
1.
It is difficult to tackle the problem about testing of attributes between two data sequences for grey relational analysis because the number of data sequences must be more than 2 in order to structure a grey relational space.
灰关联分析要求数据序列个数必须大于2才能构成灰关联空间,难以解决两个数据序列之间属性检验问题。
2.
Several non-dimensionalization changings of single-index data sequence and their characteristics are studied in this paper.
研究了单指标数据序列的几种无量纲化变换及其性质 ,提出了一种对灰色斜率关联度的改进模型 ,改进后的关联度能够反映序列的正、负相关关系 ,并且对原始序列进行无量纲化变换处理时不影响关联系数及关联度的值 ,还研究了改进的关联度及关联系数的性质。
3.
The purpose of filtering of a data sequence is to reduce the influence of measurement errors as possible on condition that the periodicity, ageing, and other effect quantities aroused by causal quantities should be maintained.
数据序列滤波的目的是在保留数据序列的周期性、时效性及其它原因量引起的效应分量的前提下 ,尽可能地削弱测读误差的影响。
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