用R语言对非平稳且异方差的时间序列进行分析，采用ARIMA-GARCH模型方法

提出基于过程神经网络和自回归模型的组合预测方案。首先，采用二进正交小波变换对原始时间序列分解和重构，分离出原始序列中的高频部分和低频部分；然后对低频部分构建过程神经网络模型，对低频部分采用自回归模型；最后将两种模型的预测值叠加，得到原序列的预测值。

Vold-Kalman 滤波器由 Håvard Vold 和 Jan Leuridan 在 1993 年推出，能够使用已知频率向量从信号中提取非平稳周期分量 [1]。 在最小二乘法的意义上，它可以作为一个稀疏线性系统来解决。 与卡尔曼滤波器类似，VKF 基于结构方程和数据方程最小化成本函数。 本次提交实现了第二代 VKF，能够同时提取多个订单，在交叉订单的情况下进行能量传播 [2]。 句法： x = vkf(y,fs,f) 使用采样率为 1% 的 -3dB 带宽的 2 极滤波器从采样率为 fs 的信号 y 中提取频率向量为 f 的阶数。 输出是单个波形 x。 [...] = vkf(y,fs,f,p) 使用 p 阶滤波器（通常在 1 或 4 之间）。 每个阶都会使滚降每十年增加 -40dB。 通过指定额外的低阶系数，添加了零边界条件。 例如：p = [2 0 1] 应用二阶滤波并在

用于定义和执行时间序列预测过程的功能，包括前（后）处理、分解、建模、预测和准确性评估。生成的模型及其产生的预测误差可用于对其他时间序列预测方法进行基准测试，并提出对此类方法进行改进的需求。为此，可以使用来自预测竞赛的基准数据。

为了缓解大城市中日益突出的停车困难，现如今中国各大城市级停车诱导系统的研究开发势在必行.在停车诱导系统中，作为帮助用户找到最合适的停车场的重要因素，对未来停车位的预测是一个非常重要的智能技术手段.目前主流预测方法如果没有了实时数据，大部分会出现误差累积现象，从而影响预测准确性.然而，在停车诱导系统平台的建设早期，我们很难做到将城市所有停车场实时的数据流搜集起来.因此，文中以具有周期特性的非平稳停车位历史数据为研究对象，首先根据中心极限定理和大数定理对停车位进行统计分析，然后结合LSTM （Long Short-Term Memory），提出混合预测模型SAL （non-stationary Stochastic And Long short-term memory）来对未来某个时间段的停车位作有效预测.实验数据证明，相比于单独使用LSTM和Lyapunov指数法作长期预测，SAL的计算复杂度更低，预测效果相对更加精确，并且有效解决了在失去实时数据支撑情况下多步长期预测导致的误差累积问题.

16非平稳时间序列突变检测的启发式瓜分算法(bg算法)matlab源代码[最新].doc

matlab自带了短时傅里叶变换的分析函数，老版本的matlab是specgram函数，新的改成了spectrogram函数，虽然一说到时频分析，都会说到小波分析，小波分析要比短时傅里叶要好云云，但在分析信号的瞬时频谱时，短时傅里叶还是有它的用武之地的。前一阵也看了一些有关小波分析的matlab实现，发现帮助中使用小波也多是除噪、压缩，都说小波是时频显微镜，它的用武之地还是在于查看高频在哪一级分解中，进而可以有效滤除一些信号，比如除噪，所以短时傅里叶变换查看瞬时频率正好互补一下。

包含去除仿真交叉项的工具 以及fbrr的工具箱 代码在里面

针对噪声的随机性和突变性,使得传统算法抑制非平稳噪声比抑制平稳噪声难度增大的问题,提出了一种基于深度神经网络的子空间语音增强算法。该算法利用带噪的语音信号数据训练一组深度神经网络语音生成型模型(DNN训练模型);在测试增强阶段根据噪声估计和DNN模型去除非平稳噪声;最后,通过信号子空间在抑制噪声和减少信号失真上做出较为折中的选择重构语音信号。实验结果表明,基于深度神经网络的子空间语音增强算法对非平稳噪声有非常强的抑制能力,通过STOI和PESQ值反映了在低信噪比下,该算法可以提高增强语音的可懂度。

《非平稳随机信号分析与处理》是2008年国防工业出版社出版的图书，作者是王宏禹、陈喆