不平稳性时序数据短期预测

平稳性时序数据处理代码

(更多详情、使用方法，请下载后细读README.md文件) JTAF-ExtWebDriver\nWebDriver 的扩展是对强大的 WebDriver API 的增强，具有使您的浏览器自动化平稳运行的强大功能。它包括一个小部件库、改进的会话管理和现有 WebDriver API 的扩展功能。\n这是入门的链接\n最新版本\n最新版本是1.5.5版（2017年7月）[maven central]\nMaven依赖：\ndependency\n groupIdorg.finra.jtafgroupId\n artifactIdjtaf-extwebdriverartifactId\n version1.5.5version\ndependency\n贡献\n我们鼓励开源社区的贡献，以帮助使 ExtWebDriver 变得更好。请参阅开发页面以获取有关如何为该项目做出贡献的更多信息，包括签署和DCO协议。\n如果您有任何问题或讨论主题，请在Google 网上论坛上发布。\n建造\nExtWebDriver 使用 Maven 进行构建。请在此处下载安装 Maven 。\n

ARFIMA(p,d,q) 最大似然估计量： - 惠特尔估计- 精确的最大似然估计器 - 以及其他一些可能有用的功能，包括预测。我还没有实现预测误差带计算（从截图中可以判断）。 要求： - 统计工具箱-优化工具箱-Kevin Sheppard 的 MFE 工具箱 http://www.kevinsheppard.com/wiki/MFE_Toolbox 可选要求： -Simone Fatichi 的 ARFIMA(p,d,q) 模拟器（MATLAB Central FileExchange #25611） 后者是测试算法性能所必需的（在 arfima_test 中实现）。 注意：这一次，有一个 C/MEX 文件来加速这个过程，没有 .m 等效文件。它用几个编译器（LCC 和 MS VC++ 2008）编译，证明对我来说是稳定的。 计划进一步更新： -其他估计算法-文档-

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。

认知无线电技术通过次级用户动态接入空闲频谱来提高空闲频谱资源的利用效率，是认知无线电的重要环节。在低信噪比环境下，如何快速精确地进行频谱感知是频谱感知面临的重大挑战。提出了一种基于小波降噪的压缩感知—循环平稳特征检测器来实现低信噪比环境下的频谱检测。采用压缩感知技术提高了频谱感知的效率，并进一步利用小波变换技术降低了压缩感知过程中引入的压缩噪声，提高了低信噪比环境下的频谱感知准确度。仿真结果证明，提出的基于小波降噪的压缩感知技术能够实现低信噪比环境下的频谱空洞检测。

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

人工智人-家居设计-公交车行驶平稳性智能监测系统的设计与研究.pdf

《循环平稳信号处理与应用》-黄知涛 国防科大 循环平稳信号处理是现代信号处理中的一个重要研究方向，在雷达、通信、声呐、导航、电子对抗等众多领域有极为广阔的应用前景。

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。