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。

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.

1、能实现无刷电机平稳启动。 2、电机运行流畅，方波PID速度闭环控制稳定可靠。 3、串口能发生调试命令启动电机运行，同时打印速度消息。 4、OLED同步显示电机运行状态和故障信息。

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

常用AR模型自相关系数递推公式 AR(1) 模型 AR(2) 模型