利用ARMA、AR、MA模型-以及周期图等进行系统参数估计，ARIMA 预测模型 训练集和预测集 ARIMA模型全称为自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-series Approach）预测方法 [1] ，所以又称为Box-Jenkins模型、博克思-詹金斯法。其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归， p为自回归项； MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）以及ARIMA过程。
2021-11-16 14:55:27
28KB
1
掌握现代谱估计的基本方法，包括ARMA模型、ARMA谱估计,包括SVD-TLS算法等。利用ARMA功率谱估计中Cadzow谱估计子和Kaveh谱估计子来进行谱估计。
2021-11-09 00:43:45
46KB
1
Matlab程式码数字信号处理器
这是《采用内核方法进行数字信号处理》一书的页面。
链接到工具箱，代码和软件
第03章
图像去噪和编码：ViStaCoRe：
第04章
插值：simpleInterp：
第06章
内核伽玛和内核ARMA：
KARMA：具有SVM的内核自回归移动平均线：
ARX-RVM：自回归异质相关向量机：
第08章
简单回归工具箱simpleR：
MSVR：多输出支持向量回归：
半监督SVR
：、
e-Huber：Epsilon-Huber支持向量回归：
KSNR：内核信噪比：
WGPR：扭曲的GPR：
VHGPR：变异性异方差GPR：
相关向量机（RVM）：建议使用两个可用的工具箱：
原来的：
Arasanathan
Thayananthan（）（c）剑桥版权大学的多变量RVM（MRVM）实现。
请在适当的时候引用原始实现：Arasanathan
Thayananthan等人的《用于跟踪的多元相关向量机》。
（剑桥大学）。
在过程中。
2006年第9届欧洲计算机视觉会议。
注：simpleR中包含更高版本的MRVM的包装器功能：
SVR：可以从下载libsvm的
2021-11-08 09:42:45
12.84MB
1
SPECTRUM：Python中的光谱分析
贡献：
请加入
贡献者：
问题：
请使用
说明文件：
引文：
Cokelaer等人，（2017年），``频谱''：Python中的频谱分析，开源软件杂志，2（18），348，doi：10.21105 / joss.00348
频谱包含使用基于傅立叶变换，参数方法或特征值分析的方法估算功率谱密度的工具：
傅里叶方法基于相关图，周期图和韦尔奇估计。 可以使用标准的锥形窗口（Hann，Hamming，Blackman）和其他奇异的窗口（DPSS，Taylor等）。
参数方法基于Yule-Walker，BURG，MA和ARMA，协方差和改进的协方差方法。
还实现了基于特征分析（例如MUSIC）和最小方差分析的非参数方法。
也可以多锥度
目标受众是多种多样的。 尽管信号功率谱的使用是电气工程（例如无线电通信，雷达）的基础，但它具有
2021-11-01 23:17:57
798KB
1
matlab矩阵求逆的源码Armadillo：用于线性代数和科学计算的
C++
库
版权所有
2008-2019
Conrad
Sanderson
()
版权所有
2008-2016
澳大利亚国家
ICT
(NICTA)
版权所有
2017-2019
阿罗约联盟版权所有
2017-2019
Data61,
CSIRO
快速链接
内容
一、简介
Armadillo
是用于线性代数和科学计算的高质量
C++
库，旨在在速度和易用性之间取得良好的平衡。
它对于直接在
C++
中进行算法开发和/或将研究代码快速转换为生产环境非常有用。
语法
(API)
特意类似于
Matlab。
该库为向量、矩阵和立方体以及
200
多个相关函数（例如连续和非连续子矩阵视图）提供了高效的类。
通过与
LAPACK
或其高性能替代品之一（例如
OpenBLAS、Intel
MKL、Apple
Accelerate
框架等）的集成，提供了各种矩阵分解。
复杂的表达式计算器（通过
C++
模板元编程）自动组合多个操作（在编译时）以提高速度和效率。
该库可用于机器学习、模式识别、计算机视觉、信号处理、生物信息学、统计
2021-10-20 12:34:21
6.84MB
1