1.介绍 毕设研究课题，根据轴承的振动数据信息来诊断轴承故障的位置和故障严重等级。方法思路走的是数据驱动，使用传统机器学习方法以及深度学习方法。这个开源项目做的是整理基于传统机器学习的轴承故障诊断的内容。 主要分为三个部分： 数据集预处理：数据集增强(utils.augment) 特征工程(utils.feature):均值(mean), 均方差(rms), 标准差(std), 偏度(skewness), 峭度(kurtosis), 包络谱最大幅值处频率(maxf), 信号熵(signal_entropy), 信号幅值中位数处概率密度值(am_median_pdf) 分类器训练和保存

在频域对采集数据进行了分析，提出了一种基于修正伯格算法的短序列谱估计方法。该方法在阶数估计时引入收敛因子，从而更为有效地估计了阶数，同时未直接采用伯格算法计算反射系数，而是先求得二阶预测误差系数，再求出一阶反射系数，并最终求得高阶系数完成谱估计。这种算法减小了谱偏，提高了分辨率。

序列检测器可用于检测一组或多组由二进制码组成的脉冲序列信号，当序列检测器连续收到一组串行二进制码后，如果这组码与检测器中预先设置的相同，则输出 1，否则输出 0。

用移位寄存器和与非门设计一个 1011 序列检测器。电路连续不停地工作，对串 行输入的序列进行检测，当连续检测 4 个码元符合检测码 1011 时，检测器输出为 1， 指示灯亮，其他情况下输出为 0，指示灯灭。 对串行输入的序列 1011011001001011 进行检测，并记录检测结果。 五、实验设备与器材 1．实验组合箱一台 2．主要器材 74LS000（四 2 输入与非门）一片、74LS020（双 4 输入与非门） 一片 、74LS194（4 位双向移位寄存器）一片

用计数器和数据选择器配合产生序列信号 110100。 实验设备与器材 1．实验组合箱一台 2．74LS000 四二输入与非门一片，74LS153 一片，74LS161 一片

为了满足铁路通信系统在数据传输中的大容量、高安全、可靠性等方面的要求， 本文提出了在干线铁路中利用直接序列扩频通信的方法， 它是伪随机序列与窄带信息相乘，形 成扩频谱信号进行宽带传输的一种通信方式。直接序列扩频通信与GSM—R通信系统相比较， 在 处理增益，抗干扰能力，测距、定时和隐蔽性上有着显著优势。将直接序列扩频通信应用到铁 路系统中， 可提升铁路信号系统的安全可靠性和高效快捷程度。

该函数根据加速度时间序列计算地震参数。 具体来说，它计算速度与时间、位移与时间、峰值地面加速度 (PGA)、峰值地面速度 (PGV)、峰值地面位移 (PGD)、Arias 强度与时间、总 Arias 强度 (Ia)、5% 之间的时间和 75% 的 Ia 已经发生（显着持续时间 D5-75），发生 5% 和 95% Ia 之间的时间（显着持续时间 D5-95），平均周期（Tm），伪加速响应谱（Sa），伪速度响应谱 (Sv)、位移响应谱 (Sd) 和傅立叶幅度谱 (FAS)。

预测能源时间序列 该项目处于开发的初期阶段。 我目前正在Tempus Energy处理时间序列问题-在为Tempus构建工作工具时，我尝试将其移植到该库中。 回购目标 此回购的目的是提供一组工具和能源问题的时间序列预测示例。 可重复使用的工具存在于forecast/forecast -项目特定的代码存在于projects/project_name 。 项目文件夹的结构是灵活的。 数据 用于刮擦公开可用的能源数据集的工具以及用于训练模型的清洁和处理数据的工具。 刮ing Elexon（英国网格数据） 加工 埃莱克森 风电场数据 Makridakis_2018_statistical_ml_concerns.pdf Original data: No pre-processing is applied. • Transforming the data: The log or the B

利用Matlab实现的M序列的生成以及MLS算法

goNfCollector:一套收集和分析Netflow并将其导出到许多数据库和应用程序的工具，例如InfluxDB时间序列数据