《时间序列分析及应用:R语言原书第2版》以易于理解的方式讲述了时间序列模型及其应用主要内容包括：趋势平稳时间序列模型非平稳时间序列模型模型识别参数估计模型诊断预测季节模型时间序列回归模型异方差时间序列模型谱分析入门谱估计门限模型对所有的思想和方法都用真实数据集和模仿数据集进行了说明《时间序列分析及应用:R语言原书第2版》可作为高等院校统计经济商科工程及定量社会科学等专业学生的教材或教学参考书同时也可供相关技术人员使用"＞《时间序列分析及应用:R语言原书第2版》以易于理解的方式讲述了时间序列模型及其应用主要内容包括：趋势平稳时间序列模型非平稳时间序列模型模型识别参数估计模型诊断预测季节模型时间序列回归模[更多]
2021/8/15 16:15:30
33.55MB
1
带手打书签高清版本书系统而深入地引见了现代数字信号处理的基础和一些广泛应用的算法。
全书共10章，分为四个部分。
第一部分包括第1章～第4章，引见了研究和学习现代数字信号处理的重要基础，包括随机信号模型、估计理论概要、最优滤波器理论、最优线性预测和最小二乘滤波，这些内容在各种信号处理的研究论文中被广泛使用，是研究信号处理的基础性知识；
第二部分包括第5章和第6章，详细讨论了利用二阶统计量进行信号分析和处理的两个重要应用方向——功率谱估计算法和自适应滤波算法；
第三部分为第7章和第8章，引见了高阶统计量和循环统计量及其应用，对于非高斯随机信号和非最小相位系统，高阶统计量和循环统计量是非常有效的工具；
第四部分包括第9章和第10章，是时频分析和小波变换原理及应用的概述，这部分材料构成对非平稳信号处理的一个导论。
空间阵列信号处理的一些初步内容则穿插在有关章节中，不单独成章。
本书在写作中，除注重内容的先进性和系统性外，也尽量做到有启发性、容易读懂、便于自学。
全书共10章，分为四个部分。
第一部分包括第1章～第4章，引见了研究和学习现代数字信号处理的重要基础，包括随机信号模型、估计理论概要、最优滤波器理论、最优线性预测和最小二乘滤波，这些内容在各种信号处理的研究论文中被广泛使用，是研究信号处理的基础性知识；
第二部分包括第5章和第6章，详细讨论了利用二阶统计量进行信号分析和处理的两个重要应用方向——功率谱估计算法和自适应滤波算法；
第三部分为第7章和第8章，引见了高阶统计量和循环统计量及其应用，对于非高斯随机信号和非最小相位系统，高阶统计量和循环统计量是非常有效的工具；
第四部分包括第9章和第10章，是时频分析和小波变换原理及应用的概述，这部分材料构成对非平稳信号处理的一个导论。
空间阵列信号处理的一些初步内容则穿插在有关章节中，不单独成章。
本书在写作中，除注重内容的先进性和系统性外，也尽量做到有启发性、容易读懂、便于自学。
2015/11/21 4:57:46
8.3MB
1
Hilbert-Huang变换是一种适用于分析非线性、非平稳信号的数据处理方法，它是由美籍华人Huang以及他的同事在1998年提出的，从本质上讲这种方法是要对一个信号进行平稳化处理，得到信号的时间-频率-能量特征。
HHT是近年来在信号处理领域中的一项重要突破。
HHT是分EMD和Hilbert变换两步来实现的，首先对非线性、非平稳信号进行EMD分解，逐级分解出原始信号中不同尺度的波动或变化趋势，这些具有不同特征尺度的一系列时间序列分量叫做本征模态函数(IMF)，接着对每个IMF分量进行Hilbert变换。
对于EMD分解得到的每个分量都有着不同的频率成分，通过对各分量的Hilbert变换能够得到具有物理意义的瞬时属性参数。
Hilbert谱表示的是信号幅值在整个频率段上随时间和频率的变化规律，Hilbert边际谱表示信号幅值在整个频率段上随频率的变化情况，它相当于傅里叶谱，但比傅里叶谱具有更高的频率分辨率。
Hilbert边际谱是通过对Hilbert谱积分得到的。
HHT是近年来在信号处理领域中的一项重要突破。
HHT是分EMD和Hilbert变换两步来实现的，首先对非线性、非平稳信号进行EMD分解，逐级分解出原始信号中不同尺度的波动或变化趋势，这些具有不同特征尺度的一系列时间序列分量叫做本征模态函数(IMF)，接着对每个IMF分量进行Hilbert变换。
对于EMD分解得到的每个分量都有着不同的频率成分，通过对各分量的Hilbert变换能够得到具有物理意义的瞬时属性参数。
Hilbert谱表示的是信号幅值在整个频率段上随时间和频率的变化规律，Hilbert边际谱表示信号幅值在整个频率段上随频率的变化情况，它相当于傅里叶谱，但比傅里叶谱具有更高的频率分辨率。
Hilbert边际谱是通过对Hilbert谱积分得到的。
2020/8/12 19:37:27
25KB
1
经验模态分解是2000年以来以傅立叶变换为基础的线性和稳态频谱分析的一个严重突破，它是依据信号自身的时间尺度特征对信号进行分解，无需预先设定任何基函数，这一点与建立在先验性的谐波基函数和小波基函数上的傅立叶分解与小波分解方法有本质区别。
EDM方法理论上可以应用于任何类型信号的分解，因而在处理非平稳及非线性数据上，具有非常明显的优势，具有很高的信噪比。
EDM方法理论上可以应用于任何类型信号的分解，因而在处理非平稳及非线性数据上，具有非常明显的优势，具有很高的信噪比。
2022/9/5 13:12:12
3KB
1
（含源码及报告）本程序分析了自2016年到2021年（外加）每年我国原油加工的产量，并且分析了2020年全国各地区原油加工量等，含饼状图，柱状图，折线图，数据在地图上显示。
运转本程序需要requests、bs4、csv、pandas、matplotlib、pyecharts库的支持，如果缺少某库请自行安装后再运转。
文件含6个excel表，若干个csv文件以及一个名字为render的html文件（需要用浏览器打开），直观的数据处理部分是图片以及html文件，可在地图中显示，数据处理的是excel文件。
不懂可以扫文件中二维码在QQ里面问。
运转本程序需要requests、bs4、csv、pandas、matplotlib、pyecharts库的支持，如果缺少某库请自行安装后再运转。
文件含6个excel表，若干个csv文件以及一个名字为render的html文件（需要用浏览器打开），直观的数据处理部分是图片以及html文件，可在地图中显示，数据处理的是excel文件。
不懂可以扫文件中二维码在QQ里面问。
2022/9/30 16:31:44
29.75MB
1
DetrendedFluctuationAnalysis，DFA方法的一个优点是它可以无效地滤去序列中的各阶趋势成分,能检测含有噪声且叠加有多项式趋势信号的长程相关,适合非平稳时间序列的长程幂律相关分析
2016/8/19 5:50:11
475B
1
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(AutoregressiveIntegratedMovingAverageModel,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-seriesApproach）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模型根据原序列能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。
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模型根据原序列能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。
2017/5/23 20:02:29
2KB
1
本书以作者在清华大学讲授“小波分析及其工程应用”课程的讲义为基础，深入浅出地阐述了小波的基本理论及其应用技术。
在努力保持小波理论数学严谨性的同时，着力从工程技术角度阐述小波技术及其应用。
旨在突破小波分析的数学障碍，显现其实用的本质。
让小波分析方法和傅里叶分析一样，成为一种基础的、普及的、容易被广大读者掌握和应用的数学工具。
主要内容包括：离散小波的构造，离散小波变换、快速实现算法及其在图像压缩和信号去噪中的应用；
连续小波变换及其局部化时频分析技术；
二进小波变换、快速算法及其在信号奇异性检测、信号表示、图像多尺度边缘提取和信号去噪中的应用；
小波包变换及其在信号去噪、特征提取和非平稳信号毛病诊断等领域中的应用；
区间上的B样条半正交小波及其在曲线多分辨表示和编辑中的应用。
本书可以作为大学本科高年级和研究生的“小波分析及其应用”课程的教材，也可以供从事相关领域研究与应用的专业人士作为参考。
在努力保持小波理论数学严谨性的同时，着力从工程技术角度阐述小波技术及其应用。
旨在突破小波分析的数学障碍，显现其实用的本质。
让小波分析方法和傅里叶分析一样，成为一种基础的、普及的、容易被广大读者掌握和应用的数学工具。
主要内容包括：离散小波的构造，离散小波变换、快速实现算法及其在图像压缩和信号去噪中的应用；
连续小波变换及其局部化时频分析技术；
二进小波变换、快速算法及其在信号奇异性检测、信号表示、图像多尺度边缘提取和信号去噪中的应用；
小波包变换及其在信号去噪、特征提取和非平稳信号毛病诊断等领域中的应用；
区间上的B样条半正交小波及其在曲线多分辨表示和编辑中的应用。
本书可以作为大学本科高年级和研究生的“小波分析及其应用”课程的教材，也可以供从事相关领域研究与应用的专业人士作为参考。
2020/6/10 12:04:19
8.38MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB