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。

matlab非平稳信号噪声消弭，设计滤波器用于非平稳噪声的消弭与抑制。

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

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。

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。