时间序列分析方法在神经放电信号研究中的应用

本文提出应用时间序列分析的方法来研究神经放电脉冲信号的特性。首先对神经放电脉冲间隔序列拟合自回归模型,然后求自回归模型的格林函数和功率谱密度函数。从而探求神经放电信号的某些规律性(如动态特性、记忆特性和周期性等等)。

半潜式超大浮体连接器动力特性的一种时间序列分析方法

根据刚性模块弹性连接器 (RMFC)假设研究由 3个模块连接而成的半潜式超大浮体MobileOffshoreBase(MOB)的波浪载荷动力响应。模块和连接器动力响应根据时间序列法计算 ,这种方法包括海况模拟 ,波浪载荷计算和结构响应计算三个主要部分。通过对结构的适当简化 ,根据Airy波理论 ,Morrison公式以及流体中的结构运动方程、弹性连接器变形方程 ,计算求得MOB在不规则海况下的动力响应 ,并将其与相关文献中的结果进行比较 。

市场预测中时间序列的趋势分析方法

市场预测就是运用各种市场资料,通过分析研究和数学方法,测算未来一定时期内市场需求与供应量的变化及趋势,为生产和流通部门及企业制定计划目标,进行营销决策提供科学依据。当前,企业正面临一个转换经营机制,向市场经济过渡的新课题,因此,掌握科学的预测技术,对于一个企业家来说,无疑是非常重要的,美国克莱斯勒汽车公司由于对能源危机预测的失误,做出错误的决策,曾使公司濒临破产。实践证明,准确的预测,对企业是生命攸关的。

时间序列分析方法在医院检验科工作量预测中的应用

目的探讨时间序列分析在检验科工作量预测中的应用.方法根据我院检验科1994年3月至2004年6月的工作量资料,采用ARIMA时间序列分析方法建立一个简单实用的时间序列模型.结果1994年3月至2004年6月检验科的工作量沿逐年上升的趋势波动,该模型对2004年3月到6月检验科工作量预测的相对误差为1.36%～5.17%,预测结果比较满意.结论在工作量的近期预测中应用ARIMA时间序列模型分析方法对医院检验科工作具有一定的积极指导意义.

频谱分析方法在水文时间序列代表性分析中的应用

水文序列代表性分析是水文频率计算的一项重要工作 ,水文频率分析成果的质量在很大程度上取决于水文序列的代表性 .目前关于水文序列代表性分析仍缺乏有效的方法 .为此 ,作者将频谱分析法引入水文序列代表性分析 ,并根据频域中水文序列周期的个数 ,判断水文序列是否含有丰、平、枯或大、中、小各种特征量级的序列值 ,从而确定水文序列代表性的优劣 .通过对某站年最高水位序列的频谱分析 ,判断该序列含有一个完整的周期 ,由此推断该序列具有较高的代表性 ,即该序列的频率特性接近于总体分布 ,其频率计算设计成果具有较高的精度 .

EWT与MPE结合的GNSS坐标时间序列信号提取方法

针对GNSS坐标时间序列信号提取过程中部分有效信号在残差噪声中“湮没”的问题,提出一种经验小波变换(EWT)和多尺度排列熵(MPE)相结合的二次信号提取方法(EWT-MPE)。该方法对第一次滤波后残差噪声进行分解,产生经验尺度分量和一系列经验小波分量,并采用MPE作为阈值指标,将各分量划分为信息模态分量、混合模态分量和噪声模态分量,对混合模态分量再次提取,直至无混合分量后,再重构初始去噪信号和信息模态分量为最终提取信号,从而达到信号二次提取的目的。通过对中国境内8个陆态网台站原始数据进行实验研究,结果表明,该方法整体优于经验模态分解(EMD)和EWT,信噪比均值达到12.47 dB,能量百分比均值达到79.10%,与EMD和EWT相比,信噪比分别提升33.80%和13.78%,能量百分比分别提升16.15%和5.87%,可以有效提取出原始信号中局部趋势特征,进一步提升信号提取效果。

几种时间序列分析方法的比较与应用

一、几种时间序列分析方法的简单比较 时间序列分析技术是通过对预测目标自身时间序列的处理,来研究其变化趋势的方法.本文把时间序列预测技术大致分成三个方面,即:"确定性时序分析法"、"随机(非确定性)性时序分析法"及"确定性加随机性时序组合模型分析法". ……

基于EMD‑LS的非平稳时间序列多重分形去趋势波动分析方法

多重分形去趋势波动分析(Multi‑Fractal Detrended Fluctuation Analysis,MFDFA)处理非平稳时间序列存在趋势项难以准确移除的问题,为此本文引入经验模态分解(Empirical Mode Decomposition,EMD)并通过趋势项自动判定方法提取趋势项,再利用最小二乘(Least Squares,LS)法对趋势项再拟合(EMD‑LS),进而提出新的多重分形分析方法(EMD‑LS‑MFDFA),并针对具有理论值的二项式多重分形序列(Binomial Multifractal Sequence,BMS),验证了EMD‑LS‑MFDFA法的有效性和稳定性,然后进行仿真分析.研究表明:相较于MFDFA方法,EMD‑LS‑MFDFA移除趋势精度更高,计算的广义Hurst指数和质量指数的均方根误差较小,其中2阶的EMD‑LS‑MFDFA具有更高的计算精度,是1阶的1.8倍,分析不同参数的BMS序列,其多重标度曲线与理论曲线相吻合,证明了该算法具有较好的稳定性和精准的分析能力.

HKDE-EEMDAN的CORS站高程时间序列分析方法

针对传统整体经验模态分解(EEMD)方法进行信号分解时整体平均的结果未能完全消除随机噪声影响使分解信噪比降低、信号重构效果差的问题,结合距离评价函数和熵的聚类算法提出了一种改进的噪声自适应整体经验模态分解方法。在经验模态分解处理时,添加白噪声分解的模态分量并对迭代过程中各阶本征模函数(IMF)分量进行聚类分析。采用该方法和EEMD方法对2个连续运行参考站(CORS)站近20 a高程时间序列进行分解,基于信噪比、正交指数以及均方根误差指标对2种方法的分解精度进行分析比较。实验结果表明:该方法提高信噪比5%以上,提高分解精度26%以上,降低重构信号均方根误差21%以上,降低了随机噪声对时间序列分解和信号重构的影响。

应用时间序列分析方法预测油气管线点腐蚀深度扩展

点腐蚀是影响油气管线剩余寿命的重要因素,预测油气管线的点腐蚀深度扩展行为是评价管线剩余寿命的关键步骤之一。基于时间序列分析处理动态数据的特性,建立了点腐蚀观测数据时间序列分析模型,并结合实例对方法的有效性进行了分析,结果表明,应用时间序列分析预测油气管线点腐蚀深度扩展是切实可行的。

现代经济计量分析方法研究——以时间序列模型为例

现代经济计量分析方法是当前比较流行且实用性非常高的经济分析方法,已经得到广泛的应用并显示了独特的优势。但在实际应用中计量分析方法还是有很多的问题存在。本文使用计量模型中的时间序列模型,以影响内蒙古GDP因素分析为例,说明了计量方法的使用步骤、数据选取的重要性以及模型本身的科学性,重点分析了模型应用中可能存在的多重共线性、异方差与自相关问题,并结合实例说明之。

时间序列到网络新方法应用于心电信号分析

提出了一种新的时间序列转换成网络的方法,从而可以通过网络拓扑统特征来刻画时间序列。将该方法应用于心室纤颤的检测中,发现健康个体与室颤病人相应网络非常明显的不同,将网络的聚类系数与同配系数作为联合指标可以区分两者。此外,还将该算法应用于HRV分析,结果表明,算法能够区分不同病态下的心跳间隔信号。

基于时间序列分析的高速PCB板信号完整性检测方法

目前研究的高速PCB板信号完整性检测方法存在检测耗时过长、检测完整性较低的问题,文中提出基于时间序列分析的高速PCB板信号完整性检测方法。建立分布网络模型,借助信号完整性分析工具对完整的超高速数据采集系统进行详细的时序分析和PCB模拟。通过对信号数据进行分析,得到高频电路信号传输的影响因素。对同源电路的时间序列进行分析,得出接收端时间序列的不等式,其满足信号完整性的时间序列要求。通过测量影响通道信号传输完整性的参数,并引入参数扫描法对各个参数进行扫描分析,完成完整性检测。实验结果表明,基于时间序列分析的高速PCB板信号完整性检测方法能够有效缩短检测时间,保证检测的完整性和有效性。

水文时间序列周期分析方法的研究

水文时间序列基本上具有周期性,但并非物理意义上的周期,而是概率学中的周期。进行时间序列周期的识别和判断是比较难的问题,因此,怎样进行时间序列周期的分析与检测,已经成为水文研究者重点关注的问题。

工程随机信号的确定性混沌理论分析方法

本文介绍了工程随机信号的确定性混沌理论的分析方法及其实现思路．对理论模型－Ｌｏｒｅｎｚ吸引子作了应用分析举例，并对冷态循环流化床模型中的压力脉动信号作了应用分析．结果表明，该分析方法能有效地从工程随机信号中提取出系统主要的定性动力特性．

Bayes时间序列分析方法研究现状简述

经典的时间序列分析方法的研究已经有很长的历史了．尤其是自20年代Box和jenkins提出了时域分析、ARMA模型以来，这一方法在实用的时间序列分析中占有重要的地位。然而用Bayes方法来处理时间序列分析，却只有很短的历史。但由于其实际意义．特别是在社会经济领域的应用，使这一方面的研究工作进展很快。我国关于Bayes时间序列分析方法的研究和应用工作才刚刚起步，本文作者近三年来收集了一些这方面研究的资料，在此做个简单介绍。

一种时间序列多重分形分析的改进方法及其应用

通过分析时间序列广义维数的不同计算方法，本文引入一种新的多重分形奇异测度概念，提出了一种时间序列多重分形分析的改进方法。该方法不仅计算量小，而且其得到的连续分段线性曲线序列的广义维数具有恒等于１ 的性质。由于现实中许多信号可以用连续分段线性曲线逼近，因此上述性质深入刻划了这类信号的一个共同特征。仿真结果表明，本文推导出的性质为信号奇异性检测开辟了一条新途径，利用本文方法还可以快速有效地提取实测舰船噪声的短时多重分维特征。

生理信号时间序列周期性和平稳性对近似熵和样本熵算法的影响分析

目的提高近似熵和样本熵算法在评价生理信号时间序列非线性复杂度应用中的精度。方法首先生成生理信号时间序列数据库,通过对周期序列和叠加有周期成分的非线性序列的分析,研究序列周期性对熵测度算法的影响,并通过对心率变异性(heart rate variability,HRV)序列在去除非平稳趋势前后的对比分析,研究序列平稳性对熵测度算法的影响。结果在序列长度范围内,不同重复频率的周期序列熵测度不同,不同比重的周期成分叠加到非线性序列中引起序列熵测度的变化也不同。生理信号时间序列中大都存在非平稳成分,而非平稳成分会降低序列的复杂度,因此进行熵测度计算前首先要去除非平稳成分。结论周期性和非平稳成分显著影响生理信号时间序列的熵测度算法。