1、掌握序列的概念及其几种典型序列的定义,掌握序列的基本运算，并会判断序列的周期性。 2、了解对连续时间信号的时域抽样，掌握奈奎斯特抽样定理，了解抽样的恢复过程。 3、会利用卷积和、差分方程的迭代法计算系统的输出。 4、理解常系数线性差分方程及其用迭代法求解单位抽样响应。 5、掌握线性/移不变/因果/稳定的离散时间系统的概念并会判断，掌握线性移不变系统及其因果性/稳定性判断的充要条件。 引言 1.1 离散时间信号 1.2 采样 1.3 离散时间信号的傅里叶变换与Z变换 1.4 离散时间系统 1.5 系统的频率响应与系统函数

本章我们讨论分析时间序列数据（检验序列相关性，估计ARMA模型，使用分布滞后，非平稳时间序列的单位根检验）的单方程回归方法

创建序列 使用序列 修改序列属性

首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用AR(n)模型对分解后的时间序列进行预测,进而得到最终的预测结果.将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于BP网络的预测方法相比较表明:该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中

针对传统算法在抗光照变化影响、大位移光流和异质点滤除等方面的不足,从人类视觉认知机理出发,提出了一种基于机器学习和生物模型的运动自适应V1-MT (motion-adaptive V1-MT,MAV1MT)序列图像光流估计算法.首先,引入基于ROF模型的结构纹理分解(structure-texture decomposition,STD)技术,有效解决了光照和色彩变化的影响.其次,利用多V1细胞加权组合及非线性正则化模拟MT细胞模型,并结合岭回归训练学习得到运动自适应的权重,解决对目标的运动速度感知问题.最后,引入由粗到精的增强方法和图像金字塔局部运动估计采样,将V1-MT运动估计模型应用于实际大位移视频序列.理论分析和实验结果表明,新方法能更加拟合人眼视觉信息处理特性,对视频序列具有普适、有效、鲁棒的运动感知性能

主要介绍经济时间序列的分解和平滑方法。 时间序列的分解:季节调整 趋势分解 平滑方法:指数平滑

一、时间序列的平稳性 二、单整序列 三、单位根检验

▪ 10.1 时间序列分解 ▪ 10.2 长期趋势分析 ▪ 10.3 季节变动分析 ▪ 10.4 循环波动分析 ▪ 10.5 时间序列的自相关分析 ▪ 10.6 时间序列的动态分析指标 ▪ 10.7 景气循环分析

一、绪论 1.1 什么是时间序列模型 1.2 时间序列分析在经济分析中的作用 1.3 时间序列分析简明发展史 二、基础理论篇 三、基本应用篇

• 掌握序列的概念及其几种典型序列的定义,掌握序列的基本运算，并会判断序列的周期性。 • 掌握线性/移不变/因果/稳定的离散时间系统的概念并会判断，掌握线性移不变系统及其因果性/稳定性判断的充要条件。 • 理解常系数线性差分方程及其用迭代法求解单位抽样响应。 • 了解对连续时间信号的时域抽样，掌握奈奎斯特抽样定理，了解抽样的恢复过程