▪ 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

❖ 信号的描述 ❖ 信号的自变量变换 ❖ 基本信号 ❖ 系统及其数学模型 ❖ 系统的性质 1.0 引言 ( Introduction ) 1.1 连续时间与离散时间信号 （Continuous-Time and Discrete-Time Signals） 1.2 自变量变换 （Transformations of the Independent Variable) 1.3 复指数信号与正弦信号 （Exponential and Sinusoidal Signals ） 1.4 单位冲激与单位阶跃 （The Unit Impulse and Unit Step Functions） 1.5 连续时间与离散时间系统 （Continuous-Time and Discrete-Time Systems） 1.6 系统的基本性质 ( Basic System Properties )

1. 连续时间傅立叶变换; 2. 傅立叶级数与傅立叶变换之间的关系; 3. 傅立叶变换的性质; 4. 系统的频率响应及系统的频域分析； 4.0 引言 Introduction 4.1 非周期信号的表示——连续时间傅立叶变换 4.2 周期信号的傅立叶变换 4.3 连续时间傅立叶变换的性质 4.4 卷积性质 The Convolution Property 4.5 相乘性质 The Multiplication Property 4.7 由线性常系数微分方程表征的系统 4.8 小结 Summary

第一章 统计和统计数据的收集 第二章 统计数据的整理和展示 第三章 数据的描述性分析 一、绝对数和相对数 二、集中趋势的测定 三、离散趋势的测定 四、数据的形态测定 第四章 概率基础——随机变量及其概率分布 第一节 随机变量的概念及数字特征 第二节 常见的离散型分布 一、两点分布 二、二项分布 第三节 常见的连续型分布 正态分布 x2分布 t分布 F分布 第四节 中心极限定理 第五章 区间估计和假设检验 第六章 相关与回归 多元线性回归 非线性回归模型 第八章 时间数列分析 时间数列的种类和编制方法 时间数列传统分析指标 长期趋势的测定 季节变动、循环变动和剩余变动的测定 时间数列的预测方法

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

第一节主要介绍了时间序列分析和预测的基本方法。首先解释了时间序列的形态，常常通过它帮助我们考虑时间序列的四种独立成分：趋势、循环、季节和不规则。通过分离这些成分和测量它们的明显影响，可以预测时间序列的未来值。◼第二节主要介绍了回归分析预测法。市场活动中的许多现象也不例外，其变化与各种影响因素变化之间存在着一定的依存关系。回归分析预测法就是从各种经济现象之间的相互关系出发，通过对与预测对象有联系的现象变动趋势的分析，推算预测对象未来状态数量表现的一种预测方法

时间序列数据或截面数据都是一维数据。例如时间序列数据是变量按时间得到的数据；截面数据是变量在截面空间上的数据。面板数据是同时在时间和截面上取得的二维数据。所以，面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）

重点考察了Ti合金化过程中影响Ti收得率的主要因素,并对比分析了Ti合金化前后夹杂物的物相变化及夹杂物的去除效果.控制氧活度a[O]85%;当a[O]>350×10-6时,需控制Al、Ti合金加入时间间隔为5 min以上.相同a[O]和[Al]s情况下,延长Al、Ti加入时间间隔可以有效提高Ti收得率.RH处理过程中,钢包内当量直径>200μm的Al2O3夹杂物在5 min内基本可以上浮去除,但相同尺寸的A-Ti-O复合夹杂的去除时间要比Al2O3长1~2 min.Ti合金加入后,Al2O3夹杂物周围会形成Al-Ti-O的复合夹杂,这些夹杂物的形成降低Ti的收得率

采用正交试验的方法,研究了电脉冲处理对热镀锌镀层生长动力学的影响.以合金层生长速率时间指数为评价指标对电脉冲处理效果进行了优化.正交试验结果表明,电脉冲处理参数中电容量是主要影响因素,处理时间影响不明显,在电容量200μF,电压700 V,频率2 Hz,处理时间30 s的条件下作用效果较好.在此参数条件下的热镀锌实验结果表明:合金层的生长受到抑制,厚度减薄,组织变得均匀致密;合金层生长速率时间指数由0.717下降到0.428,合金层的生长方式由界面反应和扩散联合控制转变为仅受扩散控制

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