建模方法是时间序列分析的核心问题之一。本文给出了两种基于最小二乘法的自回归模型（AR模型）的建模方法。采取预留少量数据递补进入计算的办法,使矩阵XTX可以用分块矩阵求逆公式递推求逆,或者用矩阵的Crout分解法递推求解。同时引入了Winograd向量内积快速算法,充分利用各向量和各矩阵之间的关系来减少计算工作量。使计算量比一般最小二乘建模方法大幅度减少,达到与Marple算法和Burg的最大熵谱法可比的程度

一、考核知识点: 乘幂法、逆幂法、雅可比法 二、考核要求: 1.知道乘幂法,逆幂法的基本思想;会用乘幂法求矩阵的特征值与特征向量

一、主要内容 1向量代数 2空间解析几何

一、计算矩阵的主特征根及对应的特征向量 原始幂法/ the original method条件:A4有特征根>2…≥20,对应n个线性无关的特征向晶 nt youshbaye to

以光流法为依据,提出了一种基于光流方向信息熵(entropy of oriented optical flow,EOF)统计的方法捕捉微表情关键帧.首先,采用改进的Horn-Schunck光流法提取视频流中相邻两帧图像的微表情运动特征;其次,采用阈值分析法筛选出投影速度模值较大的光流向量;之后,采用图像信息熵统计光流变化角度,进而得到视频序列的方向信息熵向量,通过对熵向量的分析,实现微表情关键帧捕捉;最后,本实验采用芬兰奥卢大学的SMIC微表情数据库和中国科学院心理研究所傅小兰的CASME微表情数据库作为实验样本,通过与传统的帧差法比较,证明了本文提出的算法优于帧差法,能够较好地表现出微表情变化趋势,为微表情识别提供基础

为了提高热轧生产过程精轧机组的轧制力预设定精度,需要对轧制力进行高精度的预报.本文通过机理公式计算出轧制力的近似值,然后采集大量的实际生产数据修正轧制力预报值.首先利用聚类方法区分不同的生产状态,其次在相同生产状态下采用加权最小二乘支持向量机计算轧制力的修正系数,最后采用乘法方式修正轧制力,达到高精度的轧制力预测.结果表明,轧制力预报的平均相对误差为3.2%,满足现场的生产要求

一、随机变量、随机向量是状态观察的结果 二、随机过程是过程观察的结果 三、对随机过程采样得到随机变量和随机向量

映射方法:将具体的样本空间映射到数集或者 函数集(传统的方法;概率论中常用)。 直接方法:直接指定样本空间为数集或函数集 当样本空间为一维实数集合时,则称该一维实变量为随机变量。 当样本空间为一维复数集合时,则称该一维复数变量为复随机变量当样本空间为高维实数空间时,则称该高维实数空间为随机向量当样本空间为定义于某个数集上的函数组成,则称该函数集合为随机过程

提出一种基于支持向量数据描述(support vector data description,SVDD)的生产过程监控、诊断与优化方法.首先,利用正常样本建立SVDD监控模型,获得控制限;然后,利用贡献图对超过控制限的异常点进行诊断,分析引起异常的主要原因;最后,利用邻近点替换法对异常的生产样本进行工艺参数优化.将新方法应用于热轧薄板的生产过程中,结果表明:新方法比传统的监控方法T2 PCA具有更高的检出率,且可以实现对异常点的工艺参数优化,使之回到受控状态

GPS控制网的数据处理就是将采集的数据经测 量平差后规化到参考椭球面上并投影到所采用 的平面上,得到点的准确位置。其过程大致可 以分为观测数据的预处理、基线向量计算、基 线向量网平差以及GPS网与地面网联合平差、 评定精度等几个阶段