barriers / 阅读 / 详情

计量经济学中的滞后期有什么用.应该怎么确定滞后期?

2023-07-15 21:50:43
共1条回复
瑞瑞爱吃桃
时间序列分析
一般是Box-Jenkins的方法
把因变量的滞后项作为自变量
y_t = b0 + b1*y_{t-1} + b2*y_{t-2} + ... + bp*y_{t-p} + u_t
这样的模型确定滞后阶数p的方法是
1. y_t满足covariance-stationarity 也就是对于任意t 均值不变 方差不变 协方差只是间隔项数的函数
2. u_t是白噪声而不出现序列相关
3. p的确定遵循parsimony的原则 国内应该翻译为“精简”
一般构造AIC和 SBC两个指标来比较 这两个指标越小越好
AIC = T * ln(残差平方和) + 引入p阶的惩罚
SBC相似
也就是说首先残差平方和应该越小说明自变量也就是滞后阶数的解释能力强 不过呢引入的滞后项数越多 残差平方和应该越来越小 所以要看有效性 便加入一个惩罚 使得模型精简 原理和adjusted R^2一样
AIC适合小样本 SBC适合大样本
然后这两个信息标准都在一般的回归软件中列了出来
比较其中最小的就是合适的p阶滞后
但是一定要保证残差是白噪声

相关推荐

【恒定】的意思是什么?【恒定】是什么意思?

【恒定】的意思是什么?【恒定】是什么意思? 【恒定】的意思是: 永恒固定。★「恒定」在《现代汉语词典》第533页 恒定是什么意思 永恒固定。 ★「恒定」在《现代汉语词典》第533页 恒定的英语单词1.constancy2.homeostasis3.stationarity4.constant;stable 用恒定造句 1.本文给出了动惯性系中的功能原理及机械能守恒定律。2.变长线扫描系统采用的扫描方式和聚焦元件使线束宽度小且恒定,线束功率密度与点扫描焦斑的相当。3.冲击波前方的熵密度是恒定的。4.电荷守恒定律5.电子的稳定性是对电荷守恒定律的最简明而又最有说服力的检验之一。6.动量守恒定理7.动量守恒定律可以取代牛顿第三定律。8.对能量的理解导致了能量守恒定律,该定律统一了物理科学中相当众多的现象。9.对微观世界里的混乱事件的唯一制约,乃是守恒定律所加的约制。10.分析的结果很好地说明了工作压力与工作质量的关系,根据能量守恒定律,在系统运转中,资源应有所保留。11.光速恒定,初看起来好像很平常。12.恒定失效频度期13.回转窑给料量恒定是保证回转窑热工平衡和物料平衡的基础。14.机器中的各种损耗,尽管很大,但这与能量守恒定律丝毫也不矛盾。15.机械能守恒定律16.基底负荷电站 [电力]:发电量恒定的电站。17.假定两个扬声器都发射恒定频率的纯正弦声波。18.利用简单对称性的电磁场,讨论了场和电荷系统遵从的动量守恒、量矩守恒定律.19.论述物理学的对称性,对称性与守恒定律,对称性对物理发展所起的作用以及对称性自发破缺产生的变化。20.内分泌系统:由无管腺体组成的系统,分泌激素(荷尔蒙)以供身体正常生长、发育、繁殖和自我恒定性之需。21.能量和动量守恒定律22.能量守恒定律23.能量守恒定律的普适性直到1847年才得到公认。24.能量守恒定律还用于光谱分析。25.能量守恒定律也获得简单的形式。26.牛顿时代以来物理学的发展,使动量守恒定律显得比牛顿第三定律还重要。27.如果宇称守恒定律受到破坏,就会取消这个限制。28.若人体与环境达成热平衡,以保持体温恒定,就谓之具有热舒适性。29.肾小球滤过率也能保持恒定。30.实际运行表明,步进电机运行稳定,且具有步距角小、矩恒定、耗低等优点。31.守恒定律提供了从实验这个有利地位观察到的图景。32.他发现一定量的机械能会恒定地产生等量的热。33.它的值代表了对透明度的恒定影响。34.它使转子能以恒定速度转动,保持输出电压稳定。35.图1.6示出了“典型”人眼对整个光谱范围内功率恒定而波长不同的各种可见光的相对响应曲线。36.温度恒定时发生的过程叫做等温过程。37.温室为需要恒定的,相对较高温度的植物所建的暖室38.我们就是这样利用能量和动量守恒定律的。39.我们可以采取恒定控制罩温的形式。40.物理学的守恒定律类似于语言学规则。41.需要有一个能在其两个接线柱之间保持恒定的电源。42.需要有一个能在其两个接线柱之间保持恒定势差的电源。43.宇称守恒定律44.载气一般由压缩钢瓶供给,并要使载气压力恒定。45.在恒定电场中,带电粒子得到恒定的加速度。46.粘膜充血是不恒定的表现。47.这一透彻的概括就是能量守恒定律。48.这种方法依赖于悬重 *** 长的恒定性。49.质量守恒定律50.质量守恒定律方程51.周围氧化剂浓度、温度量级、燃料性质参数是保持恒定的。>
2023-07-15 15:06:511

核函数有哪些

核函数包括线性核函数、多项式核函数、高斯核函数等,其中高斯核函数最常用,可以将数据映射到无穷维,也叫做径向基函数(Radial Basis Function 简称 RBF),是某种沿径向对称的标量函数。[1] 通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数,可记作 k(||x-xc||), 其作用往往是局部的,即当x远离xc时函数取值很小。分类核函数的选择要求满足Mercer定理(Mercer"s theorem),即核函数在样本空间内的任意格拉姆矩阵(Gram matrix)为半正定矩阵(semi-positive definite)。常用的核函数有:线性核函数,多项式核函数,径向基核函数,Sigmoid核函数和复合核函数,傅立叶级数核,B样条核函数和张量积核函数等[2] 。平稳和各向同性核函数具有平稳性(stationarity)的核函数仅是特征空间下样本间向量的函数,对指数集的平移变换保持不变(translation invariant)。若样本的协方差与其向量的方向无关,即仅与距离有关,则可使用具有各向同性(isotropy)的核函数。很多核函数同时满足平稳性和各向同性,这里给出其常见例子[3] :1. 径向基函数核(RBF kernel)式中,为RBF核的超参数,定义了学习样本间相似性的特征长度尺度(characteristic length-scale),即权重空间视角下特征空间映射前后样本间距离的比例[3] 。2. 马顿核(Matérn kernel)式中为核函数的超参数,为修正贝塞尔函数(modified Bessel function)。由修正贝塞尔函数的定义可知,马顿核是指数函数与多项式函数的乘积,其可导性,或平滑程度与有关,的常见选择为1.5和2.5。当时,马顿核等价于以为特征尺度的RBF核[3] 。3. 指数函数核(exponential kernel)指数函数核是马顿核在的特殊形式,通常对应奥恩斯坦-乌伦贝克过程(Ornstein-Uhlenbeck Process, OU)。OU过程是一个连续但不平滑(均方不可导)的随机过程。其对应的数学模型是维纳过程(Wiener process)下质点运动的速度[3] 。4. 二次有理函数核(rational quadratic kernel, RQ kernel)式中为超参数。可以证明,RQ核是无穷个RBF核的线性叠加,当趋于无穷时,RQ核等价于以为特征尺度的RBF核[3] 。其它1. 周期核函数(periodickernel)平稳核函数可以用于构建周期核函数:式中,表示该核函数具有的周期,例如由RBF核得到的周期核的形式为:。2. 内积核函数(dot product kernel)内积核函数也被称为多项式核函数,其形式为:,式中表示多项式的阶数[3] 。3. 各向异性核函数对各向同性核函数,定义可将各向同性核函数转化为各向异性核函数,式中是表征各向异性的函数,其格拉姆矩阵的对角元素表示对不同维度所取的不同尺度[3] 。理论根据模式识别理论,低维空间线性不可分的模式通过非线性映射到高维特征空间则可能实现线性可分,但是如果直接采用这种技术在高维空间进行分类或回归,则存在确定非线性映射函数的形式和参数、特征空间维数等问题,而最大的障碍则是在高维特征空间运算时存在的“维数灾难”。采用核函数技术可以有效地解决这样问题。设x,z∈X,X属于R(n)空间,非线性函数Φ实现输入空间X到特征空间F的映射,其中F属于R(m),n<<m。根据核函数技术有:K(x,z) =<Φ(x),Φ(z) > (1)其中:<, >为内积,K(x,z)为核函数。从式(1)可以看出,核函数将m维高维空间的内积运算转化为n维低维输入空间的核函数计算,从而巧妙地解决了在高维特征空间中计算的“维数灾难”等问题,从而为在高维特征空间解决复杂的分类或回归问题奠定了理论基础。性质核函数具有以下性质[4] :(1)核函数的引入避免了“维数灾难”,大大减小了计算量。而输入空间的维数n对核函数矩阵无影响,因此,核函数方法可以有效处理高维输入。(2)无需知道非线性变换函数Φ的形式和参数.(3)核函数的形式和参数的变化会隐式地改变从输入空间到特征空间的映射,进而对特征空间的性质产生影响,最终改变各种核函数方法的性能。(4)核函数方法可以和不同的算法相结合,形成多种不同的基于核函数技术的方法,且这两部分的设计可以单独进行,并可以为不同的应用选择不同的核函数和算法[5] 。
2023-07-15 15:06:591

stationarity test是什么意思

平稳性检验例句:1.The effectiveness of monetary policy on economic policy and price changes ismainly tested through stationarity test, cointegration test and causality test. 货币政策对经济政策与物价变动的影响,主要通过应用平稳性检验、协整性检验与因果检验,来检验其有效性。2.Appling unit root stationarity test and cointegration test theory, this paper studiesthe relationship of fiscal expenditure on science and technology and economicgrowth from 1978-2005. 利用单位根平稳性检验和协整检验的理论,研究1978-2005年度我国财政科技投入与经济增长的关系。
2023-07-15 15:07:071

如何用SAS做ADF检验,多变量?

对于单位根也可以使用PP检验,程序为: PROC AUTOREG DATA=数据集名; MODEL 被检验变量=/stationarity=(pp); RUN;程序的结果给出了没有常数项、有常数项、常数项和趋势项的三种检验情况。判断的依据是看后面的检验概率。对于协整分析,其程序为 PROC AUTOREG DATA=数据集名; MODEL 被检验变量=解释变量/stationarity=(pp); RUN;但协整检验只给出T值,你需要查临界值才能判断。
2023-07-15 15:07:171

使用SAS是如何检验时间序列的平稳性与非平稳性的?

proc arima data=out; identify var=x stationarity=(adf=1) ;run;
2023-07-15 15:07:261

计量经济学严格平稳性含义是什么?

严格平稳性的含义是,一个时间序列的统计特性在时间上是不变的。具体来说,如果一个时间序列满足严格平稳性,那么以下三个条件必须同时满足:1、时序独立性:序列中每个时间点的取值与其他时间点的取值无关。换句话说,序列的统计特性在时间上不会发生任何变化。2、同分布性:序列中的每个时间点的取值都服从同一个概率分布。换句话说,序列的概率分布在时间上保持不变。3、有限二阶矩:序列的方差是有限的,且任意两个时间点之间的协方差只依赖于它们之间的时间差,而不依赖于具体的时间点。严格平稳性是许多计量经济模型和方法的基础假设。它的存在使得我们可以应用许多统计工具和技术来对时间序列数据进行建模和分析。例如,通过假设数据满足严格平稳性,我们可以使用自相关函数(ACF)和偏自相关函数(PACF)等工具来识别时间序列中的自相关性和滞后关系。此外,许多经济学理论和模型也基于严格平稳性的假设进行推导和分析。需要注意的是,严格平稳性是一个较强的要求,实际的时间序列往往很难满足这一条件。在实际应用中,我们通常使用弱平稳性(Weak Stationarity)作为严格平稳性的近似,它要求时间序列的均值、方差和自相关函数在时间上是常数或只与时间差有关。弱平稳性相对较容易满足,同时也能够适应更广泛的时间序列数据。
2023-07-15 15:07:331

时序检测详解

https://blog.csdn.net/BigData_Mining/article/details/81092750 一、概述 1.时间序列的平稳性 这样的时间序列被称为平稳时间序列。也可以认为,如果一个时间序列无明显的上升或下降趋势,各观察值围绕其均值上下波动,这个均值相对于时间来说是一个常数,那么时间序列为平稳序列(弱平稳(Weak stationarity))。 事实上,有两种关于平稳的定义,还有一种强平稳过程: 强平稳过程(Strict stationarity):对于所有可能的n,所有可能的t1,t2,…,tnt1,t2,…,tn,如果所有可能的Zt1,Zt2,…,ZtnZt1,Zt2,…,Ztn的联合分布与Zt1u2212k,Zt2u2212k,…,Ztnu2212kZt1u2212k,Zt2u2212k,…,Ztnu2212k相同时,称其为强平稳。 两种平稳过程并没有包含关系,弱平稳不一定是强平稳,强平稳也不一定是弱平稳。强平稳是事实上的平稳,而弱平稳是统计量在观测意义上的平稳(均值、方差)。 平稳的基本思想是:时间序列的行为并不随时间改变。平稳性刻画的是时间序列的统计性质关于时间平移的不变性。我们研究时间序列很重要的一个出发点 是希望通过时间序列的历史数据来得到其未来的一些预测,换言之,我们希望时间序列在历史数据上的一些性质,在将来保持不变,这就是时间平移的不变性。反之,如果时间序列不是平稳的,由历史数据得到的统计性质对未来预测毫无意义。 2.时间序列的组成 每个时间序列的主要组成部分: 时序检测去除噪音的方法有两种,移动平均法(MA)和指数平滑,ARIMA采用的就是移动平均MA 1.移动平均法 它的基本原理:对任意奇数个连续的点,将它们最中间的点的值替换为其他点的平均值,假设{xixi}表示数据点,位置i的平滑值为sisi,则有: si=12k+1∑j=u2212kkxi+j si=12k+1∑j=u2212kkxi+j 这个简单的方法存在很严重的问题,这和图像处理中的均值滤波是类似的(只不过这里是一维的),采用这样简单粗暴的平滑处理会导致数据变“模糊”,当一个尖峰进入平滑窗口时,当前的数据就会被这个尖峰突然扭曲,直到异常值离开平滑窗口。即因为噪音数据,原始数据丢失了细节。在图像处理中,我们采用高斯滤波来解决这一问题,我们的平滑窗口是带权值的,越靠近中心数据的权重越大,越靠近平滑窗口边缘的点权重越小。这里同样适用,我们通过使用加权移动平均法,公式如下: si=∑j=u2212kkwjxi+j,其中∑j=u2212kkwj=1 si=∑j=u2212kkwjxi+j,其中∑j=u2212kkwj=1 这里的wjwj是权重因数。使用高斯函数来生成权重因数公式如下: f(x,σ)=12πσ2u2212u2212u2212u2212√exp(u221212(xσ)2) f(x,σ)=12πσ2exp(u221212(xσ)2) 参数σσ决定曲线的宽度,当x大于3.5σσ时函数值为0。因此f(x,1)可以用来生成9点的权重因数,只要取f(x,1)上[-4,-3,-2,-1,0,1,2,3,4]这几个位置的函数值即可。把σσ设为2就能得到15点的权重因数,即x为-7到+7之间的所有整数时的取值,以此类推。 移动平均法存在很多问题: 假设p=1,q=2,且进行了一阶差分后,序列平稳了,那么: X^tu2212Xtu22121=u03d51(Xtu22121u2212Xtu22122)+θ1εtu22121+θ2εtu22122 X^tu2212Xtu22121=u03d51(Xtu22121u2212Xtu22122)+θ1εtu22121+θ2εtu22122 即: X^t=Xtu22121+u03d51(Xtu22121u2212Xtu22122)+θ1εtu22121+θ2εtu22122 X^t=Xtu22121+u03d51(Xtu22121u2212Xtu22122)+θ1εtu22121+θ2εtu22122 其中,X tX t为预测值。ARIMA(p,d,q)模型可定义为: (1u2212∑i=1pu03d5iLi)(1u2212L)dXt=(1+∑i=1qθiLi)εt (1u2212∑i=1pu03d5iLi)(1u2212L)dXt=(1+∑i=1qθiLi)εt 其中L是滞后算子(Lag operator),d∈Z,d>0。∈Z,d>0。 ARIMA模型运用有一个较为通用的流程,如下所示: 1.根据时间序列的散点图、自相关函数和偏自相关函数图识别其平稳性。 2.对非平稳的时间序列数据进行平稳化处理。直到处理后的自相关函数和偏自相关函数的数值非显著非零。 3.根据所识别出来的特征建立相应的时间序列模型。平稳化处理后,若偏自相关函数是截尾的,而自相关函数是拖尾的,则建立AR模型;若偏自相关函数是拖尾的,而自相关函数是截尾的,则建立MA模型;若偏自相关函数和自相关函数均是拖尾的,则序列适合ARMA模型。 4.参数估计,检验是否具有统计意义。 5.假设检验,判断(诊断)残差序列是否为白噪声序列。 6.利用已通过检验的模型进行预测。 四:判断平稳性 https://blog.csdn.net/bi_hu_man_wu/article/details/64918870 五:非平稳序列的平稳化 (1)去除趋势(针对确定趋势) 思路:yt=Tt+xtyt=Tt+xt其中TtTt是趋势xtxt平稳,我们主要找到趋势,去掉便可。通常我们采用拟合趋势,得到趋势的表达式,若去掉后仍不平稳,则是拟合错误。(找寻趋势的部分可参见下面的趋势分析-拟合与平滑) (2)差分 一步差分Δy=ytu2212ytu22121=(Iu2212B)ytΔy=ytu2212ytu22121=(Iu2212B)yt s步差分Δsy=(Iu2212Bs)ytΔsy=(Iu2212Bs)yt 比如周数据,可以选择s=7,若一次差分后得到白噪声就没有意义了,这时可以选择分数差分。但差分会使的方差变大。 (3)变换 对于方差变化的序列,可以选择log()变换,去除指数趋势。 一般情况可以考虑box-cox变换。 六:案例 https://blog.csdn.net/Fredric_2014/article/details/85699116 https://blog.csdn.net/Fredric_2014/article/details/85340339 https://blog.csdn.net/weixin_41988628/article/details/83149849 七。讨论与分析 由于良好的统计特性,ARIMA模型是应用最广泛的时间序列模型,各种指数平滑模型都可以用ARIMA模型来实现。即通过Holter-winters建立的模型,用ARIMA同样可以得到。即便ARIMA非常灵活,可以建立各种时间序列模型(AR,MA,ARMA)但是ARIMA也有局限性,最主要的局限在于ARIMA只能建立线性的模型,而现实世界中纯线性模型往往不能令人满意
2023-07-15 15:07:401

从经济学角度举例说明滞后阶数的含义?

滞后阶数p的方法是 1.y_t满足covariance-stationarity 也就是对于任意t 均值不变 方差不变 协方差只是间隔项数的函数 2.u_t是白噪声而不出现序列相关 3.p的确定遵循parsimony的原则 国内应该翻译为“精简” 一般构造AIC和 SBC两个指标来比较 这两个指标越小越好
2023-07-15 15:08:001

有四个拉格朗日乘子怎么用二次规划求解

拉格朗日乘数法的基本思想拉格朗日乘数法(Lagrange Multiplier Method)是一种优化算法,拉格朗日乘子法主要用于解决约束优化问题,它的基本思想就是通过引入拉格朗日乘子来将含有n个变量和k个约束条件的约束优化问题转化为含有(n+k)个变量的无约束优化问题。拉格朗日乘子背后的数学意义是其为约束方程梯度线性组合中每个向量的系数。如何将一个含有n个变量和k个约束条件的约束优化问题转化为含有(n+k)个变量的无约束优化问题?拉格朗日乘数法从数学意义入手,通过引入拉格朗日乘子建立极值条件,对n个变量分别求偏导对应了n个方程,然后加上k个约束条件(对应k个拉格朗日乘子)一起构成包含了(n+k)变量的(n+k)个方程的方程组问题,这样就能根据求方程组的方法对其进行求解。解决的问题模型为约束优化问题:m i n / m a x f ( x , y , z ) min/max f(x,y,z) min/maxf(x,y,z)s . t . s.t. s.t. g ( x , y , z ) = 0 g(x,y,z)=0 g(x,y,z)=0数学实例首先,我们先以麻省理工学院数学课程的一个实例来作为介绍拉格朗日乘数法的引子。求双曲线xy=3上离远点最近的点。解:首先,我们根据问题的描述来提炼出问题对应的数学模型,即:m i n f ( x , y ) = x 2 + y 2 min f(x,y)=x^2+y^2 minf(x,y)=x 2 +y 2 s . t . s.t. s.t. x y = 3 xy=3 xy=3(两点之间的欧氏距离应该还要进行开方,但是这并不影响最终的结果,所以进行了简化,去掉了平方)根据上式我们可以知道这是一个典型的约束优化问题,其实我们在解这个问题时最简单的解法就是通过约束条件将其中的一个变量用另外一个变量进行替换,然后代入优化的函数就可以求出极值。我们在这里为了引出拉格朗日乘数法,所以我们采用拉格朗日乘数法的思想进行求解。我们将 x 2 + y 2 = c x^2+y^2=c x 2 +y 2 =c的曲线族画出来,如下图所示,当曲线族中的圆与 x y = 3 xy=3 xy=3曲线进行相切时,切点到原点的距离最短。也就是说,当 f ( x , y ) = c f(x,y)=c f(x,y)=c的等高线和双曲线 g ( x , y ) g(x,y) g(x,y)相切时,我们可以得到上述优化问题的一个极值(注意:如果不进一步计算,在这里我们并不知道是极大值还是极小值)。在这里插入图片描述现在原问题可以转化为求当f(x,y)和g(x,y)相切时,x,y的值是多少?如果两个曲线相切,那么它们的切线相同,即法向量是相互平行的: ▽ f / / ▽ g ▽f//▽g ▽f//▽g由 ▽ f / / ▽ g ▽f//▽g ▽f//▽g可以得到, ▽ f = λ ▽ g ▽f=λ▽g ▽f=λ▽g。这时,我们将原有的约束优化问题转化为了一种无约束的优化问题,如下所示:原问题(约束优化问题):m i n f ( x , y ) = x 2 + y 2 min f(x,y)=x^2+y^2 minf(x,y)=x 2 +y 2 s . t . s.t. s.t. x y = 3 xy=3 xy=3无约束方程组问题:由 ▽ f / / ▽ g ▽f//▽g ▽f//▽g可以得到u2202 f u2202 x = λ u2202 g u2202 x frac{partial f}{partial x} =λ frac{partial g}{partial x} u2202xu2202fu200b =λ u2202xu2202gu200b u2202 f u2202 y = λ u2202 g u2202 y frac{partial f}{partial y} =λ frac{partial g}{partial y} u2202yu2202fu200b =λ u2202yu2202gu200b x y = 3 xy=3 xy=3通过求解上面的无约束方程组我们可以获取原问题的解:2 x = λ y 2x=lambda y 2x=λy2 y = λ x 2y = lambda x 2y=λxx y = 3 xy=3 xy=3通过求解上式可得, λ = 2 λ=2 λ=2或者是 u2212 2 -2 u22122:当 λ = 2 λ=2 λ=2时, ( x , y ) = ( 3 , 3 ) (x,y)=(sqrt3, sqrt3) (x,y)=( 3u200b , 3u200b )或者 ( u2212 3 , u2212 3 ) (-sqrt3, -sqrt3) (u2212 3u200b ,u2212 3u200b ),当 λ = u2212 2 λ=-2 λ=u22122时,无解。所以原问题的解为 ( x , y ) = ( 3 , 3 ) (x,y)=(sqrt3, sqrt3) (x,y)=( 3u200b , 3u200b )或者 ( u2212 3 , u2212 3 ) (-sqrt3, -sqrt3) (u2212 3u200b ,u2212 3u200b )。通过举上述这个简单的例子就是为了体会拉格朗日乘数法的思想,即通过引入拉格朗日乘子 λ lambda λ将原来的约束优化问题转化为无约束的方程组问题。拉格朗日乘数法的基本形态求函数 f ( x , y ) f(x,y) f(x,y)在满足 g ( x , y ) = c g(x,y)=c g(x,y)=c下的条件极值,可以转化为函数 L ( x , y , λ ) = f ( x , y ) + λ ( g ( x , y ) u2212 c ) L(x,y,lambda)=f(x,y)+lambda (g(x,y)-c) L(x,y,λ)=f(x,y)+λ(g(x,y)u2212c)的无条件极值问题。我们可以画图来辅助思考。在这里插入图片描述绿线标出的是约束g(x,y)=c的点的轨迹。蓝线是f(x,y)的等高线。箭头表示斜率,和等高线的法线平行。从图上可以直观地看到在最优解处,f和g的斜率平行。▽ [ f ( x , y ) + λ ( g ( x , y ) u2212 c ) ] = 0 , λ ≠ 0 ▽[f(x,y)+λ(g(x,y)u2212c)]=0, λ≠0 ▽[f(x,y)+λ(g(x,y)u2212c)]=0,λ ue020u200b =0一旦求出λ的值,将其套入下式,易求在无约束极值和极值所对应的点。L ( x , y ) = f ( x , y ) + λ ( g ( x , y ) u2212 c ) L(x,y)=f(x,y)+λ(g(x,y)u2212c) L(x,y)=f(x,y)+λ(g(x,y)u2212c)新方程 F ( x , y ) F(x,y) F(x,y)在达到极值时与 f ( x , y ) f(x,y) f(x,y)相等,因为 L ( x , y ) L(x,y) L(x,y)达到极值时 g ( x , y ) u2212 c g(x,y)u2212c g(x,y)u2212c总等于零。例1给定椭球 x 2 a 2 + y 2 b 2 + z 2 c 2 = 1 frac{x^2}{a^2}+frac{y^2}{b^2}+frac{z^2}{c^2}=1 a 2 x 2 u200b + b 2 y 2 u200b + c 2 z 2 u200b =1,求这个椭球的内接长方体的最大体积。这个问题实际上就是条件极值问题,即在条件 x 2 a 2 + y 2 b 2 + z 2 c 2 = 1 frac{x^2}{a^2}+frac{y^2}{b^2}+frac{z^2}{c^2}=1 a 2 x 2 u200b + b 2 y 2 u200b + c 2 z 2 u200b =1下求 f ( x , y , z ) = 8 x y z f(x,y,z)= 8xyz f(x,y,z)=8xyz的最大值。当然这个问题实际可以先根据条件消去 z z z,然后带入转化为无条件极值问题来处理。但是有时候这样做很困难,甚至是做不到的,这时候就需要用拉格朗日乘数法了。通过拉格朗日乘数法将问题转化为:L ( x , y , z , λ ) = f ( x , y , z ) + λ g ( x , y , z ) = 8 x y z + λ ( x 2 a 2 + y 2 b 2 + z 2 c 2 u2212 1 ) L(x,y,z,lambda)=f(x,y,z)+lambda g(x,y,z)=8xyz+lambda(frac{x^2}{a^2}+frac{y^2}{b^2}+frac{z^2}{c^2}-1) L(x,y,z,λ)=f(x,y,z)+λg(x,y,z)=8xyz+λ( a 2 x 2 u200b + b 2 y 2 u200b + c 2 z 2 u200b u22121)对 L ( x , y , z , λ ) L(x,y,z,lambda) L(x,y,z,λ)求偏导:u2202 x L ( x , y , z , λ ) u2202 x = 8 y z + 2 λ x a 2 = 0 frac{partial xL(x,y,z,lambda)}{partial x} =8yz+frac{2lambda x}{a^2}=0 u2202xu2202xL(x,y,z,λ)u200b =8yz+ a 2 2λxu200b =0u2202 x L ( x , y , z , λ ) u2202 y = 8 x z + 2 λ y b 2 = 0 frac{partial xL(x,y,z,lambda)}{partial y} =8xz+frac{2lambda y}{b^2}=0 u2202yu2202xL(x,y,z,λ)u200b =8xz+ b 2 2λyu200b =0u2202 x L ( x , y , z , λ ) u2202 z = 8 x y + 2 λ z c 2 = 0 frac{partial xL(x,y,z,lambda)}{partial z} =8xy+frac{2lambda z}{c^2}=0 u2202zu2202xL(x,y,z,λ)u200b =8xy+ c 2 2λzu200b =0u2202 x L ( x , y , z , λ ) u2202 λ = x 2 a 2 + y 2 b 2 + z 2 c 2 u2212 1 = 0 frac{partial xL(x,y,z,lambda)}{partial lambda} =frac{x^2}{a^2}+frac{y^2}{b^2}+frac{z^2}{c^2}-1=0 u2202λu2202xL(x,y,z,λ)u200b = a 2 x 2 u200b + b 2 y 2 u200b + c 2 z 2 u200b u22121=0最终得到 x = 3 3 a , y = 3 3 b , z = 3 3 c x=frac{sqrt 3}{3}a,y=frac{sqrt 3}{3}b,z=frac{sqrt 3}{3}c x= 33u200b u200b a,y= 33u200b u200b b,z= 33u200b u200b c最大体积为 V m a x = f ( 3 3 a , 3 3 b , 3 3 c ) = 8 3 9 a b c V_{max}=f(frac{sqrt 3}{3}a,frac{sqrt 3}{3}b,frac{sqrt 3}{3}c)=frac{8sqrt 3}{9}abc V maxu200b =f( 33u200b u200b a, 33u200b u200b b, 33u200b u200b c)= 98 3u200b u200b abc多约束的拉格朗日乘数法上面我们讨论的都是单约束的拉格朗日乘数法,当存在多个等式约束时(其实不等式约束也是一样的),我们进行一些推广:m i n / m a x f ( x , y , z ) min/max f(x,y,z) min/maxf(x,y,z)s . t . s.t. s.t. g i ( x , y , z ) = 0 , i = 1 , 2 , . . . , N g_i(x,y,z)=0, i = 1,2,...,N g iu200b (x,y,z)=0,i=1,2,...,N多约束拉格朗日乘数法的函数表达形式为:L ( x , y , z , λ ) = f ( x , y , z ) + Σ i N λ i g i ( x , y , z ) L(x,y,z,lambda)=f(x,y,z)+Sigma_i^Nlambda_ig_i(x,y,z) L(x,y,z,λ)=f(x,y,z)+Σ iNu200b λ iu200b g iu200b (x,y,z)广义拉格朗日乘数法(Generalized Lagrange multipliers)以上我们的拉格朗日乘数法解决了等式约束的最优化问题,但是在存在不等式的最优化问题,因此学者提出了广义拉格朗日乘数法,用与解决含有不等式约束的最优化问题。首先,我们先一般化我们的问题:m i n x , y , z f ( x , y ) min_{x,y,z}f(x,y) min x,y,zu200b f(x,y)s . t . s.t. s.t. g i ( x , y ) ≤ 0 , i = 1 , 2 , . . . , N g_i(x,y)le0,i=1,2,...,N g iu200b (x,y)≤0,i=1,2,...,Nh i ( x , y ) = 0 , i = 1 , 2 , . . . , M h_i(x,y)=0,i=1,2,...,M h iu200b (x,y)=0,i=1,2,...,M类似于拉格朗日乘数法,我们用 α i alpha_i α iu200b 和 β i eta_i β iu200b 作为不等式约束和等式约束的拉格朗日乘子,得出如下:L ( x , y , α , β ) = f ( x , y ) + Σ i N α i g i ( x , y ) + Σ i M β i h i ( x , y ) L(x,y,alpha,eta)=f(x,y)+Sigma_i^Nalpha_ig_i(x,y)+Sigma_i^Meta_ih_i(x,y) L(x,y,α,β)=f(x,y)+Σ iNu200b α iu200b g iu200b (x,y)+Σ iMu200b β iu200b h iu200b (x,y)KKTKKT条件(Karush–Kuhn–Tucker conditions)指出,当满足以下几个条件的时候,其解是问题最优解的候选解(摘自wikipedia)。1、Stationarity(稳定性)对于最小化问题就是:▽ f ( x , y ) + Σ i N α i ▽ g i ( x , y ) + Σ i M β i ▽ h i ( x , y ) = 0 ▽f(x,y)+Sigma_i^Nalpha_i▽g_i(x,y)+Sigma_i^Meta_i▽h_i(x,y)=0 ▽f(x,y)+Σ iNu200b α iu200b ▽g iu200b (x,y)+Σ iMu200b β iu200b ▽h iu200b (x,y)=0对于最大化问题就是:▽ f ( x , y ) u2212 ( Σ i N α i ▽ g i ( x , y ) + Σ i M β i ▽ h i ( x , y ) ) = 0 ▽f(x,y)-(Sigma_i^Nalpha_i▽g_i(x,y)+Sigma_i^Meta_i▽h_i(x,y))=0 ▽f(x,y)u2212(Σ iNu200b α iu200b ▽g iu200b (x,y)+Σ iMu200b β iu200b ▽h iu200b (x,y))=02、Primal feasibility(原始可行性)g i ( x , y ) ≤ 0 , i = 1 , 2 , . . . , N g_i(x,y)le0,i=1,2,...,N g iu200b (x,y)≤0,i=1,2,...,Nh i ( x , y ) = 0 , i = 1 , 2 , . . . , M h_i(x,y)=0,i=1,2,...,M h iu200b (x,y)=0,i=1,2,...,M3、Dual feasibility(对偶可行性)α i ≥ 0 , i = 1 , 2 , . . . , N alpha_ige0,i=1,2,...,N α iu200b ≥0,i=1,2,...,N4、Complementary slackness(互补松弛)α i g i ( x , y ) = 0 , i = 1 , 2 , . . . , N alpha_ig_i(x,y)=0,i=1,2,...,N α iu200b g iu200b (x,y)=0,i=1,2,...,N其中的Stationarity(稳定性)与我们的拉格朗日乘数法的含义是相同的,就是梯度共线的意思;而Primal feasibility(原始可行性)条件就是主要约束条件,自然是需要满足的;有趣的和值得注意的是Dual feasibility(对偶可行性)和Complementary slackness(互补松弛),接下来我们探讨下这两个条件,以及为什么不等式约束会多出这两个条件。为了接下来的讨论方便,我们将N设为3,并且去掉等式约束,这样我们的最小化问题的广义拉格朗日函数就变成了:L ( x , y , α , β ) = f ( x , y ) + Σ i 3 α i g i ( x , y ) L(x,y,alpha,eta)=f(x,y)+Sigma_i^3alpha_ig_i(x,y) L(x,y,α,β)=f(x,y)+Σ i3u200b α iu200b g iu200b (x,y)绘制出来的示意图如下所示:在这里插入图片描述其中 d i > d j d_i>d_j d iu200b >d ju200b ,当 I > j I>j I>j,而蓝线为最优化寻路过程。让我们仔细观察式子 α i ≥ 0 alpha_ige0 α iu200b ≥0和 α i g i ( x , y ) = 0 alpha_ig_i(x,y)=0 α iu200b g iu200b (x,y)=0,我们不难发现,因为 α i ≤ 0 , g i ( x , y ) ≤ 0 alpha_ile0, g_i(x,y)le0 α iu200b ≤0,g iu200b (x,y)≤0,而 α i g i ( x , y ) = 0 alpha_ig_i(x,y)=0 α iu200b g iu200b (x,y)=0,所以 α i alpha_i α iu200b 和 g i ( x , y ) g_i(x,y) g iu200b (x,y)之中必有一个为0。我们从上面的示意图入手理解并且记好公式 ▽ f ( x , y ) + Σ i N α i ▽ g i ( x , y ) + Σ i M β i ▽ h i ( x , y ) = 0 ▽f(x,y)+Sigma_i^Nalpha_i▽g_i(x,y)+Sigma_i^Meta_i▽h_i(x,y)=0 ▽f(x,y)+Σ iNu200b α iu200b ▽g iu200b (x,y)+Σ iMu200b β iu200b ▽h iu200b (x,y)=0。让我们假设初始化一个点A, 这个点A明显不处于最优点,也不在可行域内,可知 g 2 ( x , y ) > 0 g_2(x,y)>0 g 2u200b (x,y)>0,违背了 g i ( x , y ) ≤ 0 g_i(x,y)le0 g iu200b (x,y)≤0,为了满足约束 α i g i ( x , y ) = 0 alpha_ig_i(x,y)=0 α iu200b g iu200b (x,y)=0,有 α 2 = 0 alpha_2=0 α 2u200b =0,导致 α i ▽ g i ( x , y ) = 0 alpha_i▽g_i(x,y)=0 α iu200b ▽g iu200b (x,y)=0而对于 i = 1 , 3 i=1,3 i=1,3,因为满足约束条件而且 g 1 ( x , y ) ≠ 0 , g 3 ( x , y ) ≠ 0 g_1(x,y)≠0,g_3(x,y)≠0 g 1u200b (x,y) ue020u200b =0,g 3u200b (x,y) ue020u200b =0,所以 α 1 = 0 , α 3 = 0 alpha_1=0,alpha_3=0 α 1u200b =0,α 3u200b =0。这样我们的式子 ▽ f ( x , y ) + Σ i N α i ▽ g i ( x , y ) + Σ i M β i ▽ h i ( x , y ) = 0 ▽f(x,y)+Sigma_i^Nalpha_i▽g_i(x,y)+Sigma_i^Meta_i▽h_i(x,y)=0 ▽f(x,y)+Σ iNu200b α iu200b ▽g iu200b (x,y)+Σ iMu200b β iu200b ▽h iu200b (x,y)=0就只剩下 u2207 f ( x , y ) u2207f(x,y) u2207f(x,y)因此对着 u2207 f ( x , y ) u2207f(x,y) u2207f(x,y)进行优化,也就是沿着 f ( x , y ) f(x,y) f(x,y)梯度方向下降即可,不需考虑其他的条件(因为还完全处于可行域之外)。因此,A点一直走啊走,从A到B,从B到C,从C到D,这个时候因为D点满足 g 2 ( x , y ) = 0 g_2(x,y)=0 g 2u200b (x,y)=0,因此 α 2 > 0 alpha_2>0 α 2u200b >0,所以 α 2 u2207 g 2 ( x , y ) ≠ 0 alpha_2u2207g_2(x,y)≠0 α 2u200b u2207g 2u200b (x,y) ue020u200b =0,因此 ▽ f ( x , y ) + Σ i N α i ▽ g i ( x , y ) + Σ i M β i ▽ h i ( x , y ) = 0 ▽f(x,y)+Sigma_i^Nalpha_i▽g_i(x,y)+Sigma_i^Meta_i▽h_i(x,y)=0 ▽f(x,y)+Σ iNu200b α iu200b ▽g iu200b (x,y)+Σ iMu200b β iu200b ▽h iu200b (x,y)=0就变成了 u2207 f ( x , y ) + α 2 u2207 g 2 ( x , y ) u2207f(x,y)+alpha_2u2207g_2(x,y) u2207f(x,y)+α 2u200b u2207g 2u200b (x,y)所以在优化下一个点E的时候,就会考虑到需要满足约束 g 2 ( x , y ) ≤ 0 g_2(x,y)≤0 g 2u200b (x,y)≤0的条件,朝着向 g 2 ( x , y ) g_2(x,y) g 2u200b (x,y)减小,而且 f ( x , y ) f(x,y) f(x,y)减小的方向优化。因此下一个优化点就变成了E点,而不是G点。因此没有约束的情况下其优化路径可能是A→B→C→D→G→H,而添加了约束之后,其路径变成了A→B→C→D→E→F。这就是为什么KKT条件引入了Dual feasibility(对偶可行性)和Complementary slackness(互补松弛),就是为了在满足不等式约束的情况下对目标函数进行优化。让我们记住这个条件,因为这个条件中某些 α i = 0 alpha_i=0 α iu200b =0的特殊性质,将会在SVM中广泛使用,而且正是这个性质定义了支持向量(SV)。
2023-07-15 15:08:151

为什么要对图像平均模板

为使PCA算法能有效工作,通常我们希望所有的特征 都有相似的取值范围(并且均值接近于0)。如果你曾在其它应用中使用过PCA算法,你可能知道有必要单独对每个特征做预处理,即通过估算每个特征 的均值和方差,而后将其取值范围规整化为零均值和单位方差。但是,对于大部分图像类型,我们却不需要进行这样的预处理。假定我们将在自然图像上训练算法,此时特征 代表的是像素 的值。所谓“自然图像”,不严格的说,是指人或动物在他们一生中所见的那种图像。 注:通常我们选取含草木等内容的户外场景图片,然后从中随机截取小图像块(如16x16像素)来训练算法。在实践中我们发现,大多数特征学习算法对训练图片的确切类型并不敏感,所以大多数用普通照相机拍摄的图片,只要不是特别的模糊或带有非常奇怪的人工痕迹,都可以使用。 在自然图像上进行训练时,对每一个像素单独估计均值和方差意义不大,因为(理论上)图像任一部分的统计性质都应该和其它部分相同,图像的这种特性被称作平稳性(stationarity)。 具体而言,为使PCA算法正常工作,我们通常需要满足以下要求:(1)特征的均值大致为0;(2)不同特征的方差值彼此相似。对于自然图片,即使不进行方差归一化操作,条件(2)也自然满足,故而我们不再进行任何方差归一化操作(对音频数据,如声谱,或文本数据,如词袋向量,我们通常也不进行方差归一化)。实际上,PCA算法对输入数据具有缩放不变性,无论输入数据的值被如何放大(或缩小),返回的特征向量都不改变。更正式的说:如果将每个特征向量 都乘以某个正数(即所有特征量被放大或缩小相同的倍数),PCA的输出特征向量都将不会发生变化。 既然我们不做方差归一化,唯一还需进行的规整化操作就是均值规整化,其目的是保证所有特征的均值都在0附近。根据应用,在大多数情况下,我们并不关注所输入图像的整体明亮程度。比如在对象识别任务中,图像的整体明亮程度并不会影响图像中存在的是什么物体。更为正式地说,我们对图像块的平均亮度值不感兴趣,所以可以减去这个值来进行均值规整化。从反向传播梯度着手了解到基本在deep learning中只要你是使用gradient descent来训练模型的话都要在数据预处理步骤进行数据归一化。当然这也是有一定原因的。 根据公式 u2202Eu2202w(2)11=x1δ(2)1如果输入层 x 很大,在反向传播时候传递到输入层的梯度就会变得很大。梯度大,学习率就得非常小,否则会越过最优。在这种情况下,学习率的选择需要参考输入层数值大小,而直接将数据归一化操作,能很方便的选择学习率。而且受 x 和 w 的影响,各个梯度的数量级不相同,因此,它们需要的学习率数量级也就不相同。对 w1 适合的学习率,可能相对于 w2来说会太小,如果仍使用适合 w1 的学习率,会导致在 w2 方向上走的非常慢,会消耗非常多的时间,而使用适合 w2 的学习率,对 w1 来说又太大,搜索不到适合 w1 的解。后续研究之后再这方面碰到问题的话,会继续深究,加以补充,各位有不同的理解,也可底下评论讨论一下,共同学习。
2023-07-15 15:08:221

请教统计软件sas操作问题!

第一段是回归第二段是时间序列
2023-07-15 15:08:293

chapter15.1-2 时间序列1--时间序列分解

对时序数据的研究包括两个基本问题: 在R中,一个数值型向量或数据框中的一列可通过 ts() 函数存储为时序对象 时间序列数据【存在季节性因素,如月度数据、季度数据等】可以被分解为趋势因子、季节性因子和随机因子 可以通过相加模型,也可以通过相乘模型来分解数据 对于乘法模型,可以取对数,将其转化为加性模型 那么如何将时间序列进行拆分,分解成这三部分呢?对于趋势和季节的分解,下面介绍移动平均和季节因子 时序数据集中通常有很显著的随机或误差成分。为了辨明数据中的规律,我们总是希望能够撇开这些波动,画出一条平滑曲线。画出平滑曲线的最简单办法是 简单移动平均 。比如每个数据点都可用这一点和其前后q个点的平均值来表示,这就是居中移动平均 centered moving average St是时间点t的平滑值, k=2q+1 是每次用来平均的观测值的个数,一般我们会将其设为一个 奇数 。居中移动平均法的代价是,每个时序集中我们会损失最后的q个观测值,平均值消除了数据中的一些随机性 使用R语言 forecast 包中的 ma() 函数来对Nile时序数据进行平滑处理 从图像来看,随着k的增大,图像变得越来越平滑。因此我们需要找到最能画出数据中规律的k,避免过平滑或者欠平滑。这里并没有什么特别的科学理论来指导k的选取,我们只是需要先尝试多个不同的k,再决定一个最好的k 除此之外,还可以使用 加权移动平均 来进行平滑化 加权移动平均法的一大优势是它可以让趋势周期项的估计更平滑。观测值不是直接完全进入或离开计算,它们的权重缓步增加,然后缓步下降,让曲线更加平滑 季节指数的计算 将时序分解为趋势项、季节项和随机项的常用方法是用LOESS光滑做季节性分解。这可以通 过R中的 stl() 函数 stl函数只能处理相加模型,如果要处理相乘模型,可以使用log进行转换 [1] https://www.youtube.com/watch?v=2mM8BUqWAZ4 [2] https://zhuanlan.zhihu.com/p/21877990 [3] https://www.jianshu.com/p/e6d286132690 [4] https://nwfsc-timeseries.github.io/atsa-labs/sec-boxjenkins-stationarity.html [6] Kabacoff, Robert. R 语言实战 . Ren min you dian chu ban she, 2016.
2023-07-15 15:08:441

谱分析中窗的选取

数字信号处理的主要数学工具是傅里叶变换,而傅里叶变换是研究整个时间域和频率域的关系。然而,当运用计算机实现工程测试信号处理时,不可能对无限长的信号进行测量和运算,而是取其有限的时间片段进行分析。 取用有限个数据,就是将信号进行加窗函数操作,也即信号数据截断的过程。 做法是从信号中截取一个时间片段,然后用观察的信号时间片段进行周期延拓处理,得到虚拟的无限长的信号,然后就可以对信号进行傅里叶变换、相关分析等数学处理。周期延拓后的信号与真实信号是不同的,下面从数学的角度来看这种处理带来的误差情况。设有余弦信号x(t)在时域分布为无限长(- ∞, ∞),将截断信号的谱XT(ω)与原始信号的谱X(ω)相比。可以发现截断后数据的谱线已与原始谱线不同,是两段振荡的连续谱。这表明原来的 信号被截断以后,其频谱发生了畸变,原来集中在f0处的能量被分散到两个较宽的频带中去了,这种现象称之为频谱能量泄漏。 信号截断以后产生的能量泄漏现象是必然的,因为窗函数w(t)是一个频带无限的函数,所以即使原信号x(t)是限带宽信号,而在截断以后也必然成为无限带宽的函数,即信号在频域的能量与分布被扩展了。又从采样定理可知,无论采样频率多高,只要信号一经截断,就不可避免地引起混叠,因此信号截断必然导致一些误差,这是信号分析中不容忽视的问题。 当进行离散傅立叶变换时,时域中的截断是必需的,因此泄漏效应也是离散傅立叶变换所固有的,必须进行抑制。可以通过窗函数加权抑制 DFT 的等效滤波器的振幅特性的副瓣,或用窗函数加权使有限长度的输入信号周期延拓后在边界上尽量减少不连续程度的方法实现。 如果增大截断长度T,即矩形窗口加宽,则窗谱W(ω)将被压缩变窄(π/T减小)。虽然理论上讲,其频谱范围仍为无限宽,但实际上中心频率以外的频率分量衰减较快,因而泄漏误差将减小。当窗口宽度T趋于无穷大时,则谱窗W(ω)将变为δ(ω)函数,而δ(ω)与X(ω)的卷积仍为H(ω),这说明,如果窗口无限宽,即不截断,就不存在泄漏误差。为了减少频谱能量泄漏,可采用不同的截取函数对信号进行截断,截断函数称为窗函数,简称为窗。泄漏与窗函数频谱的两侧旁瓣有关,如果两侧p旁瓣的高度趋于零,而使能量相对集中在主瓣,就可以较为接近于真实的频谱,为此,在时间域中可采用不同的窗函数来截断信号。 实际应用的窗函数,可分为以下主要类型: Why there are so many different window functions is because each of these have very different spectral properties and have different main lobe widths and side lobe amplitudes. There is no such thing as a free lunch: if you want good frequency resolution (main lobe is thin) , your side lobes become larger and vice versa. You can"t have both. Often, the choice of window function is dependent on the specific needs and always boils down to making a compromise. ** This is a very good article that talks about using window functions ( http://www.utdallas.edu/~cpb021000/EE 4361/Great DSP Papers/Harris on Windows.pdf ). 矩形窗使用最多,习惯上不加窗就是使信号通过了矩形窗。这种窗的优点是主瓣比较集中,缺点是旁瓣较高,并有负旁瓣,导致变换中带进了高频干扰和泄漏,甚至出现负谱现象。 三角窗亦称费杰(Fejer)窗,是幂窗的一次方形式,三角窗与矩形窗比较,主瓣宽约等于矩形窗的两倍,但旁瓣小,而且无负旁瓣。 汉宁窗、海明窗和布莱克曼窗,都可以用一种通用的形式表示,这就是广义余弦窗。这些窗都是广义余弦窗的特例,汉宁窗又被称为余弦平方窗或升余弦窗,海明窗又被称为改进的升余弦窗,而布莱克曼窗又被称为二阶升余弦窗。采用这些窗可以有效地降低旁瓣的高度,但是同时会增加主瓣的宽度。 这些窗都是频率为 0、2π/(N–1)和 4π/(N–1)的余弦曲线的合成,其中 为窗的长度。可以采用下面的命令来生成这些窗: 其中,A、B、C 适用于自己定义的常数。根据它们取值的不同,可以形成不同的窗函数: ● 布莱克曼窗 Blackman A=0.5,B=0.5,C=0.08; ● 汉宁窗 Hanning A=0.5,B=0.5,C=0; ● 海明窗 Hamming A=0.54,B=0.54,C=0; 汉宁(Hanning)窗又称升余弦窗,汉宁窗可以看作是3个矩形时间窗的频谱之和, 它可以使用旁瓣互相抵消,消去高频干扰和漏能。 汉宁窗与矩形窗的谱图对比,可以看出,汉宁窗主瓣加宽(宽度为8pi/N)并降低,旁瓣则显著减小。第一个旁瓣衰减一32dB,而矩形窗第一个旁瓣衰减-13dB。此外,汉宁窗的旁瓣衰减速度也较快,约为60dB/10oct,而矩形窗为20dB/10oct。由以上比较可知, 从减小泄漏观点出发,汉宁窗优于矩形窗。但汉宁窗主瓣加宽,相当于分析带宽加宽,频率分辨力下降。 海明(Hamming)窗也是余弦窗的一种,又称改进的升余弦窗,海明窗与汉宁窗都是余弦窗,只是加权系数不同。海明窗加权的系数能使旁瓣达到更小。分析表明, 海明窗和汉宁窗函数的主瓣宽度是一样大,第一旁瓣衰减为-41dB 。海明窗的频谱也是由 3个矩形时窗的频谱合成,但其 旁瓣衰减速度为20dB/10oct,这比汉宁窗衰减速度慢 。海明窗与汉宁窗都是很有用的窗函数。 是一种指数窗, 高斯窗谱无负的旁瓣,第一旁瓣衰减达一55dB。高斯窗谱的主瓣较宽,故而频率分辨力低。 高斯窗函数常 被用来截断一些非周期信号,如指数衰减信号等 。 除了以上几种常用窗函数以外,尚有多种窗函数,如平顶窗、帕仁(Parzen)窗、布拉克曼(Blackman)窗、凯塞(kaiser)窗等。 如果在测试中可以保证不会有泄露的发生,则不需要用任何的窗函数。但是如同刚刚讨论的那样,这种情况 只是发生在时间足够长的瞬态捕捉和一帧数据中正好包含信号整周期的情况 。 对于窗函数的选择,应考虑被分析信号的性质与处理要求。 @bartlett - Bartlett window. @barthannwin - Modified Bartlett-Hanning window. @blackman - Blackman window. @blackmanharris - Minimum 4-term Blackman-Harris window. @bohmanwin - Bohman window. @chebwin - Chebyshev window. @flattopwin - Flat Top window. @gausswin - Gaussian window. @hamming - Hamming window. @hann - Hann window. @kaiser - Kaiser window. @nuttallwin - Nuttall defined minimum 4-term Blackman-Harris window. @parzenwin - Parzen (de la Valle-Poussin) window. @rectwin - Rectangular window. @tukeywin - Tukey window. @triang - Triangular window. when you use a window function, you have less information at the tapered ends. So, one way to fix that, is to use sliding windows with an overlap as shown below. The idea is that when put together, they approximate the original sequence as best as possible (i.e., the lower figure should be as close to a flat value of 1 as possible). Typical overlap values vary between 33% to 50%, depending on the application. You get a cleaner estimate if you use overlap. That is to say, the larger the overlap, the more blurred the spectrogram will look because the segments will be overlapped to a greater degree. The smaller the overlap the more "blocky" the spectrogram will appear because each Fourier transform uses less and less common waveform samples. You can also observe the trade-off between main lobe width and side lobe amplitude that I mentioned earlier. Hanning has a thinner main lobe (prominent line along the skew diagonal), resulting in better frequency resolution, but has leaky sidelobes, seen by the bright colors outside. Blackwell-Harris, on the other hand, has a fatter main lobe (thicker diagonal line), but less spectral leakage, evidenced by the uniformly low (blue) outer region. PS The non-stationarity of the signal (where statistics are a function of time, Say mean, among other statistics, is a function of time) implies that you can only assume that the statistics of the signal are constant over short periods of time. There is no way of arriving at such a period of time (for which the statistics of the signal are constant) exactly and hence it is mostly guess work and fine-tuning. Both these methods above are short-time methods of operating on signals. Say that your signal is non-stationary. Also assume that it is stationary only for about 10ms or so. To reliably measure statistics like PSD or energy, you need to measure these statistics 10ms at a time. The window-ing function is what you multiply the signal with to isolate that 10ms of a signal, on which you will be computing PSD etc.. So now you need to traverse the length of the signal. You need a shifting window (to window the entire signal 10ms at a time). Overlapping the windows gives you a more reliable estimate of the statistics. You can imagine it like this:1. Take the first 10ms of the signal.2. Window it with the windowing function.3. Compute statistic only on this 10ms portion.4. Move the window by 5ms (assume length of overlap).5. Window the signal again. PSS Usually make the length of the fft (third argument to pwelch) the same as the window length. The only case you want to have this different is when you use zero-padding , which has limited use. If you use it like this, there are a few rules to remember: https://www.zhihu.com/question/50402321/answer/144988327 关于加窗后的频谱修正,请参考《 简单总结FFT变换的幅值和能量校正 》 加窗函数的FIR滤波器长度的确定 http://www.ilovematlab.cn/thread-37120-1-1.html http://blog.sina.com.cn/s/blog_6fb8aa0d0102v274.html 有时会出现这样的奇怪情况,目前无解 https://www.zhihu.com/question/65862090 噪声参考( http://blog.csdn.net/u010565765/article/details/70770429?locationNum=10&fps=1 )
2023-07-15 15:08:511

如何用SAS软件对收益率时间序列做ADF检验?

对于单位根也可以使用PP检验,程序为: PROC AUTOREG DATA=数据集名; MODEL 被检验变量=/stationarity=(pp); RUN;程序的结果给出了没有常数项、有常数项、常数项和趋势项的三种检验情况。判断的依据是看后面的检验概率。对于协整分析,其程序为 PROC AUTOREG DATA=数据集名; MODEL 被检验变量=解释变量/stationarity=(pp); RUN;但协整检验只给出T值,你需要查临界值才能判断。
2023-07-15 15:09:111

如何用SAS软件对收益率时间序列做ADF检验

proc autoreg data = gnp; model y = / stationarity =(adf =3); run;
2023-07-15 15:09:191

怎么求滞后定理

1. 分布滞后模型估计的困难 阿尔特-丁伯根的(OLS)递推估计法。其缺陷如下 1、自由度问题。 2、多重共线性问题。 3、滞后长度难于确定2. 确定滞后长度的方法 尽管滞后长度的确定有难度,但人们在积极探索,寻求办法解决这一问题。 1、根据实际经济问题以及经验进行判断。 2、利用时间序列本身的变化3. 有限分布滞后模型的修正估计方法 估计分布滞后模型的基本思想。
2023-07-15 15:09:272

如何求一个变量相对另一些变量的确定的滞后时间

一般是Box-Jenkins的方法把因变量的滞后项作为自变量y_t = b0 + b1*y_{t-1} + b2*y_{t-2} + ... + bp*y_{t-p} + u_t这样的模型确定滞后阶数p的方法是1. y_t满足covariance-stationarity 也就是对于任意t 均值不变 方差不变 协方差只是间隔项数的函数2. u_t是白噪声而不出现序列相关3. p的确定遵循parsimony的原则 国内应该翻译为“精简”
2023-07-15 15:09:341

从经济学角度举例说明滞后阶数的含义?

滞后阶数p的方法是 1.y_t满足covariance-stationarity 也就是对于任意t 均值不变 方差不变 协方差只是间隔项数的函数 2.u_t是白噪声而不出现序列相关 3.p的确定遵循parsimony的原则 国内应该翻译为“精简” 一般构造AIC和 SBC两个指标来比较 这两个指标越小越好
2023-07-15 15:09:411

计量经济学中时间序列怎么样选择分析方法

时间序列分析一般是Box-Jenkins的方法把因变量的滞后项作为自变量y_t=b0+b1*y_{t-1}+b2*y_{t-2}++bp*y_{t-p}+u_t这样的模型确定滞后阶数p的方法是1.y_t满足covariance-stationarity也就是对于任意t均值不变方差不变协方差只是间隔项数的函数2.u_t是白噪声而不出现序列相关3.p的确定遵循parsimony的原则国内应该翻译为“精简”一般构造AIC和SBC两个指标来比较这两个指标越小越好AIC=T*ln(残差平方和)+引入p阶的惩罚SBC相似也就是说首先残差平方和应该越小说明自变量也就是滞后阶数的解释能力强不过呢引入的滞后项数越多残差平方和应该越来越小所以要看有效性便加入一个惩罚使得模型精简原理和adjustedR^2一样AIC适合小样本SBC适合大样本然后这两个信息标准都在一般的回归软件中列了出来比较其中最小的就是合适的p阶滞后但是一定要保证残差是白噪声
2023-07-15 15:09:511

计量中的LM检验如何确定最大滞后期

时间序列分析一般是Box-Jenkins的方法把因变量的滞后项作为自变量y_t = b0 + b1*y_{t-1} + b2*y_{t-2} + ... + bp*y_{t-p} + u_t这样的模型确定滞后阶数p的方法是1. y_t满足covariance-stationarity 也就是对于任意t 均值不变 方差不变 协方差只是间隔项数的函数2. u_t是白噪声而不出现序列相关3. p的确定遵循parsimony的原则 国内应该翻译为“精简”一般构造AIC和 SBC两个指标来比较 这两个指标越小越好AIC = T * ln(残差平方和) + 引入p阶的惩罚SBC相似也就是说首先残差平方和应该越小说明自变量也就是滞后阶数的解释能力强 不过呢引入的滞后项数越多 残差平方和应该越来越小 所以要看有效性 便加入一个惩罚 使得模型精简 原理和adjusted R^2一样AIC适合小样本 SBC适合大样本然后这两个信息标准都在一般的回归软件中列了出来比较其中最小的就是合适的p阶滞后但是一定要保证残差是白噪声
2023-07-15 15:09:591

怎么确认需不需要滞后项

首先肯定是根据经济理论以及推测,然后通过检验是否需要加入高次项,可以用连接检验,具体操作为reg后输入linktest对于滞后期,则可以采用信息准则来判断,reg后输入estat ic,然后加入你想要的自变量滞后一期,重复上述操作,看看AIC以及BIC是否最小,具体你详细查看这两个命令或者看书
2023-07-15 15:10:062

滞后阶数越大越好吗

时间序列分析 一般是Box-Jenkins的方法 把因变量的滞后项作为自变量 y_t = b0 + b1*y_{t-1} + b2*y_{t-2} + ... + bp*y_{t-p} + u_ t 这样的模型确定滞后阶数p的方法是 1. y_t满足covariance-stationarity 也就是对于任意t 均值不变 方差不变 协方差只是间隔项数的函数 2. u_t是白噪声而不出现序列相关 3. p的确定遵循parsimony的原则 国内应该翻译为“精简” 一般构造AIC和 SBC两个指标来比较 这两个指标越小越好 AIC = T * ln(残差平方和) + 引入p阶的惩罚 SBC相似 也就是说首先残差平方和应该越小说明自变量也就是滞后阶数的解释能力强 不过呢引入的滞后项数越多 残差平方和应该越来越小 所以要看有效性 便加入一个惩罚 使得模型精简 原理和adjusted R^2一样 AIC适合小样本 SBC适合大样本 然后这两个信息标准都在一般的回归软件中列了出来 比较其中最小的就是合适的p阶滞后 但是一定要保证残差是白噪声
2023-07-15 15:10:391

才学计量经济学,请问什么是滞后阶数?怎么确定?

lz可以的 才学计量经济 就开始这么高深的话题 时间序列分析一般是Box-Jenkins的方法把因变量的滞后项作为自变量y_t = b0 + b1*y_{t-1} + b2*y_{t-2} + ... + bp*y_{t-p} + u_t这样的模型确定滞后阶数p的方法是1. y_t满足covariance-stationarity 也就是对于任意t 均值不变 方差不变 协方差只是间隔项数的函数2. u_t是白噪声而不出现序列相关3. p的确定遵循parsimony的原则 国内应该翻译为“精简”一般构造AIC和 SBC两个指标来比较 这两个指标越小越好AIC = T * ln(残差平方和) + 引入p阶的惩罚SBC相似也就是说首先残差平方和应该越小说明自变量也就是滞后阶数的解释能力强 不过呢引入的滞后项数越多 残差平方和应该越来越小 所以要看有效性 便加入一个惩罚 使得模型精简 原理和adjusted R^2一样AIC适合小样本 SBC适合大样本然后这两个信息标准都在一般的回归软件中列了出来比较其中最小的就是合适的p阶滞后但是一定要保证残差是白噪声
2023-07-15 15:10:481

计量经济学中的滞后期有什么用。应该怎么确定滞后期?

计量经济学中的滞后期有什么用。应该怎么确定滞后期?
2023-07-15 15:10:592

如果你英语不错进来一下看看这个你能不能翻译

主要的数学所面对的问题是,精算师估计有多大每个保险合同的预期成本。这有条件预计索赔额是所谓的纯保费及它的基础是总保费被控向被保险人。这一预期值是conditionned提供的资料,有关投保人和有关合同,我们称之为投入亲乐在这里。这个回归问题是,邸邪教组织有几个原因:大量的例子,大批变量(其中大部分是离散和多值) ,非平稳性的分布,以及有条件的分布因变量,这是非常邸erent从这些通常遇到的典型应用机器学习和函数逼近。这个分布有一个群众在0 :绝大多数该保险合同不屈服任何索赔。这是分布还强烈不对称,并已发尾(上只有一边,相应的大索赔) 。 在本文中我们研究和比较几个学习算法随着方法传统上所使用的精算师的订定保费。这项研究是演出对一个大型数据库的汽车保险政策。该方法被triedare如下:常数(无条件)的预测作为基准,线性回归,广义线性模型( mccullagh和nelder , 1989年) ,决策树模型( chaid (卡斯, 1980年) ) ,支持向量机回归( vapnik , 1998年) , 多层神经网络,混合神经网络的专家,以及目前保费结构,保险业的公司。
2023-07-15 15:11:061

时间序列 Holt-Winters 方法要求序列平稳吗

Why stationary?(为何要平稳?)Why weak stationary?(为何弱平稳?)Why stationary?(为何要平稳?)每一个统计学问题,我们都需要对其先做一些基本假设。如在一元线性回归中(),我们要假设:①不相关且非随机(是固定值或当做已知)②独立同分布服从正态分布(均值为0,方差恒定)。在时间序列分析中,我们考虑了很多合理且可以简化问题的假设。而其中最重要的假设就是平稳。The basic idea of stationarity is that the probability laws that govern the behavior of the process do not change over time.平稳的基本思想是:时间序列的行为并不随时间改变。正因此,我们定义了两种平稳:Strict stationarity: A time series {} is said to be strictly stationary if the joint distribution of ,, · · ·, is the same as that of,, · · · ,for all choices of natural number n, all choices of time points ,, · · · , and all choices of time lag k.强平稳过程:对于所有可能的n,所有可能的,, · · · , 和所有可能的k,当,, · · ·,的联合分布与,, · · · ,相同时,我们称其强平稳。Weak stationarity: A time series {} is said to be weakly (second-order, or co-variance) stationary if:① the mean function is constant over time, and② γ(t, t u2212 k) = γ(0, k) for all times t and lags k.弱平稳过程:当①均值函数是常数函数且②协方差函数仅与时间差相关,我们才称其为弱平稳。此时我们转到第二个问题:Why weak stationary?(为何弱平稳?)我们先来说说两种平稳的差别:两种平稳过程并没有包含关系,即弱平稳不一定是强平稳,强平稳也不一定是弱平稳。一方面,虽然看上去强平稳的要求好像比弱平稳强,但强平稳并不一定是弱平稳,因为其矩不一定存在。例子:{}独立服从柯西分布。{}是强平稳,但由于柯西分布期望与方差不存在,所以不是弱平稳。(之所以不存在是因为其并非绝对可积。)另一方面,弱平稳也不一定是强平稳,因为二阶矩性质并不能确定分布的性质。例子:,,互相独立。这是弱平稳却不是强平稳。知道了这些造成差别的根本原因后,我们也可以写出两者的一些联系:一阶矩和二阶矩存在时,强平稳过程是弱平稳过程。(条件可简化为二阶矩存在,因为)当联合分布服从多元正态分布时,两平稳过程等价。(多元正态分布的二阶矩可确定分布性质)而为什么用弱平稳而非强平稳,主要原因是:强平稳条件太强,无论是从理论上还是实际上。理论上,证明一个时间序列是强平稳的一般很难。正如定义所说,我们要比较,对于所有可能的n,所有可能的,, · · · , 和所有可能的k,当,, · · ·,的联合分布与,, · · · ,相同。当分布很复杂的时候,不仅很难比较所有可能性,也可能很难写出其联合分布函数。实际上,对于数据,我们也只能估算出它们均值和二阶矩,我们没法知道它们的分布。所以我们在以后的模型构建和预测上都是在用ACF,这些性质都和弱项和性质有关。而且,教我时间序列教授说过:"General linear process(weak stationarity, linearity, causality) covers about 10% of the real data." ,如果考虑的是强平稳,我觉得可能连5%都没有了。对第二个问题:教授有天在审本科毕业论文,看到一个写金融的,用平稳时间序列去估计股票走势(真不知这老兄怎么想的)。当时教授就说:“金融领域很多东西之所以难以估计,就是因为其经常突变,根本就不是平稳的。”果不其然,论文最后实践阶段,对于股票选择的正确率在40%。连期望50%都不到(任意一点以后要么涨要么跌)。
2023-07-15 15:11:141

word里合并单元格的快捷键是什么,word文档里合并单元格的快捷键是什么?

Word文档中合并单元格的快捷键是鼠标右击+M,鼠标左键选中单元格,然后按下鼠标右键加M键就可以快速合并单元格了。 我们在使用WORD文档时会用到很多快捷键命令,想要全部掌握住不是一件容易的事,很多人可能对WORD文档的所有快捷键命令不是很熟悉,下面是我整理的一篇WORD文档快捷键命令大全,全部都学会的话你就可以成为熟练操作WORD了。 【F1】键:帮助 【F2】键:移动文字或图形,按回车键确认【F4】键:重复上一次的操作 【F5】键:编辑时的定位 【F6】键:在文档和任务窗格或其他WORD窗格之间切换 【F8】键:打开WORD的选择模式 【F12】键:打开“另存为”对话框 【CTRL+1】:单倍行距 【CTRL+2】:双倍行距 【CTRL+5】:1.5倍行距 【CTRL+O】:段前添加一行间距 【CTRL+A】:全选 【CTRL+B】:字符变为粗体 【CTRL+C】:复制 【CTRL+E】:段落居中 【CTRL+F】:查找 【CTRL+G】:定位 【CTRL+H】:替换 【CTRL+I】:字符变为斜体 【CTRL+J】:两端对齐 【CTRL+K】:超级连接 【CTRL+L】:左对齐 【CTRL+N】:新建文档 【CTRL+M】:左侧段落缩进 【CTRL+O】:打开文档 【CTRL+P】:打印 【CTRL+Q】:插入点所在行向左移动一个字符 【CTRL+Q】:取消段落格式 【CTRL+R】:右对齐 【CTRL+S】:保存 【CTRL+T】:创建悬挂缩进 【CTRL+U】:为字符添加下划线 【CTRL+V】:粘贴 【CTRL+W】:是否保存 【CTRL+X】:剪贴 【CTRL+F2】:打印预览 【CTRL+F4】:关闭窗口 【CTRL+F6】:在打开的文档之间切换 【CTRL+F12】:打开“打开”对话框 【CTRL+SHIFT+D】:分散对齐 【CTRL+SHIFT+Z】:格式清除 【CTRL+SHIFT】:输入法转换 【CTRL+F8】:打开“宏”的对话框 【CTRL+空格】:中、西文转换 【CTRL+ENTER】:插入分页符 【CTRL+SHIFT+M】:取消左侧段落缩进 【CTRL+SHIFT+F12】:选择“文件”菜单中的“打印”菜单项 【CTRL+SHIFT+F】:改变字体 【CTRL+SHIFT+P】:改变字号 【CTRL+SHIFT+>】:增大字号 【CTRL+SHIFT<】:减小字号 【CTRL+SHIFT+】】:逐磅增大字号 【CTRL+SHIFT+【】:逐磅减小字号 【CTRL+SHIFT+C】:复制格式 【CTRL+SHIFT+V】:粘贴格式 【CTRL+SHIFT+T】:减小悬挂缩进量 【CTRL+ENTER】:插入分页符 【CTRL+HOME】:插入点移到文档首部 【CTRL+END】:插入点移到文档尾部 【CTRL+SHIFT+←】:将光标移到单词开始处 【CTRL+SHIFT+→】:将光标移到单词结尾处 【CTRL+SHIFT+↑】:将光标移到段首 【CTRL+SHIFT+↓】:将光标移到段尾 【CTRL+SHIFT+HOME】:将光标移到文档开始处 【ALT+CTRL+SHIFT+PAGEDOWN】:将光标移到窗口结尾 【ALT+CTRL+C】:插入版权符号 【ALT+CTRL+R】:插入注册商标符号 【ALT+CTRL+T】:插入商标符号 【ALT+CTRL+.】:插入省略号 【ALT+TAB】:切换任务、窗口 【ALT+F4】:关闭程序 【ALT+空格】:下拉WORD控制菜单 【ALT+PRINTSCREEN】:窗口复制 【SHIFT+HOME】:插入点到行首 【SHIFT+空格】:半角/全角切换 【SHIFT+F2】:复制文本 【SHIFT+F3】:改变字母大小写 【SHIFT+F4】:重复查找或定位 【SHIFT+F12】:选择“文件”菜单中的“保存”菜单项 【SHIFT+F5】:跳转文档中上一次编辑位置 【SHIFT+←】:选中光标左侧一个字符 【SHIFT+→】:选中光标右侧一个字符 【SHIFT+↑】:选中光标当前位置至上一行之间的内容 【SHIFT+↓】:选中光标当前位置至下一行之间的内容 【SHIFT+HOME】:选中光标所在处至行首 【SHIFT+PAGEUP】:选中光标当前位置至上一屏之间的一行内容 【SHIFT+PAGEDOWN】:选中光标当前位置至下一屏之间的一行内容
2023-07-15 15:08:121

锐凌太阳能热水器微电脑全自动测控仪xrs怎么使用

说明书
2023-07-15 15:08:123

关于苏州的介绍,英文

tggggthfygfgjgfjhvfdhjkvkbnnncdftyhjhhhhhhhhhhghuhkkhh
2023-07-15 15:08:133

VS的全写形式是什么?又是什么意思呢?

经有人问我:“VS”究竟是什么意思?由于以前也没有学过这个词,所以也解释不清楚确切的含义。最近在网上查到对“VS”这个词的解释。贴在这里,供大家参考。 一如OK和WC,VS也渐渐成为咱们中国老百姓熟悉的英语缩写,无论是NBA篮球大战,还是英超足球联赛,电视屏幕上VS总是最先出现在观众的视野里,什么“马刺”对“湖人”,什么“阿森纳”对“利物浦”,VS就是那洋汁洋味的“对”字。 VS的原形是VERSUS,V首当其冲,按英语乃至大多数语言字母缩略的习惯,“老大”肯定是要保留的,而一个单词里有两个S,再怎么也不能把它略去。VERSUS的同义词是AGAINST(对抗),因此我们就可以对这个英语的“对”字有更确切的了解了。 “VS”从球场到公堂,“对抗”的含义就成了“诉讼”,但在老外的眼里意思依旧,反正球场如公堂,公堂如球场,胜负难说,生死未卜,对抗(抗辩)双方总要你死我活一争雄雌,只不过球场上那你争我夺的肢体语言变成了公堂的舌枪唇剑罢了。“诉讼”一词中国老百姓更喜欢说“打官司”,所以在特定的司法场合,VS就是“打官司”,“打官司”就是VS,在海外的华文报刊上,有时出现《张三VS约翰》的大标题,华洋杂处的中文读者就知道是张三和约翰打官司了。现在国内有些时尚报刊把VS作为“遇上”以及“与”的意思,略显牵强,有时甚至有点荒腔走板,比如“成龙VS梅丽尔”,一看标题,我还以为是成龙“叫板”梅里尔,其实是两人在一起演戏罢了。编辑可能对VS的来龙去脉不是特别的清楚,进而“模糊使用”。但万一成龙先生认真起来,要与你VS——打官司的话,那可就吃不了兜着走了。 曾蒙冤入狱的美国华裔科学家李文和,年前写了一本书,中文书名为《我的国家和我对簿公堂》,2002年1月15日首发,个中铿锵有力的四个字“对簿公堂”在英文原著中仅仅一个单词就一目了然了,它就是VS的原型VERSUS,何等简洁!书名原文为《MY COUNTRY VERSUSME》别小看这个的VERSUS,它的语言分量一点儿也不比“对簿公堂”弱,在“VS———打官司”的语言含义后面,还隐含着“对垒”、“对阵”乃至“抗争”的意思,体现出李文和这个身单力薄的老人向着“不公”与“种族歧视”叫板。“美利坚合众国VS李文和”的结果:被囚禁了278个日夜后的李文和无罪获释!美国联邦法官帕克用他深沉而权威的语调承认,他被美国政府所误导。而跨出监狱大门的李文和则平静而坚定地说:“美国总统应向我道歉”,他那一头白发在午后的阳光下闪动着银色的光泽……
2023-07-15 15:08:175

metric什么意思,metric的中文翻译,metric的发音,用法和例句

metricadj.米制的,公制的,十进制的; 度量的; 距离的;n.度量标准; [数学]度量; 诗体,韵文,诗韵;复数: metricsThe Wall Street Journal uses 220,000 metric tons of newsprint each year. 《华尔街日报》每年用去22万公吨新闻纸。We are gradually changing over to a completely metric system. 我们正逐渐过渡到完全使用公制。
2023-07-15 15:08:182

合并单元格快捷键ctrl

Ctrl键的合并单元格功能 在这个充斥着大量数据与表格的信息化时代中,表格的运用越来越广泛,可是表格的制作并不是一件容易的事情,而且制作好的表格我们还需要去对其进行美化以及修改,才能满足我们的需求和要求。合并单元格功能是表格中最常用的快捷键之一,今天我们就来聊一聊合并单元格快捷键Ctrl的作用和优点。Ctrl键的合并单元格功能是什么? 人在制作大量的数据表格的时候,为了使表格更直观、整洁、美观,我们往往需要使用到合并单元格的功能。合并单元格的功能可以将单元格中内容进行合并,而不是将内容放在两个平常大小的单元格中。在专业的表格操作中,我们通过按下快捷键Ctrl+Shift+向左/向下键,就可以实现表格中单元格的合并。合并单元格快捷键Ctrl的优点 合并单元格快捷键Ctrl有很多优点,主要如下:合并单元格功能可以统计某项数据在表格中占据的行数和列数,从而让我们更方便地对数据进行查找和整合。合并单元格功能可以让表格的排版更美观,避免过多的空隙和单元格重复,减少数据和细节的冗余,使表格的内容更加清晰易懂。合并单元格功能可以避免单元格内容再分布过程中形成的错位或重叠,并且可以控制单元格的宽度和高度,使我们的表格更加准确和规范。如何使用合并单元格快捷键Ctrl? 要使用合并单元格快捷键Ctrl,操作是非常简单的。在制作表格的时候,鼠标先选中要合并的单元格,再按住键盘上的Ctrl键,同时向下或向左移动,直到移动到合并单元格的目标单元格处,放开鼠标,并松开Ctrl键,就可以完成合并单元格的操作了。注意事项 在使用合并单元格快捷键Ctrl的时候,我们需要注意一些细节和问题。首先,合并单元格功能不能够将单元格中的所有内容都合并到同一个单元格中,而只是将单元格的边框合并起来;其次,合并单元格功能不能将不规则形状的单元格进行合并;最后,合并单元格快捷键Ctrl必须要与Shift键一起配合使用,才能完成我们的操作。结语 在制作数据表格的时候,合并单元格快捷键Ctrl是非常有用和适用的一个功能,通过合并单元格,我们可以使表格更加美观、整洁、规范,同时可以更加方便地对数据进行整合和统计。希望本文可以为大家提供更多的帮助和指导,让大家在使用表格的过程中,能够更加得心应手和轻松自在。
2023-07-15 15:08:191

thehunterclassic怎么登录

使用手机号注册登录。根据查询猎人荒野的相关资料得知,猎人荒野的登录,要用户使用手机号注册之后登录。《猎人荒野的召唤》是ExpansiveWorlds开发的一款第一人称射击冒险游戏,于2017年2月16日发行,在游戏中,玩家将在广阔世界中与各类生机勃勃的动植物为伴,孤身一人进行狩猎,或者与朋友共同享受狩猎的乐趣。
2023-07-15 15:08:201

凯迪拉克XRS(进口)六缸3.0L加多少机油

标准5.7L!我是专业的!加5.5L就够了【汽车有问题,问汽车大师。4S店专业技师,10分钟解决。】
2023-07-15 15:08:211

高手帮我把下段话翻译成英文吧,论文急用!!!!!!!谢谢了!!

在互联网快速发展的今天,网络视频广告越来越成为网络营销的一个重要手段,发展呈现多样性,广告行业和学术界开始关注和重视网络视频广告。 In the rapid development of Internet, network video ads today become an important means of network marketing, development present diversity, advertising industry and academia started attention of network video ads. 网络视频广告凭借其独特的超越传统网络广告方式的优势推动着网络营销新时代的到来。 Network video ads with its unique way beyond traditional Internet advertising the advantage of network marketing pushes the arrival of the new era. 本文通过对网络视频广告的内涵、特点及传播优势进行分析,并尝试论述总结目前网络视频广告存在的问题和局限性,同时指出关于网络视频广告未来发展的进一步拓展机遇和前景。 This article through to the network video ads spread the connotation, characteristics and advantages, and try to analysis concludes video advertising network discussed the existing problems and limitations on the network, and points out the future development of video ads further expand opportunity and prospects. 再结合实践中经典的正反面案例着重进行分析和思考。 Combining practice classic guangzhou2005 case analysis and thinking on. 最后畅想了网络视频广告未来的发展趋势和前景。 Final fantasy video advertising network of future development trends and prospects. 虽然我国网络视频广告发展历程中遇到众多如技术、内容、形式等方面的挑战,但是,通过互联网手中的不断快速增长,媒介技术不断进步和完善,政府政策的不断支持,从业人员设计营销水平的不断提高,相信网络视频广告将会拥有更加灿烂美好的明天。 Although China"s online video advertising development process encountered numerous such as technology, content, form, etc, but the challenge of the hand, through the Internet, the growing increasingly fast, media technology progress and perfect, government policy, workers continued support design marketing level unceasing enhancement, believe that network video ads will have more bright tomorrow.
2023-07-15 15:08:272

魔兽世界2.3版 XRS插件无法使用了。

加载过期插件就好了
2023-07-15 15:08:291

丰田,下面有五个字母y开头是什么车

Toyota YarisYaris丰田雅力士
2023-07-15 15:08:313

帮忙翻译几个关于建筑的英语句子

最非传统的玻璃外壳,高u200bu200b大的房子是什么所罗门相反的要求设置“的经典手掌法庭。”与宁静的睡莲池由棕榈树环绕可能是从19世纪的冬季花园现场。然而,什么19世纪的玻璃房子曾经放言法兰克盖瑞人大常委会作为核心玻璃鱼?内的棕榈树树干笼和棱镜玻璃房子半透明雕塑闪闪发光。所罗门的评论说,“艺术与自然的划分是无形的”总结了设计不仅是温室,但作为一个整体雕塑园“。
2023-07-15 15:08:372

初中英语作文:真正的英雄 The True Hero

【 #英语资源# 导语】学习英语,阅读真的很重要,多阅读一些短篇英语文章也是提高英语阅读能力的一种。下面是 考 网!  【篇一】真正的英雄 The True HeroWhen talking about the hero, people will think about the person who saves the world, such as superman and batman, they care about the public"s lives and interest all the time. In the real life, people believe that a hero at least can make great influence to the society, like the scientist. But in my opinion, some true heroes are easy ignored, they are doing the ordinary jobs while making great contribution to the society. The city cleaners are the classic ones, they beautify the city and bring comfort to the public. Though they are nobody, they are doing the great job. They are heroes and should be praised. 在谈到英雄的时候,人们会想到那些拯救世界的人,如超人和蝙蝠侠,他们关心公众的生活和利益。在现实生活中,人们认为英雄至少能带来深刻的社会影响,如科学家。但在我看来,一些真正的英雄是很容易被忽视,他们做着普通的工作但是对社会作出巨大贡献。城市清洁工是最典型的,他们美化城市,给公众带来莫大的舒适。虽然他们是无名之辈,但是他们正在做着伟大的工作。他们是英雄,应该受到表扬。  【篇二】培养兴趣爱好 Develop InterestAs a middle school student, I learn many subjects, I study so hard every day. When I get home, I will do my homework and then go over the book. But when holiday comes, I feel a little confused, because I don"t want to study and do something new. Then I don"t know what to do, my mind get blank. I decide to develop my interest. Some day, I happened to see a tennis match and I couldn"t stop watching, then I fell in love with tennis. So I started to learn playing tennis, I felt so happy. Now tennis is my favorite sport, I find a way to relax myself. 作为一个中学生,我学许多科目,我每天那么努力学习。当我回家时,我会做作业,然后复习书本。但当假期来临的时候,我感到有点困惑,因为我不想学习,想做一些新的事情。我就不知道要做什么,我的头脑一片空白。我决定培养我的兴趣。有一天,我碰巧看到一场网球比赛,我无法停止下来看,然后我爱上了网球。因此我开始学习打网球,我感到很高兴。现在网球是我最喜欢的运动,我找到一个方法来放松自己。  【篇三】生活中的美 Beauty in LifePeople always say that we are lacking of the eyes of realizing the beauty in life. I can"t agree with it anymore. Last week, I woke up very early in the morning, so I decided to take a walk. The street was very quiet and there were many old people dancing in the square. Without many cars, I realized the city looked so clean and beautiful. Some coffee shops decorates so well, which attrated my eyes. The city was coverd by the green trees, which made it a green city. I liked this feeling so much. At this moment, I found the city was so lovely, I just ingored its beauty usually. 人们总是说我们缺乏发现实现生活中的美丽的眼睛。我十分同意。上周,我早上很早就醒了,所以我决定出去散步。街上很安静,有很多老人在广场上跳舞。街上没有了很多小车,我意识到这个城市看起来那么干净和漂亮。一些咖啡店装修很好,吸引了我的眼球。这座城市被绿色的树木覆盖着,这是一个绿化放的城市。我很喜欢这种感觉。这时,我发现这个城市是如此的可爱,平常我忽略了它的美。   
2023-07-15 15:08:041

电脑出现grub command line

出现此问题的原因:是设置错误造成的。解决的方法和操作步骤如下:1、第一步,鼠标右键单击“这台电脑”,如下图所示。2、其次,完成上述步骤后,选择“属性”选项,如下图所示。3、接着,完成上述步骤后,在“属性”主页上,点击“高级系统设置”选项,如下图所示。4、然后,完成上述步骤后,单击鼠标以打开“环境变量”选项,如下图所示。5、随后,完成上述步骤后,看到“TEMP”选项并双击,如下图所示。6、最后,完成上述步骤后,在新窗口中,变量的值需要修改为“C:TEMP”,然后单击“确定”按钮保存,如下图所示。这样,问题就解决了。
2023-07-15 15:08:031

刀剑神域oped中文歌词

  刀剑神域「oped」  歌:LiSA  作词:渡边翔  作曲:渡边翔  编曲:とく  翻译:Jerry 21cy  认めてた 臆病な过去 分からないままに  认同吧 胆怯的身姿 就这样一直无知  mito me te ta okubyou na ka ko wa ka ra nai ma mani  怖がってた 後ろの自分が现実を  好害怕 背后的自己将现实  kowa gatte ta ushiro no ji bun ga gen ji tsu wo  今に映す  映照而出  imani utsusu  いくつもの空を描いた  究竟描绘了多少天空  ikutsu mono sorao egaita  ここはきっと儚い心 目指して  这里一定是脆弱的心扉 追逐吧  koko wa kitto ha ka nai kokoro me za shite  梦で高く飞んだ  因为梦想而高飞  yumede ta ka ku ton da  体はどんな不安まとっても 振り払ってく  无论肉体有多不安 都能够挣脱  karada wa don na fuan ma totte mo furi ha ratte ku  守る 小さな想い  広がりだして  守护 那小小的思念蔓延 渐渐扩散  mamoru chii sa na omoi hi ro ga ri da shi te  気付く弱い私  发现柔弱的我  ki zu ku yowai wa ta shi  君がいれば 暗い世界强く居れた  只要有你 无论世界多么黑暗都能坚强  kimi ga ire ba ku rai sekai tsu yo ku ireta  长い梦见る心はそう永远で  长久注视梦想的心啊 对 那就是永远  nagai yume mi ru kokoro wa sou eien de  I wanna always stay with you  我想永远和你在一起  I give you every thing I have  我会给你我所拥有的一切
2023-07-15 15:08:014

Win8.1如何把开始列表中的程序放到桌面

今天本教程分享一个小技巧就是教大家把win8.1系统开始列表中的程序放到桌面,大家在使用Win8.1系统时会发现,通过“Metro”界面来启动程序显得较麻烦,如果程序应用可以像Win7系统一样放置在桌面,那么就可以直接点击启动了。可是Win8.1如何把开始列表中的程序放到桌面?需要用户进行一些简单的设置,下面我们一起看下Win8.1是怎么把开始列表中的程序放到桌面的。具体方法如下:1、按键盘上的“Windows”按键,或者点击桌面左下角的“Windows”图标进入Metro界面;2、右击要放置到桌面的应用图标,从弹出的右键菜单中选择“打开文件位置”;3、接着右击相应的应用程序图标,从弹出的右键菜单中选择“发送到”-“桌面快捷方式”;4、然后按“Windows+D”返回桌面,就会发现应用程序图标被“移动”到桌面啦;5、如果想把应用添加到“Metro”开始菜单中,该如何操作呢?其实很简单,右击相应的程序,从弹出的右键菜单中c“项即可;6、最后按“Windows”键返回“Metro”界面,就会发现对应的应用已经被添加到“开始”列表中。以上教程内容就是Win8.1把开始列表中的程序放到桌面的详细步骤了,简单设置之后,以后直接在桌面就可以打开应用程序了,简单实用的小技巧,对大家操作电脑有所帮助!
2023-07-15 15:07:581

动画片美女与野兽的英文简短简介

BEAUTY AND THE BEAST is a contemporary retelling of the classic French fairy tale. Once upon a time, there was a handsome but heartless prince, whose selfishness caused an enchantress to turn... BEAUTY AND THE BEAST is a contemporary retelling of the classic French fairy tale. Once upon a time, there was a handsome but heartless prince, whose selfishness caused an enchantress to turn him into a hideous beast. He had only one hope for freedom: winning a woman"s love despite his ugliness. The years passed; the Beast remained alone. Then one day, Maurice, a poor inventor, accidentally stumbled upon the Beast"s lair. The angry Beast instantly swore to kill him -- until he saw Belle, Maurice"s lovely daughter, who had come to to the palace to fight for her father"s life. The Beast promised not to harm Maurice on one condition: Belle must stay with him. And so began Belle"s lesson in the true meaning of beauty... a lesson that would bring her love and happiness ever after.
2023-07-15 15:07:571

刀剑神域中文版歌词

qq音乐搜交叉索领域那里有中文版的,那个就是了!
2023-07-15 15:07:533

如何去东京迪士尼东京迪士尼旅游交通攻略

还有一个问题就是关系着东京迪士尼的交通问题,今天小编要说的也是这个问题,迪士尼这个地方的交通怎么样解决呢?大家待会都可以看看的呢。交通交通:我们从池袋站坐地铁到东京站再换乘JR京叶线(或武藏野线)在“舞滨”站下车,走8分钟左右就到。备注:东京地铁错综复杂,虽然在蚂蜂窝看了很多交通攻略,但我至今也弄不明白(因为一到东京站看到那么多线路和各个方向指示标,人就发懵,很容易坐错方向),建议你到地铁站先把地铁路线图拍下来,再多问问当地人(英语+肢体语言+翻译软件),他们会很热心为你解答并力所能及地帮助你的,这点深受感动)我们在日本初次购买地铁票就是一位日本男士帮助下购买的,先定好路线方向,确定下站点的价格,先买成人票,再买小朋友票。(后来才知道日本地铁购票机有中文页面的)又在一位日本女士的提醒和带领下才没有坐错方向!语言不通感觉自己有点傻傻的来迪士尼首先是做地铁到【舞浜】站,从这个站下来就是迪士尼,但是是到达迪士尼land,sea还需要在land的地铁出来后,找到乘坐到sea的“地铁”,出地铁站后,背对地铁站往左边的方向走就是“地铁”,而往右就是迪士尼land。这个“地铁”用西瓜卡是可以刷的哦~坐到sea是第三个站到达。迪士尼交通这_分两个部分,一个是从市区往返迪士尼乐园的办法,一个是迪士尼园区内部交通办法。市区往返:坐地铁在舞浜站下车就是迪士尼。但是舞浜站在JR线上,所以如果买了TokyoMetro卷的游客(像我们)就只能坐到东京站、八丁掘站、新木场站下车,然后站内重新买票,换乘JR线到舞浜,返程时同理。买东京JR通票的则可以无障碍到达舞浜站。一般JR线的售票机都会摆在JR线的检票口边上。就算不买Metro通票,JR、都营地铁、东京Metro这叁个也是独立的系统独立售票,所以还是要分段买票换乘。塬则上就是从舞浜站买能接到其他系统的站就好!迪士尼单轨电车:这是迪士尼园区内自家营运的单向环形电车,一共四站,连接JR舞浜站、迪士尼陆地、海滨站(饭店区)、迪士尼海洋,单独售票。无论坐到哪,单程票¥260一张,出站时车票回收。或者可以买多日卷,时间内不限次数乘坐,刷卡方式,出站车票可以收藏~因为我们在迪士尼玩两天,所以买了电车两日卷¥800一张,按照两天早晚往返车票单程计算,买两日卷很划算。
2023-07-15 15:07:511

和好男人这首歌曲旋律的一样的外国歌曲叫什么

◇◆_27代060513期歌曲_◆◇ 01、Tide Is High - Atomic Kitten:27(中)片头介绍上集时用的歌曲 我只听过Atomic Kitten原唱版的,情书里用的是男声版的, 02、魔法之城 - The Classic:Brian和刘仁莹蹦极时用的歌曲 03、爱总是干渴 - 刘美:赵桂炯蹦极时用的歌曲 04、Super Star - Jewelry:朴晶雅和赵敏雅一起蹦极时用的歌曲 05、I Believe I Can Fly - R. Kelly:Fany和秀贤在蹦极前一起唱的歌蹦极时用的也是这首 06、Sea Of Love - Fly To The Sky:Fany和Brian蹦极前唱的和蹦极时用的都是这首歌曲 07、大韩健儿万岁 - N.R.G:千明勋蹦极时用的歌曲 08、Oh, My Love - S E S:水上牛郎织女游戏中BADA和赵桂炯用的歌曲 09、A. U ready - Kil Gun:情书结束后播放的MV歌曲
2023-07-15 15:07:501

碧蓝幻想VersusRPG模式是什么 RPG模式内容介绍一览

  碧蓝幻想VersusRPG模式是什么?针对部分文字剧情爱好者,碧蓝幻想Versus推出了RPG模式,我在此带来了碧蓝幻想VersusRPG模式内容介绍一览,一起来了解下该模式中有哪些精彩内容吧。   RPG模式内容介绍一览   RPG模式是为了不擅长动作游戏的玩家也能体验到碧蓝幻想Versus出色内容,而推出的冒险模式。   RPG 模式将描写主角古兰等人的全新故事,并提供武器收集、角色养成、任务战、迎战boss的头目战等等手机游戏原作中相当熟悉的各项要素。   剧情   碧蓝幻想Versus将带来全新的碧蓝幻想故事:在这天空世界陆续发生某种异象,古兰不得不与过往的同伴们交锋。为查明混乱扩大的原因,并取回失去的同伴,骑空艇古兰赛法将启程飞向迥异的天空。   碧蓝幻想Versus承袭碧蓝幻想的剧情演出展开剧情,原作一样是全语音, 剧情途中插入精美插图。   角色养成   充满碧蓝幻想风格的充实养成系统:装备武器、编组技能、更换支援能力,无限大的战略幅度获得的。武器外观还可反映在对战格斗的动作模式中。   主角有回复、有弱化,存在效果多样的技能。最多可装上两个能用于战斗的特殊技能,部分武器的武器外观可任意套用在战斗中,获得了就可自由切换。   任务战斗   玩家在冒险途中将会发生任务,要与魔物或星晶兽战斗,任务战斗可单人进行,或是在线上找好友2人一起游玩。也可以选择电脑AI好友自动操纵,就算自己一人也能享受共斗乐趣。   玩家可将养成的角色当成搭档,交由电脑自动操纵参战,和巨大星晶兽展开头目战。   资料库、画廊   玩家可以透过露莉亚笔记了解关于碧蓝幻想的基本知识,可阅览碧蓝幻想的各种设定、美术、音乐等等,内容庞大丰富。其中还有在碧蓝幻想Versus新揭露的设定。   
2023-07-15 15:07:481

丰田雅力士它搭载的是什么发动机?

1.5升三缸自然吸气发动机,这款发动机是可以提升它整个车的性能的,是有着很强的动力的。
2023-07-15 15:07:473

美版metropcs怎么解锁电信卡

电信卡被锁了怎么解锁电信卡被锁了怎么解锁可以通过拨打10010,进行人工客服查询PUK码,或者到当地的营业厅获得PUK码如果你的PIN码和PUK码都超过了限度,就要到营业厅去办理空白卡了(带着自己的有效证件)。如您手机卡被锁,可按以下流量办理解锁:PIN码的密码初始设置为1234,连续输错三次,则卡被锁住,此时需输入PUK码解锁,而PUK码输错10次后,SIM卡不可恢复。连续输错3次PIN码,SIM卡被锁死,可通过PUK码解锁(PUK码可咨询SIM卡运营商查询);若连续10次输错PUK码,SIM卡会被永久锁死,无法解锁,此时需要更换SIM卡。电信卡被锁了解锁:用PUK码解锁。SIM卡被锁主要是PIN密码错误输入次数超过三次,SIM卡会自动锁了。这时,输入正确的PUK密码就可以解开SIM卡了。持身份证到电信营业厅解锁。电信卡被锁了解决方法:首先将电信卡插入手机,在屏幕弹出的提示中,输入PIN,若不记得PIN码,也可输入PUK码,可以通过拨打10010进行查询PUK码或在当地营业厅获取,若是PIN和PUK码都超过限度,就要去营业厅办理。电信卡被锁了怎么解锁?电信卡被锁了怎么解锁?方法一:找售后客服可以去SIM卡的客服中心去解锁。一般要去大型的营业厅才可以。如您手机卡被锁,可按以下流量办理解锁:PIN码的密码初始设置为1234,连续输错三次,则卡被锁住,此时需输入PUK码解锁,而PUK码输错10次后,SIM卡不可恢复。电信卡被锁了解决方法:首先将电信卡插入手机,在屏幕弹出的提示中,输入PIN,若不记得PIN码,也可输入PUK码,可以通过拨打10010进行查询PUK码或在当地营业厅获取,若是PIN和PUK码都超过限度,就要去营业厅办理。苹果6S美版,有锁,用电信卡,怎么解锁?苹果6S美版,有锁,用电信卡,怎么解锁?iPhone6s将于11月26日开始只会拆机更换电池,不会直接换新机。主要技术3DTouchiPhone6s苹果iPhone6s在屏幕上的最大升级是加入了ForceTouch压力感应触控,使触屏手机的操作性进一步扩展。解锁的话,有两种方式。一种是官解,就是登录运营商官方网站去解除,但是需要钱,还对型号和激活策略有要求。某宝上有能提供官解服务的,但是价格不菲,而且有部分客户反映过被坑过钱。利用最新的有锁机漏洞做出的黑解卡可以完美解决这个问题,目前黑解卡售价十分便宜某宝或者手机市场都有销售。如果你是属于当前可以用指纹解锁手机,只是忘记了原来设置的“开机密码”的话,此时我们可以先将iPhone的个人数据在电脑上备份一下。如果你没有的话,可以跳过备份数据的步骤。即使你买对了型号,也并不代表你的新iPhone就可以在国内使用了。美版iPhone之所以有锁,是被当地的运营商给锁住了,所以千!万!不!要!在美国开机。
2023-07-15 15:07:441

classic造句怎么写要有翻译

The debate in the press has been a classic example of hypocrisy. 新闻界的这场争论是虚伪的典型例子。
2023-07-15 15:07:432