时间序列的小波分析
时间序列（Time Series ）是地学研究中经常遇到的问题。在时间序列研究中，时域和频域是常用的两种基本形式。其中，时域分析具有时间定位能力，但无法得到关于时间序列变化的更多信息；频域分析（如Fourier 变换）虽具有准确的频率定位功能，但仅适合平稳时间序列分析。然而，地学中许多现象（如河川径流、地震波、暴雨、洪水等）随时间的变化往往受到多种因素的综合影响，大都属于非平稳序列，它们不但具有趋势性、周期性等特征，还存在随机性、突变性以及“多时间尺度”结构，具有多层次演变规律。对于这类非平稳时间序列的研究，通常需要某一频段对应的时间信息，或某一时段的频域信息。显然，时域分析和频域分析对此均无能为力。
20世纪80年代初，由Morlet 提出的一种具有时-频多分辨功能的小波分析（Wavelet Analysis ）为更好的研究时间序列问题提供了可能，它能清晰的揭示出隐藏在时间序列中的多种变化周期，充分反映系统在不同时间尺度中的变化趋势，并能对系统未来发展趋势进行定性估计。
目前，小波分析理论已在信号处理、图像压缩、模式识别、数值分析和大气科学等众多的非线性科学领域内得到了广泛的应。在时间序列研究中，小波分析主要用于时间序列的消噪和滤波，信息量系数和分形维数的计算，突变点的监测和周期成分的识别以及多时间尺度的分析等。
一、小波分析基本原理
1. 小波函数
小波分析的基本思想是用一簇小波函数系来表示或逼近某一信号或函数。因此，小波函数是小波分析的关键，它是指具有震荡性、能够迅速衰减到零的一类函数，即小波函数)R (L )t (2
∈ψ且满足：
?
+∞
∞
-=0dt )t (ψ （1）
式中，)t (ψ为基小波函数，它可通过尺度的伸缩和时间轴上的平移构成一簇函数系：
)a
b
t (
a
)t (2
/1b ,a -=-ψψ 其中，0a R,b a,≠∈ （2）
式中，)t (b ,a ψ为子小波；a 为尺度因子，反映小波的周期长度；b 为平移因子，反应时间上的平移。 需要说明的是，选择合适的基小波函数是进行小波分析的前提。在实际应用研究中，应针对具体情况选择所需的基小波函数；同一信号或时间序列，若选择不同的基小波函数，所得的结果往往会有所差异，有时甚至差异很大。目前，主要是通过对比不同小波分析处理信号时所得的结果与理论结果的误差来判定基小波函数的好坏，并由此选定该类研究所需的基小波函数。
2. 小波变换
若)t (b ,a ψ是由（2）式给出的子小波，对于给定的能量有限信号)R (L )t (f 2
∈，其连续小波变换（Continue Wavelet Transform ，简写为CWT ）为：
dt )a
b
t (
f(t)a
)b ,a (W R
2
/1-f ?-=ψ （3） 式中，)b ,a (W f 为小波变换系数；f(t)为一个信号或平方可积函数；a 为伸缩尺度；b 平移参数；
)a
b
x (-ψ为)a
b
x (-ψ的复共轭函数。地学中观测到的时间序列数据大多是离散的，设函数)t k (f ?，（k=1,2,…,N; t ?
为取样间隔），则式（3）的离散小波变换形式为：
)a
b
-t k (
t)f(k t a
)b ,a (W N
1
k 2
/1-f ???=∑=ψ （4） 由式（3）或（4）可知小波分析的基本原理，即通过增加或减小伸缩尺度a 来得到信号的低频或高频信息，然后分析信号的概貌或细节，实现对信号不同时间尺度和空间局部特征的分析。
实际研究中，最主要的就是要由小波变换方程得到小波系数，然后通过这些系数来分析时间序列的时频变化特征。
3. 小波方差
将小波系数的平方值在b 域上积分，就可得到小波方差，即
db )b a,(W )a (Var 2
f ?∞
∞
-= (5)
小波方差随尺度a 的变化过程，称为小波方差图。由式(5)可知，它能反映信号波动的能量随尺度a 的分布。因此，小波方差图可用来确定信号中不同种尺度扰动的相对强度和存在的主要时间尺度，即主周期。
二、小波分析实例-时间序列的多时间尺度分析(Multi-time scale analysis)
例题
河川径流是地理水文学研究中的一个重要变量，而多时间尺度是径流演化过程中存在的重要特征。所谓径流时间序列的多时间尺度是指：河川径流在演化过程中，并不存在真正意义上的变化周期，而是其变化周期随着研究尺度的不同而发生相应的变化，这种变化一般表现为小时间尺度的变化周期往往嵌套在大尺度的变化周期之中。也就是说，径流变化在时间域中存在多层次的时间尺度结构和局部变化特征。
表1给出了某流域某水文观测站1966-2004年的实测径流数据。试运用小波分析理论，借助Matlab R2012a 、suffer 12.0和其他相关软件（Excel 、记事本等），完成下述任务：（1）计算小波系数；（2）绘制小波系数图（实部、模和模方）、小波方差图和主周期变化趋势图，并分别说明各图在分析径流多时间尺度变化特征中的作用。
表1 某流域某水文观测站1966-2004年实测径流数据（×108m 3
） 年份 径流量 年份 径流量 年份 径流量 年份 径流量 年份 径流量 1966 1.438 1974 2.235 1982 0.774 1990 1.806 1998 1.709 1967 1.151 1975 4.374 1983 0.367 1991 0.449 1999 0.000 1968 0.536 1976 4.219 1984 0.562 1992 0.120 2000 0.000 1969 1.470 1977 2.590 1985 3.040 1993 0.627 2001 2.104 1970 3.476 1978 3.350 1986 0.304 1994 1.658 2002 0.009 1971 4.068 1979 2.540 1987 0.728 1995 1.025 2003 3.177 1972 2.147 1980 0.807 1988 0.492 1996 0.955 2004 0.921 1973 3.931
1981
0.573
1989
0.007
1997
1.341
分析
1. 选择合适的基小波函数是前提
在运用小波分析理论解决实际问题时，选择合适的基小波函数是前提。只有选择了适合具体问题的基小波函数，才能得到较为理想的结果。目前，可选用的小波函数很多，如Mexican hat 小波、Haar 小波、Morlet 小波和Meyer 小波等。在本例中，我们选用Morlet 连续复小波变换来分析径流时间序列的多时间尺度特征。原因如下：
1.1 径流演变过程中包含“多时间尺度”变化特征且这种变化是连续的，所以应采用连续小波变换来
进行此项分析。
1.2实小波变换只能给出时间序列变化的振幅和正负，而复小波变换可同时给出时间序列变化的位相和振幅两方面的信息，有利于对问题的进一步分析。
1.3 复小波函数的实部和虚部位相差为π/2，能够消除用实小波变换系数作为判据而产生的虚假振荡，使分析结果更为准确。
2. 绘制小波系数图、小波方差图和主周期变化趋势图是关键
当选择好合适的基小波函数后，下一步的关键就是如何通过小波变换获得小波系数，然后利用相关软件绘制小波系数图、小波方差图和主周期变化趋势图，进而根据上述三种图形的变化识别径流时间序列中存在的多时间尺度。
具体步骤
1. 数据格式的转化
2. 边界效应的消除或减小
3. 计算小波系数
4. 计算复小波系数的实部、模、模方、方差
5. 绘制小波系数实部、模、模方等值线图
6. 绘制小波方差图
7. 绘制主周期趋势图
下面，我们以上题为例，结合软件Matlab R2012a 、suffer 12.0、Excel 、记事本等，详细说明小波系数的计算和各图形的绘制过程，并分别说明各图在分析径流多时间尺度变化特征中的作用。
1. 数据格式的转化和保存
将存放在Excel 表格里的径流数据（以时间为序排为一列）转化为Matlab R2012a 识别的数据格式（.mat ）并存盘。
具体操作为：在Matlab R2012a 界面下，单击“File-Import Data ”，出现文件选择对话框“Import ”后，找到需要转化的数据文件（本例的文件名为runoff.xls ），单击“打开”。等数据转化完成后，单击“Finish ”，出现图1显示界面；然后双击图1中的Runoff ，弹出“Array Editor: runoff ”对话框，选择File 文件夹下的“Save Workspace As ”单击，出现图2所示的“Save to MAT-File:”窗口，选择存放路径并填写文件名（runoff.mat ），单击“保存”并关闭“Save to MAT-File ”窗口。
2. 边界效应的消除或减小
因为本例中的实测径流数据为有限时间数据序列，在时间序列的两端可能会产生“边界效用”。为消除或减小序列开始点和结束点附近的边界效应，须对其两端数据进行延伸。在进行完小波变换后，去掉两
图1 数据格式的转化
图2数据的保存
端延伸数据的小变换系数，保留原数据序列时段内的小波系数。本例中，我们利用Matlab R2012a 小波工具箱中的信号延伸（Signal Extension ）功能，对径流数据两端进行对称性延伸。
具体方法为：在Matlab R2012a 界面的“Command Window ”中输入小波工具箱调用命令“Wavemenu ”，按Enter 键弹“Wavelet Toolbox Main Menu ”（小波工具箱主菜单）界面（图３）；然后单击“Signal Extension ”，打开Signal Extension / Truncation 窗口，单击“File ”菜单下的“Load Signal ”，选择runoff.mat 文件单击“打开”，出现图4信号延伸界面。Matlab R2012a 的Extension Mode 菜单下包含了6种基本的延伸方式（Symmetric 、Periodic 、Zero Padding 、Continuous 、Smooth and For SWT ）和Direction to extend 菜单下的3种延伸模式（Both 、Left and Right ），在这里我们选择对称性两端延伸进行计算。数据延伸的具体操作过程是：Desired Length 可以任意选，只要比原始信号长度大，建议在原始信号的基础上加20（这样左右对称地延伸10个数据），这里选择默认的64；Dircetion to extend 下选择“Both ”；Extension Mode 下选择“Symmetric ”；单击“Extend ”按钮进行对称性两端延伸计算，然后单击“File ”菜单下的“Save Tranformed Signal ”，将延伸后的数据结果存为erunoff.mat 文件。
从erunoff 文件可知，系统自动将原时间序列数据向前对称延伸12个单位，向后延伸13个单位。
3. 计算小波系数
选择Matlab R2012a 小波工具箱中的Morlet 复小波函数对延伸后的径流数据序列（erunoff.mat ）进行小波变换，计算小波系数并存盘。
小波工具箱主菜单界面见图3，单击“Wavelet 1-D ”下的子菜单“Complex Continuous Wavelet 1-D ”，打开一维复连续小波界面，单击“File ”菜单下的“Load Signal ”按钮，载入径流时间序列erunoff.mat （图5）。图5的左侧为信号显示区域，右侧区域给出了信号序列和复小波变换的有关信息和参数，主要包括数据长度（Data Size ）、小波函数类型（Wavelet ：cgau 、shan 、fbsp 和cmor ）、取样周期（Sampling Period ）、周期设置（Scale Setting ）和运行按钮（Analyze ），以及显示区域的相关显示设置按钮。本例中，我们选择cmor (1-1.5)、取样周期为1、最大尺度为32，单击“Analyze ”运行按钮，计算小波系数。然后单击“File ”菜单下的“Save
Coefficients ”，保存小波系数为cerunoff.mat 文件。
4. 计算Morlet 复小波系数的实部、模、模方、方差
在Matlab R2012a 界面下的Workspace 中将cerunoff.mat 文件导入，见图6。
图3 小波工具箱主菜单
图4 径流时间序列的延伸
图5 小波变换菜单界面
图6 小波系数导入到Matlab
然后双击“coefs”打开，删掉掉延伸数据的小波变换系数（本例中去掉前12列和后13列），保存。接下来开始计算Morlet复小波系数的实部、模、模方、方差，具体操作为：在“Command Windows”中直接输入函数“shibu=real(coefs);”，点击“回车”键，计算实部；输入函数“mo=abs(coefs);”，点击“回车”键，计算模；输入函数“mofang=(mo).^2;”，点击“回车”键，计算模方；输入函数“fangcha=sum(abs(coefs).^2,2);”，点击“回车”键，计算方差。见图7。
图7计算出的实部、模、模方、方差成果
注意：上面涉及到的数据保存，其格式均为.mat。
5. 绘制小波系数实部、模、模方等值线图
实部、模、模方等值线图的绘制方法一样，这里仅以实部等值线图为例。
5.1 小波系数实部等值线图的绘制
首先，将小波系数实部数据复制到Excel中按照图8格式排列，其中列A为时间，列B为尺度，列C 为不同时间和尺度下所对应的小波系数实部值。
其次，将图9数据转化成Suffer 12.0识别的数据格式。具体操作为：在Surfer 12.0界面下，单击“网格”菜单下的“数据”按钮，在“打开”窗口选择要打开的文件（小波系数实部.xls），单击“打开”后弹出“网格化数据”对话框（图10）。它给出了多种不同的网格化方法、文件输出路径及网格线索几何学等信息。这里我们选择“克里格“网格方法”，单击“确定”，完成数据格式的转化。
图9 Suffer 12.0可以识别的数据格式列表
图8 小波系数实部数据格式
最后，绘制小波系数实部等值线图。在Surfer 12.0界面下，单击“地图”菜单下的“等值线图-新建等值线图”按钮，弹出“打开网格”窗口后，选择“小波系数实部.grd ”文件，单击“打开”，完成等值线图的绘制并保存（图11）。
5.2 小波系数实部等值线图在多时间尺度分析中的作用
图10 小波系数实部数据格式转化
图11 Suffer8.0中的小系数实部等值线图
小波系数实部等值线图能反映径流序列不同时间尺度的周期变化及其在时间域中的分布，进而能判断在不同时间尺度上，径流的未来变化趋势。为能比较清楚的说明小波系数实部等值线图在径流多时间尺度分析中的作用，我们利用Surfer 12.0对其进一步处理和修
饰，得到图12显示的小波系数实部等值线图。其中，横坐标为时间（年份），纵坐标为时间尺度，图中的等值曲线为小波系数实部值。当小波系数实部值为正时，代表径流丰水期，在图中我们用实线绘出，“H”表示正值中心；为负时，表示径流枯水期，用虚线绘出，“L”表示负值中
心。 由图12可以清楚的看到径流演化过程中存在的多时间尺度特征。总的来说，在流域径流演变过程中存在着
18~32年，8~17年以及3~7年的3类尺度的周期变化规
律。其中，在18~32年尺度上出现了枯-丰交替的准两次震荡；在8~17年时间尺度上存在准5次震荡。同时，还
可以看出以上两个尺度的周期变化在整个分析时段表现
的非常稳定，具有全域性；而3~10年尺度的周期变化，在1980s 以后表现的较为稳定。
5.3 小波系数模和模方等值线图的绘制
参考5.1，绘制小波系数模和模方等值线图（图13、14）。
图13 小波系数模等值线图 图14 小波系数模方等值线图
5.4 小波系数模等值线图在多时间尺度分析中的作用
Morlet 小波系数的模值是不同时间尺度变化周期所对应的能量密度在时间域中分布的反映，系数模值愈大，表明其所对应时段或尺度的周期性就愈强。从图13可以看出，在流域径流演化过程中，18~32年时间尺度模值最大，说明该时间尺度周期变化最明显，18~22年时间尺度的周期变化次之，其他时间尺度的周期性变化较小；
5.5 小波系数模方等值线图在多时间尺度分析中的作用
小波系数的模方相当于小波能量谱，它可以分析出不同周期的震荡能量。由图14知，25~32年时间尺度的能量最强、周期最显著，但它的周期变化具有局部性（1980s 前）；10~15年时间尺度能量虽然较弱，但周期分布比较明显，几乎占据整个研究时域(1974~2004年)。
6. 绘制小波方差图 6.1小波方差图的绘制
在图7的“fangcha ”上右击，选择“Graph ”，在下拉菜单中选择“plot ”，即出小波方差图，见图15，在Matlab 中可继续美化。也可双击“fangcha ”，将数据复制到其他软件（如Excel ）中，以小波方差为纵坐标，时间尺度a 为横坐标，绘制小波方差，如图16。
图12 小系数实部等值线图
图15 Matlab 绘制的小波方差图
图16 小波方差图
6.2小波方差图在多时间尺度分析中的作用
小波方差图能反映径流时间序列的波动能量随尺度a 的分布情况。可用来确定径流演化过程中存在的主周期。
流域径流的小波方差图中（图15）存在4个较为明显的峰值，它们依次对应着28年、14年、8年和4年的时间尺度。其中，最大峰值对应着28年的时间尺度，说明28年左右的周期震荡最强，为流域年径流变化的第一主周期；14年时间尺度对应着第二峰值，为径流变化的第二主周期，第三、第三峰值分别对应着8年和4年的时间尺度，它们依次为流域径流的第三和第四主周期。这说明上述4个周期的波动控制着流域径流在整个时间域内的变化特征。
7. 主周期趋势图的绘制及其在多时间尺度分析中的作用 根据小波方差检验的结果，我们绘制出了控制流域径流演变的第一和第二主周期小波系数图（图17）。从主周期趋势图中我们可以分析出在不同的时间尺度下，流域径流存在的平均周期及丰-枯变化特征。图16a 显示，在14年特征时间尺度上，流域径流变化的平均周期为9.5年左右，大约经历了4个丰-枯转换期；而在28年特征时间尺度上（图16b ），流域的平均变化周期为20年左右，大约2个周期的丰-枯变化。
图17 大沽夹河流域年径流变化的13年和28年特征时间尺度小波实部过程线
参考文献
王文圣，丁晶，李耀清. 2005. 水文小波分析[M]. 北京：化学工业出版社 曹素华等. 1998. 实用医学多因素统计方法[M]. 上海：上海医科大学出版社 方开泰. 1989. 实用多元统计分析[M]. 上海：华东师范大学出版社
何清波，苏炳华，钱亢. 2002. 医学统计学及其软件包[M]. 上海：上海科学技术文献出版社 胡秉民. 1987. 微电脑在农业科学中的应用[M]. 北京：科学出版社
孙尚拱. 1990.. 实用多元变量统计方法与计算程序[M]. 北京：北京医科大学、中国协和医科大学联合出版社 唐守正. 1986. 多元统计分析方法[M]。北京：中国林业出版社
王学仁. 1982. 地址数据的多变量统计分析. 北京：科学出版社
徐振邦，金淳浩，娄元仁. 1986. 2χ距离系数和2
?距离系数尺度在聚类分析中的应用[M]. 赵旭东等主编，中国数学地质（1）. 北京：地质出版
社
於崇文. 1978. 数学地质的方法与应用[M]. 北京：冶金工业出版社
Anderson T. W. 1967. Introduction to multivariate statistical analysis, 2nd
[M]. New York: Wiley
Gauch H. G. J. 1982. Multivariate analysis in community ecology[M]. Britain: Cambridge University Press
Horel A. E. ,Wennard. R. W. and Baldwin K. F. 1975. regression: some simulations. Communications in Statistics[J], 4: 105~123
练习
试运用小波分析理论，分析某市年平均降水过程中存在的多时间尺度变化特征。
表2 某市1957-2004年实测年均降水量（mm）
年份降水量年份降水量年份降水量年份降水量
1957 320.0 1969 324.8 1981 506.0 1993 384.4 1958 481.2 1970 412.3 1982 282.1 1994 503.9 1959 522.6 1971 366.5 1983 508.6 1995 406.7 1960 339.3 1972 262.4 1984 523.9 1996 465.7 1961 719.9 1973 521.9 1985 518.9 1997 345.3 1962 373.5 1974 351.7 1986 320.1 1998 454.9 1963 332.9 1975 398.4 1987 340.0 1999 327.9 1964 741.2 1976 320.2 1988 478.5 2000 406.2 1965 454.3 1977 445.4 1989 402.4 2001 404.7 1966 604.3 1978 534.8 1990 552.4 2002 401.9 1967 451.9 1979 509.7 1991 313.9 2003 605.1 1968 424.3 1980 395.5 1992 591.0 2004 385.4
第28卷 第2期 2009年3月地 理 研 究GEOGRAPH ICAL RESEARCH V o l 28,N o 2M ar ,2009 收稿日期:2008-07-09;修订日期:2008-12-24 基金项目:辽宁省气象局正研级专业技术人才培养专项科研基金项目 作者简介:姜晓艳(1960-),女,高级工程师。主要从事气候变化和应用气象业务及科研工作。 东北地区近百年降水时间序列 变化规律的小波分析 姜晓艳1,刘树华2,3*,马明敏2,张 菁1,宋 军4 (1 辽宁省沈阳市气象局,沈阳110168; 2 北京大学物理学院大气科学系,北京100871; 3 中国气象局气候研究开放实验室,北京100081; 4 大连市气象局,大连116001) 摘要:利用1905~2005年东北地区哈尔滨、长春、沈阳和大连的降水时间序列资料,采用距 平和M or let 小波分析方法,研究了东北地区降水变化的多时间尺度的周期性性变化规律,并 对东北地区近期降水状况进行了预测。结果表明:近百年来东北地区年降水量呈现较显著下 降趋势,整个东北地区降幅为-5 2mm/10a;长春为-12 7mm/10a;哈尔滨为-7 1mm/ 10a;大连为-2 7mm/10a;沈阳略为上升趋势为1 3mm/10a 。东北地区的年降水量存在着区 域性的多重时间尺度下的周期变化特征,2a~3a 、5a~6a,10a 和50a 左右的长期振荡周期具 有全域性;长春、哈尔滨年降水的主要控制周期是20a 左右;5a~6a 的短周期和50年的长周 期变化也对年降水有较大影响。 关键词:东北地区;近百年;降水时间序列;小波分析 文章编号:1000-0585(2009)02-0354-09 1 引言 全球变暖导致全球和区域气候变化,使得高温、干旱、洪涝等灾害性天气频发,造成生态和环境恶化,严重影响到农业生产、社会经济和可持续发展,已引起人们的高度重视[1~3] 。特别是在全球气候变化背景下,中国降水量的空间格局的变化直接关系到我国农业生产安全[4]。我国东北地区位于东亚季风的最北端,属于温带大陆性季风气候,是中国湿润的东部季风区和干旱的内陆之间的过度带。夏季高温多雨,冬季严寒干燥,大陆性气候由东向西渐强。其气候的季节性变化与整个东亚大气环流紧密相连,气候及其变化的差异较大,是典型的 气候脆弱区 和气候变暖影响最为敏感地区之一,也是我国最大的商品粮产区和重要的重工业和能源基地。因此,研究我国东北地区近百年来降水变化的特征,对了解气候演变对降水的影响和短期、中长期降水预测具有十分重要的意义。近年来,已有许多气象工作者对此进行了研究,例如:姜哓艳等[5]。在分析了我国东北地区哈尔滨、长春、沈阳和大连近百年年平均气温变化特征的基础上,采用小波分析的方法研究了其多时间尺度的复杂结构构,研究结果表明,近百年来东北地区的平均气温呈升高趋势,尤其在20世纪80年代以后升高趋势更加明显,升温率达到0 165 /10a 。气温存在
时间序列预测技术 下面看看如何采用SPSS软件进行时间序列的预测 我们通过案例来说明： 假设我们拿到一个时间序列数据集：某男装生产线销售额。一个产品分类销售公司会根据过去 10 年的销售数据来预测其男装生产线的月销售情况。 现在我们得到了10年120个历史销售数据，理论上讲，历史数据越多预测越稳定，一般也要24个历史数据才行！ 大家看到，原则上讲数据中没有时间变量，实际上也不需要时间变量，但你必须知道时间的起点和时间间隔。
当我们现在预测方法创建模型时，记住：一定要先定义数据的时间序列和标记！ 这时候你要决定你的时间序列数据的开始时间，时间间隔，周期！在我们这个案例中，你要决定季度是否是你考虑周期性或季节性的影响因素，软件能够侦测到你的数据的季节性变化因子。
定义了时间序列的时间标记后，数据集自动生成四个新的变量：YEAR、QUARTER、MONTH和DATE（时间标签）。 接下来：为了帮我们找到适当的模型，最好先绘制时间序列。时间序列的可视化检查通常可以很好地指导并帮助我们进行选择。另外，我们需要弄清以下几点： ?此序列是否存在整体趋势？如果是，趋势是显示持续存在还是显示将随时间而消逝？ ?此序列是否显示季节变化？如果是，那么这种季节的波动是随时间而加剧还是持续稳定存在？
这时候我们就可以看到时间序列图了！ 我们看到：此序列显示整体上升趋势，即序列值随时间而增加。上升趋势似乎将持续，即为线性趋势。此序列还有一个明显的季节特征，即年度高点在十二月。季节变化显示随上升序列而增长的趋势，表明是乘法季节模型而不是加法季节模型。 此时，我们对时间序列的特征有了大致的了解，便可以开始尝试构建预测模型。时间序列预测模型的建立是一个不断尝试和选择的过程。 了三大类预测方法：1-专家建模器，2-指数平滑法，3-ARIMA
时间序列得小波分析 时间序列(Ｔime Ｓｅｒｉeｓ)就是地学研究中经常遇到得问题。在时间序列研究中,时域与频域就是常用得两种基本形式。其中,时域分析具有时间定位能力,但无法得到关于时间序列变化得更多信息;频域分析(如Fourier变换)虽具有准确得频率定位功能,但仅适合平稳时间序列分析、然而,地学中许多现象(如河川径流、地震波、暴雨、洪水等)随时间得变化往往受到多种因素得综合影响,大都属于非平稳序列,它们不但具有趋势性、周期性等特征,还存在随机性、突变性以及“多时间尺度”结构,具有多层次演变规律。对于这类非平稳时间序列得研究,通常需要某一频段对应得时间信息,或某一时段得频域信息、显然,时域分析与频域分析对此均无能为力。 ２0世纪８0年代初,由Mｏrleｔ提出得一种具有时－频多分辨功能得小波分析(Wavelet Analysis)为更好得研究时间序列问题提供了可能,它能清晰得揭示出隐藏在时间序列中得多种变化周期,充分反映系统在不同时间尺度中得变化趋势,并能对系统未来发展趋势进行定性估计。 目前,小波分析理论已在信号处理、图像压缩、模式识别、数值分析与大气科学等众多得非线性科学领域内得到了广泛得应。在时间序列研究中,小波分析主要用于时间序列得消噪与滤波,信息量系数与分形维数得计算,突变点得监测与周期成分得识别以及多时间尺度得分析等。 一、小波分析基本原理 1. 小波函数 小波分析得基本思想就是用一簇小波函数系来表示或逼近某一信号或函数。因此,小波函数就是小波分析得关键,它就是指具有震荡性、能够迅速衰减到零得一类函数,即小波函数且满足: (1) 式中,为基小波函数,它可通过尺度得伸缩与时间轴上得平移构成一簇函数系: 其中, (2) 式中,为子小波;ａ为尺度因子,反映小波得周期长度;ｂ为平移因子,反应时间上得平移。 需要说明得就是,选择合适得基小波函数就是进行小波分析得前提。在实际应用研究中,应针对具体情况选择所需得基小波函数;同一信号或时间序列,若选择不同得基小波函数,所得得结果往往会有所差异,有时甚至差异很大。目前,主要就是通过对比不同小波分析处理信号时所得得结果与理论结果得误差来判定基小波函数得好坏,并由此选定该类研究所需得基小波函数。 ２. 小波变换 若就是由(２)式给出得子小波,对于给定得能量有限信号,其连续小波变换(Ｃontｉnue Wavelｅt Ｔransform,简写为CＷT)为: (3) 式中,为小波变换系数;f(ｔ)为一个信号或平方可积函数;ａ为伸缩尺度;ｂ平移参数;为得复共轭函数。地学中观测到得时间序列数据大多就是离散得,设函数,(k=1,2,…,Ｎ; 为取样间隔),则式(3)得离散小波变换形式为: (4) 由式(3)或(4)可知小波分析得基本原理,即通过增加或减小伸缩尺度a来得到信号得低频或高频信息,然后分析信号得概貌或细节,实现对信号不同时间尺度与空间局部特征得分析。 实际研究中,最主要得就就是要由小波变换方程得到小波系数,然后通过这些系数来分析时间序列得时频变化特征、 3、小波方差 将小波系数得平方值在b域上积分,就可得到小波方差,即 (5)
《时间序列分析》案例案例名 称：时间序列分析在经济预测中的应用内容要 求：确定性与随机性时间序列之比较设计作 者：许启发，王艳明 设计时 间：2003年8月
案例四：时间序列分析在经济预测中的应用 一、案例简介 为了配合《统计学》课程时间序列分析部分的课堂教学，提高学生运用统计分析方法解决实际问题的能力，我们组织了一次案例教学，其内容是：对烟台市的未来经济发展状况作一预测分析，数据取烟台市1949—1998年国内生产总值（GDP）的年度数据，并以此为依据建立预测模型，对1999年和2000年的国内生产总值作出预测并检验其预测效果。国内生产总值是指一个国家或地区所有常住单位在一定时期内生产活动的最终成果，是反映国民经济活动最重要的经济指标之一，科学地预测该指标，对制定经济发展目标以及与之相配套的方针政策具有重要的理论与实际意义。在组织实施时，我们首先将数据资料印发给学生，并讲清本案例的教学目的与要求，明确案例所涉及的教学内容；然后给学生一段时间，由学生根据资料，运用不同的方法进行预测分析，并确定具体的讨论日期；在课堂讨论时让学生自由发言，阐述自己的观点；最后，由主持教师作点评发言，取得了良好的教学效果。 经济预测是研究客观经济过程未来一定时期的发展变化趋势，其目的在于通过对客观经济现象历史规律的探讨和现状的研究，求得对未来经济活动的了解，以确定社会经济活动的发展水平，为决策提供依据。 时间序列分析预测法，首先将预测目标的历史数据按照时间的先后顺序排列，然后分析它随时间的变化趋势及自身的统计规律，外推得到预测目标的未来取值。它与回归分析预测法的最大区别在于：该方法可以根据单个变量的取值对其自身的变动进行预测，无须添加任何的辅助信息。 本案例的最大特色在于：它汇集了统计学原理中的时间序列分析这一章节的所有知识点，通过本案例的教学，可以把不同的时间序列分析方法进行综合的比较，便于学生更好地掌握本章的内容。 二、案例的目的与要求 （一）教学目的 1．通过本案例的教学，使学生认识到时间序列分析方法在实际工作中应用的必要性和可能性； 2．本案例将时间序列分析中的水平指标、速度指标、长期趋势的测定等内容有机的结合在一起，以巩固学生所学的课本知识，深化学生对课本知识的理解； 3．本案例是对烟台市的国内生产总值数据进行预测，通过对实证结果的比较和分析，使学生认识到对同一问题的解决，可以采取不同的方法，根据约束条件，从中选择一种合适的预测方法； 4．通过本案例的教学，让学生掌握EXCEL软件在时间序列分析中的应用，对统计、计量分析软件SPSS或Eviews等有一个初步的了解； 5．通过本案例的教学，有助于提高学生运用所学知识和方法分析解决问题的能力、合作共事的能力和沟通交流的能力。 （二）教学要求 1．学生必须具备相应的时间序列分析的基本理论知识； 2．学生必须熟悉相应的预测方法和具备一定的数据处理能力； 3．学生以主角身份积极地参与到案例分析中来，主动地分析和解决案例中的问题； 4．在提出解决问题的方案之前，学生可以根据提供的样本数据，自己选择不同的统计分析方法，对这一案例进行预测，比较不同预测方法的异同，提出若干可供选择的方案； 5．学生必须提交完整的分析报告。分析报告的内容应包括：选题的目的及意义、使用数据的特征及其说明、采用的预测方法及其优劣、预测结果及其评价、有待于进一步改进的思路或需要进一步研究的问题。 三、数据搜集与处理 时间序列数据按照不同的分类标准可以划分为不同的类型，最常见的有：年度数据、季度数据、月度数据。本案例主要讨论对年度数据如何进行预测分析。考虑到案例设计时的侧重点，本案例只是对烟
时间序列的小波分析 时间序列（Time Series ）是地学研究中经常遇到的问题。在时间序列研究中，时域和频域是常用的两种基本形式。其中，时域分析具有时间定位能力，但无法得到关于时间序列变化的更多信息；频域分析（如Fourier 变换）虽具有准确的频率定位功能，但仅适合平稳时间序列分析。然而，地学中许多现象（如河川径流、地震波、暴雨、洪水等）随时间的变化往往受到多种因素的综合影响，大都属于非平稳序列，它们不但具有趋势性、周期性等特征，还存在随机性、突变性以及“多时间尺度”结构，具有多层次演变规律。对于这类非平稳时间序列的研究，通常需要某一频段对应的时间信息，或某一时段的频域信息。显然，时域分析和频域分析对此均无能为力。 20世纪80年代初，由Morlet 提出的一种具有时-频多分辨功能的小波分析（Wavelet Analysis ）为更好的研究时间序列问题提供了可能，它能清晰的揭示出隐藏在时间序列中的多种变化周期，充分反映系统在不同时间尺度中的变化趋势，并能对系统未来发展趋势进行定性估计。 目前，小波分析理论已在信号处理、图像压缩、模式识别、数值分析和大气科学等众多的非线性科学领域内得到了广泛的应。在时间序列研究中，小波分析主要用于时间序列的消噪和滤波，信息量系数和分形维数的计算，突变点的监测和周期成分的识别以及多时间尺度的分析等。 一、小波分析基本原理 1. 小波函数 小波分析的基本思想是用一簇小波函数系来表示或逼近某一信号或函数。因此，小波函数是小波分析的关键，它是指具有震荡性、能够迅速衰减到零的一类函数，即小波函数)R (L )t (2 ∈ψ且满足： ? +∞ ∞ -=0dt )t (ψ （1） 式中，)t (ψ为基小波函数，它可通过尺度的伸缩和时间轴上的平移构成一簇函数系： )a b t ( a )t (2 /1b ,a -=-ψψ 其中， 0a R,b a,≠∈ （2） 式中，)t (b ,a ψ为子小波；a 为尺度因子，反映小波的周期长度；b 为平移因子，反应时间上的平移。 需要说明的是，选择合适的基小波函数是进行小波分析的前提。在实际应用研究中，应针对具体情况选择所需的基小波函数；同一信号或时间序列，若选择不同的基小波函数，所得的结果往往会有所差异，有时甚至差异很大。目前，主要是通过对比不同小波分析处理信号时所得的结果与理论结果的误差来判定基小波函数的好坏，并由此选定该类研究所需的基小波函数。 2. 小波变换 若)t (b ,a ψ是由（2）式给出的子小波，对于给定的能量有限信号)R (L )t (f 2 ∈，其连续小波变换（Continue Wavelet Transform ，简写为CWT ）为： dt )a b t ( f(t)a )b ,a (W R 2 /1-f ?-= （3） 式中，)b ,a (W f 为小波变换系数；f(t)为一个信号或平方可积函数；a 为伸缩尺度；b 平移参数；) a b x (-ψ为)a b x (-ψ的复共轭函数。 地学中观测到的时间序列数据大多是离散的，设函数)t k (f ?，（k=1,2,…,N; t ?
Eviews 时间序列分析实例 时间序列是市场预测中经常涉及的一类数据形式， 绍。通过第七章的学习，读者了解了什么是时间序列, 、指数平滑法实例 所谓指数平滑实际就是对历史数据的加权平均。它可以用于任何一种没有明显函数规 律，但确实存在某种前后关联的时间序列的短期预测。 由于其他很多分析方法都不具有这种 特点，指数平滑法在时间序列预测中仍然占据着相当重要的位置。 (―)一次指数平滑 一次指数平滑又称单指数平滑。它最突出的优点是方法非常简单， 甚至只要样本末期的 平滑值，就可以得到预测结果。 一次指数平滑的特点是： 能够跟踪数据变化。 这一特点所有指数都具有。 预测过程中添 加最新的样本数据后， 新数据应取代老数据的地位， 老数据会逐渐居于次要的地位， 直至被 淘汰。这样，预测值总是反映最新的数据结构。 一次指数平滑有局限性。第一，预测值不能反映趋势变动、季节波动等有规律的变动； 第二，这种方法多适用于短期预测， 而不适合作中长期的预测；第三， 由于预测值是历史数 据的均值，因此与实际序列的变化相比有滞后现象。 指数平滑预测是否理想，很大程度上取决于平滑系数。 Eviews 提供两种确定指数平滑 系数的方法：自动给定和人工确定。 选择自动给定，系统将按照预测误差平方和最小原则自 动确定系数。如果系数接近 1，说明该序列近似纯随机序列，这时最新的观测值就是最理想 的预测值。 出于预测的考虑，有时系统给定的系数不是很理想， 用户需要自己指定平滑系数值。平 滑系数取什么值比较合适呢？ 一般来说，如果序列变化比较平缓，平滑系数值应该比较小， 比如小于0.1; 如果序列变化比较剧烈， 平滑系数值可以取得大一些， 如0.3?0.5。若平滑系 数值大于0.5才能跟上序列的变化，表明序列有很强的趋势，不能采用一次指数平滑进行预 测。 ［例1］某企业食盐销售量预测。现在拥有最近连续 30个月份的历史资料(见表 I ), 试预测下一月份销售量。 表 某企业食盐销售量 单位：吨 解：使用对数据进行分析，第一步是建立工作文件和录入数据。有关操作在本 理和一些分析实例。本节的主要内容是说明如何使用 Eviews 软件进行分析。 本书第七章对它进行了比较详细的介 并接触到有关时间序列分析方法的原
小波变换和motion信号处理（一） 这是《小波变换和motion信号处理》系列的第一篇，基础普及。第二篇我准备写深入小波的东西，第三篇讲解应用。 记得我还在大四的时候，在申请出国和保研中犹豫了好一阵，骨子里的保守最后让我选择了先保研。当然后来也退学了，不过这是后话。当时保研就要找老板，实验室，自己运气还不错，进了一个在本校很牛逼的实验室干活路。我们实验室主要是搞图像的，实力在全国也是很强的，进去后和师兄师姐聊，大家都在搞什么小波变换，H264之类的。当时的我心思都不在这方面，尽搞什么操作系统移植，ARM+FPGA 这些东西了。对小波变换的认识也就停留在神秘的“图像视频压缩算法之王”上面。 后来我才发现，在别的很广泛的领域中，小波也逐渐开始流行。比如话说很早以前，我们接触的信号频域处理基本都是傅立叶和拉普拉斯的天下。但这些年，小波在信号分析中的逐渐兴盛和普及。这让人不得不感到好奇，是什么特性让它在图象压缩，信号处理这些关键应用中更得到信赖呢？说实话，我还在国的时候，就开始好奇这个问题了，于是放狗搜，放毒搜，找遍了中文讲小波变换的科普文章，发现没几个讲得清楚的，当时好奇心没那么重，也不是搞这个研究的，懒得找英文大部头论文了，于是作罢。后来来了这边，有些项目要用信号处理，不得已接触到一些小波变换的东西，才开始硬着头皮看。看了一
些材料，听了一些课，才发现，还是那个老生常谈的论调：国外的技术资料和国真TNND不是一个档次的。同样的事情，别人说得很清楚，连我这种并不聪明的人也看得懂; 国的材料则绕来绕去讲得一塌糊涂，除了少数天才没几个人能在短时间掌握的。 牢骚就不继续发挥了。在这个系列文章里，我希望能简单介绍一下小波变换，它和傅立叶变换的比较，以及它在移动平台做motion detection的应用。如果不做特殊说明，均以离散小波为例子。考虑到我以前看中文资料的痛苦程度，我会尽量用简单，但是直观的方式去介绍。有些必要的公式是不能少的，但我尽量少用公式，多用图。另外，我不是一个好的翻译者，所以对于某些实在翻译不清楚的术语，我就会直接用英语。我并不claim我会把整个小波变换讲清楚，这是不可能的事，我只能尽力去围绕要点展开，比如小波变换相对傅立叶变换的好处，这些好处的原因是什么，小波变换的几个根本性质是什么，背后的推导是什么。我希望达到的目的就是一个小波变换的初学者在看完这个系列之后，就能用matlab或者别的工具对信号做小波变换的基本分析并且知道这个分析大概是怎么回事。 最后说明，我不是研究信号处理的专业人士，所以文中必有疏漏或者错误，如发现还请不吝赐教。 要讲小波变换，我们必须了解傅立叶变换。要了解傅立叶变换，我们先要弄清楚什么是”变换“。很多处理，不管是压缩也好，滤波也好，图形处理也好，本质都是变换。变换的是什么东西呢？是基，也就是
小波分析—时间序列的多时间尺度分析 一、问题引入 1.时间序列（Time Series ） 时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。在时间序列研究中，时域和频域是常用的两种基本形式。其中： 时域分析具有时间定位能力，但无法得到关于时间序列变化的更多信息； 频域分析（如Fourier 变换）虽具有准确的频率定位功能，但仅适合平稳时间序列分析。 然而，许多现象（如河川径流、地震波、暴雨、洪水等）随时间的变化往往受到多种因素的综合影响，大都属于非平稳序列，它们不但具有趋势性、周期性等特征，还存在随机性、突变性以及“多时间尺度”结构，具有多层次演变规律。对于这类非平稳时间序列的研究，通常需要某一频段对应的时间信息，或某一时段的频域信息。显然，时域分析和频域分析对此均无能为力。 2.多时间尺度 河流因受季节气候和流域地下地质因素的综合作用的影响,就会呈现出时间尺度从日、月到年,甚至到千万年的多时间尺度径流变化特征。推而广之，这个尺度分析，可以运用到对人文历史的认识，以及我们个人生活及人生的思考。 3.小波分析 产生：基于以往对于时间序列分析的各种缺点，融合多时间尺度的理念，小波分析在上世纪80年代应运而生，为更好的研究时间序列问题提供了可能，它能清晰的揭示出隐藏在时间序列中的多种变化周期，充分反映系统在不同时间尺度中的变化趋势，并能对系统未来发展趋势进行定性估计。 优点： 相对于Fourier 分析：Fourier 分析只考虑时域和频域之间的一对一的映射，它以单个变量（时间或频率）的函数标示信号；小波分析则利用联合时间-尺度函数分析非平稳信号。 相对于时域分析：时域分析在时域平面上标示非平稳信号，小波分析描述非平稳信号虽然也在二维平面上，但不是在时域平面上，而是在所谓的时间尺度平面上，在小波分析中，人们可以在不同尺度上来观测信号这种对信号分析的多尺度观点是小波分析的基本特征。 应用范围： 目前，小波分析理论已在信号处理、图像压缩、模式识别、数值分析和大气科学等众多的非线性科学领域内得到了广泛的应用。在时间序列研究中，小波分析主要用于时间序列的消噪和滤波，突变点的监测和周期成分的识别以及多时间尺度的分析等。 二、小波分析基本原理 1. 小波函数 小波分析的基本思想是用一簇小波函数系来表示或逼近某一信号或函数。因此，小波函数是小波分析的关键，它是指具有震荡性、能够迅速衰减到零的一类函数，即小波函数)R (L )t (2 ∈ψ(有限能量空间)且满足： ?+∞ ∞-=0dt )t (ψ （1） 式中，)t (ψ为基小波函数，它可通过尺度的伸缩和时间轴上的平移构成一簇函数系： )a b t (a )t (2/1b ,a -=-ψψ 其中，0a R,b a,≠∈ （2）
Eviews时间序列分析实例 时间序列是市场预测中经常涉及的一类数据形式，本书第七章对它进行了比较详细的介绍。通过第七章的学习，读者了解了什么是时间序列，并接触到有关时间序列分析方法的原理和一些分析实例。本节的主要内容是说明如何使用Eviews软件进行分析。 一、指数平滑法实例 所谓指数平滑实际就是对历史数据的加权平均。它可以用于任何一种没有明显函数规律，但确实存在某种前后关联的时间序列的短期预测。由于其他很多分析方法都不具有这种特点，指数平滑法在时间序列预测中仍然占据着相当重要的位置。 （－）一次指数平滑 一次指数平滑又称单指数平滑。它最突出的优点是方法非常简单，甚至只要样本末期的平滑值，就可以得到预测结果。 一次指数平滑的特点是：能够跟踪数据变化。这一特点所有指数都具有。预测过程中添加最新的样本数据后，新数据应取代老数据的地位，老数据会逐渐居于次要的地位，直至被淘汰。这样，预测值总是反映最新的数据结构。 一次指数平滑有局限性。第一，预测值不能反映趋势变动、季节波动等有规律的变动；第二，这种方法多适用于短期预测，而不适合作中长期的预测；第三，由于预测值是历史数据的均值，因此与实际序列的变化相比有滞后现象。 指数平滑预测是否理想，很大程度上取决于平滑系数。Eviews提供两种确定指数平滑系数的方法：自动给定和人工确定。选择自动给定，系统将按照预测误差平方和最小原则自动确定系数。如果系数接近1，说明该序列近似纯随机序列，这时最新的观测值就是最理想的预测值。 出于预测的考虑，有时系统给定的系数不是很理想，用户需要自己指定平滑系数值。平滑系数取什么值比较合适呢？一般来说，如果序列变化比较平缓，平滑系数值应该比较小，比如小于0.l；如果序列变化比较剧烈，平滑系数值可以取得大一些，如0.3～0.5。若平滑系数值大于0.5才能跟上序列的变化，表明序列有很强的趋势，不能采用一次指数平滑进行预测。 ［例1］某企业食盐销售量预测。现在拥有最近连续30个月份的历史资料（见表l），试预测下一月份销售量。 表1 某企业食盐销售量单位：吨 解：使用Eviews对数据进行分析，第一步是建立工作文件和录入数据。有关操作在本
这是《小波变换和motion信号处理》系列的第二篇，深入小波。第一篇我进行了基础知识的铺垫，第三篇主要讲解应用。 在上一篇中讲到，每个小波变换都会有一个mother wavelet，我们称之为母小波，同时还有一个father wavelet，就是scaling function。而该小波的basis函数其实就是对这个母小波和父小波缩放和平移形成的。缩放倍数都是2的级数，平移的大小和当前其缩放的程度有关。 还讲到，小波系统有很多种，不同的母小波，衍生的小波基就完全不同。小波展开的近似形式是这样： 其中的就是小波级数，这些级数的组合就形成了小波变换中的基basis。和傅 立叶级数有一点不同的是，小波级数通常是orthonormal basis，也就是说，它们不仅两两正交，还归一化了。 我们还讲了一般小波变换的三个特点，就是小波级数是二维的，能定位时域和频域，计算很快。但我们并没有深入讲解，比如，如何理解这个二维？它是如何同时定位频域和时域的？ 在这一篇文章里，我们就来讨论一下这些特性背后的原理。 首先，我们一直都在讲小波展开的近似形式。那什么是完整形式呢？之前讲到，小波basis的形成，是基于基本的小波函数，也就是母小波来做缩放和平移的。但是，母小波并非唯一的原始基。在构建小波基函数集合的时候，通常还要用到一个函数叫尺度函数，scaling function，人们通常都称其为父小波。它和母小波一样，也是归一化了，而且它还需要满足一个性质，就是它和对自己本身周期平移的函数两两正交： 另外，为了方便处理，父小波和母小波也需要是正交的。可以说，完整的小波展开就是由母小波和父小波共同定义的。
第六章时间序列分析 重点： 1、增长量分析、发展水平及增长量 2、增长率分析、发展速度及增长速度 3、时间数列影响因素、长期趋势分析方法 难点： 1、增长量与增长速度 2、长期趋势与季节变动分析 第一节时间序列的分析指标 知识点一：时间序列的含义 时间序列是指经济现象按时间顺序排列形成的序列。这种数据称为时间序列数据。 时间序列分析就是根据这样的数列分析经济现象的发展规律，进而预测其未来水平。 时间数列是一种统计数列，它是将反映某一现象的统计指标在不同时间上的数值按时间先后顺序排列所形成的数列。表现了现象在时间上的动态变化，故又称为动态数列。 一个完整的时间数列包含两个基本要素： 一是被研究现象或指标所属的时间； 另一个是该现象或指标在此时间坐标下的指标值。 同一时间数列中，通常要求各指标值的时间单位和时间间隔相等，如无法保证相等，在计算某些指标时就涉及到“权”的概念。 研究时间数列的意义：了解与预测。 [例题·单选题]下列数列中哪一个属于时间数列（）. a.学生按学习成绩分组形成的数列 b.一个月内每天某一固定时点记录的气温按度数高低排列形成的序列 c.工业企业按产值高低形成的数列 d.降水量按时间先后顺序排列形成的数列 答案：d 解析：时间序列是一种统计数列，它是将反映某一现象的统计指标在不同时间上的数值按时间先后顺序排列所形成的数列，表现了现象在时间上的动态变化。 知识点二：增长量分析（水平分析）
一.发展水平 发展水平是指客观现象在一定时期内（或时点上）发展所达到的规模、水平,一般用y t （t=1,2,3，…,n) 。 在绝对数时间数列中，发展水平就是绝对数； 在相对数时间数列中，发展水平就是相对数或平均数。 几个概念：期初水平y 0，期末水平y t ，期间水平(y 1 ,y 2 ,….y n-1 )； 报告期水平(研究时期水平)，基期水平（作为对比基础的水平）。 二.增长量 增长量是报告期发展水平与基期发展水平之差，增长量的指标数值可正可负，它反映的是报告期相对基期增加或减少的绝对数量，用公式表示为： 增长量＝报告期水平－基期水平 根据基期的不同确定方法，增长量可分为逐期增长量和累计增长量。 1.逐期增长量：是报告期水平与前一期水平之差，用公式表示为： △ = y n - y n-1 （i=1,2,…,n） 2.累计增长量：是报告期水平与某一固定时期水平（通常是时间序列最初水平）之差，用公式表示为： △ = y n - y （i=1,2,…,n）（i=1,2,…,n） 二者关系：逐期增长量之和=累计增长量 3.平均增长量 平均增长量是时间序列中的逐期增长量的序时平均数，它表明现象在一定时段内平均每期增加（减少）的数量。 一般用累计增长量除以增长的时期数目计算。 （y n - y ）/n [例题·单选题]某社会经济现象在一定时期内平均每期增长的绝对数量是（）。 a．逐期增长量 b．累计增长量 c．平均增长量 d．增长速度 答案：c 解析：平均每期增长的绝对数量是平均增长量。 知识点三：增长率分析（速度分析） 一.发展速度
第一章图像边缘的定义 引言 在实际的图像处理问题中，图像的边缘作为图像的一种基本特征，被经常用于到较高层次的特征描述，图像识别。图像分割，图像增强以及图像压缩等的图像处理和分析中，从而可以对图像进行进一步的分析和理解。 由于信号的奇异点或突变点往往表现为相邻像素点处的灰度值发生了剧烈的变化，我们可以通过相邻像素灰度分布的梯度来反映这种变化。根据这一特点，人们提出了多种边缘检测算子：Roberts算子Prewitt算子Laplace算子等。 经典的边缘检测方法是构造出像素灰度级阶跃变化敏感的微分算子。这些算子毫无例外地对噪声较为敏感。由于原始图像往往含有噪声、而边缘和噪声在空间域表现为灰度有大的起落，在频域则反映为同是主频分量，这就给真正的边缘检测到来困难。于是发展了多尺度分析的边缘检测方法。小波分析与多尺度分析有着密切的联系，而且在小波变换这一统一理论框架下，可以更深刻地研究多尺度分析的边缘检测方法，Mallat S提出了一小波变换多尺度分析为基础的局部极大模方法进行边缘检测。 小波变换有良好的时频局部转化及多尺度分析能力，因此比其他的边缘检测方法更实用和准确。小波边缘检测算子的基本思想是取小波函数作为平滑函数的一阶导数或二阶导数。利用信号的小波变换的模值在信号突变点处取局部极大值或过零点的性质来提取信号的边缘点。常用的小波算子有Marr 算子Canny算子和Mallat算子等。
§1.1信号边缘特征 人类的视觉研究表明，信号知觉不是信号各部分简单的相加，而是各部分有机组成的。人类的信号识别（这里讨论二维信号即图像）具有以下几个特点：边缘与纹理背景的对比鲜明时,图像知觉比较稳定；图像在空间上比较接近的部分容易形成一个整体；在一个按一定顺序组成的图像中，如果有新的成份加入，则这些新的成份容易被看作是原来图像的继续；在视觉的初级阶段，视觉系统首先会把图像边缘与纹理背景分离出来，然后才能知觉到图像的细节，辨认出图像的轮廓，也就是说，首先识别的是图像的大轮廓；知觉的过程中并不只是被动地接受外界刺激，同时也主动地认识外界事物，复杂图像的识别需要人的先验知识作指导；图像的空间位置、方向角度影响知觉的效果。从以上这几点，可以总结出待识别的图像边缘点应具有下列特征即要素：具有较强的灰度突变，也就是与背景的对比度鲜明；边缘点之间可以形成有意义的线形关系，即相邻边缘点之间存在一种有序性；具有方向特征；在图像中的空间相对位置；边缘的类型，即边缘是脉冲型、阶跃型、斜坡型、屋脊型中哪一种。 §1.2图像边缘的定义 边缘检测是图像处理中的重要内容。而边缘是图像中最基本的特征，也是指周围像素灰度有变化的那些像素的集合。主要表现为图像局部特征的不连续性，也就是通常说的信号发生奇异变化的地方。奇异信号沿边缘走向的灰度变化剧烈，通常分为阶跃边缘和屋顶边缘两种类型。阶跃边缘在阶跃的两边的灰度值有明显的变化；屋顶边缘则位于灰度增加与减少的交界处。我们可以利用灰度的导数来刻画边缘点的变化，分别求阶跃边缘和屋顶边缘的一阶，二阶导数。如图可见，对于边缘点A，阶跃边缘的一阶导数在A点到最大值，二阶导数在A点过零点；屋顶边缘的一阶导数在A点过零点，二阶导数在A点有最大值。
时间序列-小波分析 时间序列（Time Series ）是地学研究中经常遇到的问题。在时间序列研究中，时域和频域是常用的两种基本形式。其中，时域分析具有时间定位能力，但无法得到关于时间序列变化的更多信息；频域分析（如Fourier 变换）虽具有准确的频率定位功能，但仅适合平稳时间序列分析。然而，地学中许多现象（如河川径流、地震波、暴雨、洪水等）随时间的变化往往受到多种因素的综合影响，大都属于非平稳序列，它们不但具有趋势性、周期性等特征，还存在随机性、突变性以及“多时间尺度”结构，具有多层次演变规律。对于这类非平稳时间序列的研究，通常需要某一频段对应的时间信息，或某一时段的频域信息。显然，时域分析和频域分析对此均无能为力。 20世纪80年代初，由Morlet 提出的一种具有时-频多分辨功能的小波分析（Wavelet Analysis ）为更好的研究时间序列问题提供了可能，它能清晰的揭示出隐藏在时间序列中的多种变化周期，充分反映系统在不同时间尺度中的变化趋势，并能对系统未来发展趋势进行定性估计。 目前，小波分析理论已在信号处理、图像压缩、模式识别、数值分析和大气科学等众多的非线性科学领域内得到了广泛的应。在时间序列研究中，小波分析主要用于时间序列的消噪和滤波，信息量系数和分形维数的计算，突变点的监测和周期成分的识别以及多时间尺度的分析等。 一、小波分析基本原理 1. 小波函数 小波分析的基本思想是用一簇小波函数系来表示或逼近某一信号或函数。因此，小波函数是小波分析的关键，它是指具有震荡性、能够迅速衰减到零的一类函数，即小波函数)R (L )t (2∈ψ且满足： ? +∞ ∞ -=0dt )t (ψ （1） 式中，)t (ψ为基小波函数，它可通过尺度的伸缩和时间轴上的平移构成一簇函数系： )a b t ( a )t (2 /1b ,a -=-ψψ 其中，0a R,b a,≠∈ （2） 式中，)t (b ,a ψ为子小波；a 为尺度因子，反映小波的周期长度；b 为平移因子，反应时间上的平移。 需要说明的是，选择合适的基小波函数是进行小波分析的前提。在实际应用研究中，应针对具体情况选择所需的基小波函数；同一信号或时间序列，若选择不同的基小波函数，所得的结果往往会有所差异，有时甚至差异很大。目前，主要是通过对比不同小波分析处理信号时所得的结果与理论结果的误差来判定基小波函数的好坏，并由此选定该类研究所需的基小波函数。 2. 小波变换 若)t (b ,a ψ是由（2）式给出的子小波，对于给定的能量有限信号)R (L )t (f 2 ∈，其连续小波变换（Continue Wavelet Transform ，简写为CWT ）为： dt )a b t ( f (t)a )b ,a (W R 2 /1-f ? -=ψ （3） 式中，)b ,a (W f 为小波变换系数；f(t)为一个信号或平方可积函数；a 为伸缩尺度；b 平移参数； )a b x ( -ψ为)a b x (-ψ的复共轭函数。地学中观测到的时间序列数据大多是离散的，设函数)t k (f ?，
案例4 某专卖店销售额数量规律研究 资料 某专卖店为加强管理的科学化，采集了过去五年的销售量资料如下： 讨论大纲 1． 用哪些简单的描述性指标，可大致找到该专卖店销售额的一般规律？ 答：在不考虑不规则变化的情况下，用长期趋势、季节变动和周期波动这些描述性指标可以找到专卖店销售额的一般规律。 2． 能否以一个近似的函数式描述出销售额的长期趋势？能否进行预测？ 答：可以用一个近似的函数式描述销售额的长期趋势，计算过程如下表所示 函数式为24.870.298Y X Λ =+,可以进行预测，如预测2009年冬季的销售额，即将序号21作为自变量X 的值代入上述函数式中求解相应的预测值。
3．该数列是否存在明显的季节性变化，如何测定？ 4．该数列是否存在周期波动，如何测定？ 答：将3、4步合并进行分析，过程如下： 第一步：计算上述时间序列的季节指数,利用移动平均比率法，计算过程如下表所示
从季节指数的计算过程可以看出数列存在明显的季节性变化，用季节指数测定，春夏秋冬季节的季节指数分别为119.64%，75.99%，108.13%，96.23% 第二步：根据季节指数，可以得到消除季节影响的序列，然后根据这一无季节影响的时间序列拟合趋势线，计算过程如下表
所得趋势线为24.800.31Y X Λ =+ 第三步：测定周期波动，将1-20这20个时间的序号分别代入第二步求解出的趋势线24.800.31Y X Λ=+中，得到下表中的（3）列，然后用消除的季节影响的序列除以（3）列即可得到周期波动的成分，计算过程如下表所示：
5．上述规律如何帮助该专卖店的经营决策？ 答：利用上述规律可以帮助专卖店预测下一年四个季度的销售额情况，如下表： 其中趋势值是将21，22,23,24分别作为X 值代入24.800.31Y X Λ =+中得到。 预测值为趋势值与季节指数相乘得到 通过预测值及前面求解出的季节指数，商家可以更好的掌握季节的影响，趋势的影响及周期的波动，可以更好的做出经营决策。
离散小波变换的快速算法 Mallat算法[经典算法] 在小波理论中,多分辨率分析是一个重要的组成部分。多分辨率分析是一种对信号的空间分解方法,分解的最终目的是力求构造一个在频率上高度逼近L2(R)空间的正交小波基,这些频率分辨率不同的正交小波基相当于带宽各异的带通滤波器。因此,对于一个能量有限信号,可以通过多分辨率分析的方法把其中的逼近信号和细节信号分离开,然后再根据需要逐一研究。多分辨率分析的概念是S.Mallat在构造正交小波基的时候提出的,并同时给出了著名的Mallat 算法。Mallat算法在小波分析中的地位相当于快速傅立叶变换在经典傅立叶变换中的地位,为小波分析的应用和发展起到了极大的推动作用。 MALLAT算法的原理 在对信号进行分解时，该算法采用二分树结构对原始输入信号x(n)进行滤波和二抽取，得到第一级的离散平滑逼近和离散细节逼近x k1和d k1，再采用同样的结构对d k1进行滤波和二抽取得到第二级的离散平滑逼近和离散细节逼近x k2和d k2，再依次进行下去从而得到各级的离散细节逼近对x k1,x k2,x k3…，即各级的小波系数。重构信号时，只要将分解算法中的步骤反过来进行即可，但要注意，此时的滤波器与分解算法中的滤波器不一定是同一滤波器，并且要将二抽取装置换成二插入装置才行。 多孔算法 [小波变换快速算法及其硬件实现的研究毛建华] 多孔算法是由M.shen于1992年提出的一种利用Mallat算法结构计算小波变换的快速算法，因在低通滤波器h0(k)和高通滤波器h1(k)中插入适当数目的零点而得名。它适用于a=2j的二分树结构，与Mallat算法的电路实现结构相似。先将Mallat算法的电路实现的基本支路作一下变形。令h0k和h1(k)的z变换为H0（z）与H1（z），下两条支路完全等价，只不过是将插值和二抽取的顺序调换一下罢了。图中其它的上下两条支路也为等效支路，可仿照上面的方法证明。这样，我们便可由Mallat算法的二分树电路结构得出多孔算法的电路级联图，原Mallat算法中的电路支路由相应的等效支路所取代，所以整个电路形式与Mallat算法非常相似。如果舍去最后的抽取环节们实际上相当于把所有点的小波变换全部计算出来。 基干FFT的小波快速算法 [小波变换快速算法及其硬件实现的研究毛建华] Mallat算法是由法国科学家StephaneG.Mallat提出的计算小波分解与重构的快速算法，能大大降低小波分解与重构的计算量，因此在数字信号处理和数字通信领域中得到了广泛的应用。但是如果直接采用该算法计算信号的分解和重构，其运算量还是比较大。主要体现在信号长度较大时，与小波滤波器组作卷积和相关的乘加法的计算量很大，不利于信号的实时处理。
时间序列 （一）时间序列及其分类 同一现象在不同时间上的相继观察值排列而成的序列称为时间序列。例如，下表就是我国国内生产总值、人口等在不同时间上得到的观察值排列而成的序列。 由表可以看出，时间序列形式上由现象所属的时间和现象在不同时间上的观察值两部分组成。根据所处的观察时间不同，现象所属的时间可以是年份、季度、月份或其他任何时间形式。现象的观察值根据表现形式不同有绝对数、相对数和平均数等。因此，从观察值的表现形式上看，时间序列可分为绝对数时间序列、相对数时间序列和平均数时间序列等。 由一系列绝对数按时间顺序排列而成的序列称为绝对数时间序列。它是时间序列中最基本的表现形式，用于反映现象在不同时间上所达到的绝对水平。绝对数时间序列根据观察值所属的时间状况不同，可以分为时期序列和时点序列。例如，表中的国内生产总值序列就是时期序列。时期序列中的观察值反映现象在一段时期内的活动总量，并且各观察值通常可以直接相加，用于反映现象在更长一段时期内的活动总量。表中的年末总人口序列属于时点序列，时点序列中的观察值反映现象在某一瞬间时点上的总量，它是在某一时点上统计得到的，序列中的各观察值通常不能相加。由绝对数时间序列可以派生出相对数和平均数时间序列，它们分别是由一系列相对数和平均数按时间顺序排列而成的。例如，表中的人口自然增长率序列就是相对数时间序列，居民消费水平序列则是平均数时间序列。 时间序列的描述性分析包括水平分析和速度分析两方面的内容。 （二）时间序列的水平分析 1.序时平均数 在时间序列中，我们用i t表示现象所属的时间，i Y表示现象在不同时间上观察值。i Y也称为现象在时间i t上的发展水平，它表示现象在某一时间上所达到的一种数量状态。若观察的时间范围为1t，2t，…，n t，相应的观察值表示为1Y，2Y，…，3Y，其中1Y称为最初发展水平，n Y称为最末发展水平；若对两个观察值进行比较时，把现在的这个时期称为报 告期，用于比较的过去的那个时期称为基期。 序时平均数是现象在不同时间上的观察值的平均数。它可以概括性地描述出现象在一段时期内所达到的一般水平。在证券市场上，对股票价格或股票价格指数的分析中常用到序时