摘要： 
1.前言 时间序列预测在能源、气象等领域具有重要应用价值。传统方法如ARIMA、SVM等在处理非线性、非平稳序列时存在局限性，而深度学习模型（如LSTM）虽能捕捉时序特征，但对初始参数敏感，且复杂序列需预处理以提升预测精度。变分模态分解（VMD）可将复杂时序分解为多个平稳模态分量，LSTM可有效建模 阅读全文
1.前言 时间序列预测在能源、气象等领域具有重要应用价值。传统方法如ARIMA、SVM等在处理非线性、非平稳序列时存在局限性，而深度学习模型（如LSTM）虽能捕捉时序特征，但对初始参数敏感，且复杂序列需预处理以提升预测精度。变分模态分解（VMD）可将复杂时序分解为多个平稳模态分量，LSTM可有效建模 阅读全文
posted @ 2026-01-08 15:23
简简单单做算法
阅读(5)
评论(0)
推荐(0)
摘要： 
1.前言 空时自适应处理（STAP）是抗杂波的核心技术，其关键在于准确估计杂波的空时功率谱。传统 STAP 方法（如样本协方差矩阵求逆，SMI）需满足 “样本数远大于自由度” 的要求，在小样本条件下性能显著下降。近年来，压缩感知（Compressive Sensing, CS）理论因其利用信号稀疏性 阅读全文
1.前言 空时自适应处理（STAP）是抗杂波的核心技术，其关键在于准确估计杂波的空时功率谱。传统 STAP 方法（如样本协方差矩阵求逆，SMI）需满足 “样本数远大于自由度” 的要求，在小样本条件下性能显著下降。近年来，压缩感知（Compressive Sensing, CS）理论因其利用信号稀疏性 阅读全文
posted @ 2026-01-08 14:58
简简单单做算法
阅读(2)
评论(0)
推荐(0)
浙公网安备 33010602011771号