octave_packages/tsa-4.2.4/contents.m

   1 % Time Series Analysis - A toolbox for the use with Matlab and Octave.
   2 %\r
   3 % $Id: contents.m 5090 2008-06-05 08:12:04Z schloegl $
   4 % Copyright (C) 1996-2004,2008 by Alois Schloegl <a.schloegl@ieee.org>\r% WWW: http://hci.tugraz.at/~schloegl/matlab/tsa/
   5 %\r
   6 %    This program is free software: you can redistribute it and/or modify
   7 %    it under the terms of the GNU General Public License as published by
   8 %    the Free Software Foundation, either version 3 of the License, or
   9 %    (at your option) any later version.
  10 %
  11 %    This program is distributed in the hope that it will be useful,
  12 %    but WITHOUT ANY WARRANTY; without even the implied warranty of
  13 %    MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  14 %    GNU General Public License for more details.
  15 %
  16 %    You should have received a copy of the GNU General Public License
  17 %    along with this program.  If not, see <http://www.gnu.org/licenses/>.
  18 % \r
  19 %
  20 %  Time Series Analysis - a toolbox for the use with Matlab
  21 %   aar         adaptive autoregressive estimator
  22 %   acovf       (*) Autocovariance function
  23 %   acorf (acf) (*) autocorrelation function
  24 %   pacf        (*) partial autocorrelation function, includes signifcance test and confidence interval
  25 %   parcor      (*) partial autocorrelation function
  26 %   biacovf     biautocovariance function (3rd order cumulant)
  27 %   bispec      Bi-spectrum
  28 %   durlev      (*) solves Yule-Walker equation - converts ACOVF into AR parameters
  29 %   lattice     (*) calcultes AR parameters with lattice method
  30 %   lpc         (*) calculates the prediction coefficients form a given time series
  31 %   invest0     (*) a prior investigation (used by invest1)
  32 %   invest1     (*) investigates signal (useful for 1st evaluation of the data)
  33 %   rmle        AR estimation using recursive maximum likelihood function
  34 %   selmo       (*) Select Order of Autoregressive model using different criteria
  35 %   histo       (*) histogram
  36 %   hup         (*) test Hurwitz polynomials
  37 %   ucp         (*) test Unit Circle Polynomials
  38 %   y2res       (*) computes mean, variance, skewness, kurtosis, entropy, etc. from data series
  39 %   ar_spa      (*) spectral analysis based on the autoregressive model
  40 %   detrend     (*) removes trend, can handle missing values, non-equidistant sampled data
  41 %   flix        floating index, interpolates data for non-interger indices
  42 %
  43 %
  44 % Multivariate analysis
  45 %   adim        adaptive information matrix (inverse correlation matrix)
  46 %   mvar        multivariate (vector) autoregressive estimation
  47 %   mvaar       multivariate adaptvie autoregressive estimation using Kalman filtering
  48 %   mvfilter    multivariate filter
  49 %   mvfreqz     multivariate spectra
  50 %   arfit2      provides compatibility to ARFIT [Schneider and Neumaier, 2001]
  51 %
  52 %
  53 %  Conversions between Autocorrelation (AC), Autoregressive parameters (AR),
  54 %               prediction polynom (POLY) and Reflection coefficient (RC)
  55 %   ac2poly     (*) transforms autocorrelation into prediction polynom
  56 %   ac2rc       (*) transforms autocorrelation into reflexion coefficients
  57 %   ar2rc       (*) transforms autoregressive parameters into reflection coefficients
  58 %   rc2ar       (*) transforms reflection coefficients into autoregressive parameters
  59 %   poly2ac     (*) transforms polynom to autocorrelation
  60 %   poly2ar     (*) transforms polynom to AR
  61 %   poly2rc     (*)
  62 %   rc2ac       (*)
  63 %   rc2poly     (*)
  64 %   ar2poly     (*)
  65 %
  66 % Utility functions
  67 %   sinvest1    shows the parameter calculated by INVEST1
  68 %
  69 % Test suites
  70 %   tsademo             demonstrates INVEST1 on EEG data
  71 %   invfdemo            demonstration of matched, inverse filtering
  72 %   bisdemo             demonstrates bispectral estimation
  73 %
  74 % (*) indicates univariate analysis of multiple data series (each in a row) can be processed.
  75 % (-) indicates that these functions will be removed in future
  76 %
  77 % REFERENCES (sources):
  78 %  http://www.itl.nist.gov/
  79 %  http://mathworld.wolfram.com/
  80 %  P.J. Brockwell and R.A. Davis "Time Series: Theory and Methods", 2nd ed. Springer, 1991.
  81 %  O.   Foellinger "Lineare Abtastsysteme", Oldenburg Verlag, Muenchen, 1986.
  82 %  F.   Gausch "Systemtechnik", Textbook, University of Technology Graz, 1993.
  83 %  M.S. Grewal and A.P. Andrews "Kalman Filtering" Prentice Hall, 1993.
  84 %  S.   Haykin "Adaptive Filter Theory" 3ed. Prentice Hall, 1996.
  85 %  E.I. Jury "Theory and Application of the z-Transform Method", Robert E. Krieger Publishing Co., 1973.
  86 %  M.S. Kay "Modern Spectal Estimation" Prentice Hall, 1988.
  87 %  Ch.  Langraf and G. Schneider "Elemente der Regeltechnik", Springer Verlag, 1970.
  88 %  S.L. Marple "Digital Spetral Analysis with Applications" Prentice Hall, 1987.
  89 %  C.L. Nikias and A.P. Petropulu "Higher-Order Spectra Analysis" Prentice Hall, 1993.
  90 %  M.B. Priestley "Spectral Analysis and Time Series" Academic Press, 1981.
  91 %  T. Schneider and A. Neumaier "Algorithm 808: ARFIT - a matlab package for the estimation of parameters and eigenmodes of multivariate autoregressive models"
  92 %               ACM Transactions on Mathematical software, 27(Mar), 58-65.
  93 %  C.E. Shannon and W. Weaver "The mathematical theory of communication" University of Illinois Press, Urbana 1949 (reprint 1963).
  94 %  W.S. Wei "Time Series Analysis" Addison Wesley, 1990.
  95 %
  96 %
  97 % REFERENCES (applications):
  98 % [1] A. Schlögl, B. Kemp, T. Penzel, D. Kunz, S.-L. Himanen,A. Värri, G. Dorffner, G. Pfurtscheller.
  99 %     Quality Control of polysomnographic Sleep Data by Histogram and Entropy Analysis.
 100 %     Clin. Neurophysiol. 1999, Dec; 110(12): 2165 - 2170.
 101 % [2] Penzel T, Kemp B, Klösch G, Schlögl A, Hasan J, Varri A, Korhonen I.
 102 %     Acquisition of biomedical signals databases
 103 %     IEEE Engineering in Medicine and Biology Magazine 2001, 20(3): 25-32
 104 % [3] Alois Schlögl (2000)
 105 %     The electroencephalogram and the adaptive autoregressive model: theory and applications
 106 %     Shaker Verlag, Aachen, Germany,(ISBN3-8265-7640-3).
 107 %
 108 % Features:
 109 % - Multiple Signal Processing
 110 % - Efficient algorithms
 111 % - Model order selection tools
 112 % - higher (3rd) order analysis
 113 % - Maximum entropy spectral estimation
 114 % - can deal with missing values (NaN's)