EDA实验 1011序列检测器

刚做完的EDA实验,存个档

moore型是同步复位,mealy型是异步复位

1,Moore型源代码:

module select1011(x,clk,reset, y );

input x,clk,reset;

output reg y;

reg [2:0] currentstate;

reg [2:0] nextstate;

parameter s0=3'b000;

parameter s1=3'b001;

parameter s2=3'b010;

parameter s3=3'b101;

parameter s4=3'b011;

always @(posedge clk or negedge reset)

begin

if(!reset)

currentstate=s0;

else

currentstate=nextstate;

end

always @(currentstate or x)

begin

if (!reset)

nextstate=s0;

else

begin

case(currentstate)

s0:nextstate = (x==0)?s0:s1;

s1:nextstate = (x==0)?s2:s1;

s2:nextstate = (x==0)?s0:s3;

s3:nextstate = (x==0)?s2:s4;

  • 0
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
时间序列EDA(探索性数据分析)是指对时间序列数据进行可视化和统计分析,以了解数据的特征和规律。下面是时间序列EDA的一些方法: 1. 绘制时间序列图:将时间序列数据绘制成折线图,可以直观地观察数据的趋势和周期性变化。 2. 绘制自相关图和偏自相关图:自相关图和偏自相关图可以帮助我们确定时间序列数据的阶数,即ARIMA模型中的p和q值。 3. 绘制箱线图:箱线图可以帮助我们检测时间序列数据中的异常值和离群点。 4. 计算统计量:例如均值、方差、偏度和峰度等,可以帮助我们了解时间序列数据的分布情况。 5. 分解时间序列:将时间序列分解成趋势、季节性和残差三个部分,可以更好地理解时间序列数据的特征。 6. 滚动统计量:计算滚动均值和滚动标准差等统计量,可以帮助我们观察时间序列数据的变化趋势。 下面是一个Python的时间序列EDA的例子: ```python import pandas as pd import matplotlib.pyplot as plt from statsmodels.graphics.tsaplots import plot_acf, plot_pacf # 读取时间序列数据 data = pd.read_csv('data.csv', index_col='date', parse_dates=True) # 绘制时间序列图 plt.plot(data) plt.xlabel('Date') plt.ylabel('Value') plt.show() # 绘制自相关图和偏自相关图 plot_acf(data) plot_pacf(data) plt.show() # 绘制箱线图 data.boxplot() plt.show() # 计算统计量 print('Mean:', data.mean()) print('Std:', data.std()) print('Skewness:', data.skew()) print('Kurtosis:', data.kurt()) # 分解时间序列 from statsmodels.tsa.seasonal import seasonal_decompose decomposition = seasonal_decompose(data) trend = decomposition.trend seasonal = decomposition.seasonal residual = decomposition.resid plt.subplot(411) plt.plot(data, label='Original') plt.legend(loc='best') plt.subplot(412) plt.plot(trend, label='Trend') plt.legend(loc='best') plt.subplot(413) plt.plot(seasonal,label='Seasonality') plt.legend(loc='best') plt.subplot(414) plt.plot(residual, label='Residuals') plt.legend(loc='best') plt.tight_layout() plt.show() # 滚动统计量 rolling_mean = data.rolling(window=12).mean() rolling_std = data.rolling(window=12).std() plt.plot(data, color='blue', label='Original') plt.plot(rolling_mean, color='red', label='Rolling Mean') plt.plot(rolling_std, color='black', label='Rolling Std') plt.legend(loc='best') plt.show() ```

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值