A Menetelmän Varten Autoregressiivinen Liikkuva Keskiarvo Arviointi

Iteratiiviset estimointimenetelmät Hammersteinin kontrolloiduille autoregressiivisille liikkuville keskimääräisille järjestelmille, jotka perustuvat avaintekijän erotusperiaatteeseen. Mainosta tässä artikkelissa seuraavasti: Shen, Q. Ding, F. Nonlinear Dyn (2014) 75: 709. doi: 10.1007s11071-013-1097-z Tässä artikkelissa käsitellään iteratiivisia tunnistusongelmia Hammersteinin epälineaariselle järjestelmälle, joka koostuu muistiton epälineaarisesta lohkosta, jota seuraa lineaarinen dynaaminen lohko. Tunnistamisen vaikeus on se, että Hammersteinin epälineaarinen järjestelmä sisältää epälineaarisen osan ja lineaarisen osan parametrien tuotteet, mikä johtaa parametrien tunnistamattomuuteen. Ainutlaatuisten parametrien estimaattien saamiseksi ekspressoimme järjestelmän ulostulon kaikkien järjestelmän parametrien lineaarisena yhdistelmänä avaintekijän erotusperiaatteen avulla ja saadaan kaltevuusperusteinen iteratiivinen tunnistusalgoritmi korvaamalla tuntemattomat muuttujat informaatiovektoreilla heidän arvioineen. Simulointitulokset osoittavat, että ehdotettu algoritmi voi toimia hyvin. Iteratiivinen algoritmi Parametrien arviointi Rekursiivinen tunniste Gradienttihaku Hammerstein-järjestelmä Avainlähtöinen erotusperiaate Viitteet Ding, F. Järjestelmän tunnistusUusi teoria ja menetelmät. Science Press, Peking (2013) Google Scholar Farjoud, A. Ahmadian, M. Epälineaarinen mallintaminen ja hydraulisten vaimentimien kokeellinen karakterisointi: säätöpellin ja aukon parametrien vaikutukset peltovaiheen suorituskykyyn. Epälineaarinen Dyn. 67 (2), 14371456 (2012) CrossRef Google Scholar Shams, S. Sadr, M. H. Haddadpour, H. Tehokas menetelmä epälineaarisen aeroelastismin hoidossa olevien siipien osalta. Epälineaarinen Dyn. 67 (1), 659681 (2012) CrossRef MATH MathSciNet Google Scholar Li, J. H. Ding, F. Yang, G. W. Suurin todennäköisyys pienimmän neliösumman tunnistusmenetelmä tuloina epälineaarisille äärellisille impulssivasteelle liikkuville keskimääräisille järjestelmille. Matematiikka. Comput. Malli. 55 (34), 442450 (2012) CrossRef MATH MathSciNet Google-tutkija Wang, W. Ding, F. Dai, J. Y. Suurin todennäköisyys pienimmän neliösumman tunnistus järjestelmille, joilla on autoregressiivinen liikkuva keskimääräinen melu. Appi. Matematiikka. Malli. 36 (5), 18421853 (2012) CrossRef MATH MathSciNet Google Scholar Wang, S. J. Ding, R. Kolmen vaiheen rekursiivinen pienimmän neliösumman parametrien estimointi kontrolloiduille autoregressiivisille autoregressiojärjestelmille. Appi. Matematiikka. Malli. 37 (1213), 74897497 (2013) CrossRef MathSciNet Google Scholar Liu, Y. J. Sheng, J. Ding, R. F. Stokastisen gradientin estimointialgoritmin konvergenssi monivariarisia ARX-kaltaisia ​​järjestelmiä varten. Comput. Matematiikka. Appi. 59 (8), 26152627 (2010) CrossRef MATH MathSciNet Google Scholar Ding, F. Yang, H. Z. Liu, F. Stokastisten gradienttialgoritmien suorituskyvyn analyysi heikossa tilassa. Sei. Kiina, Ser. F 51 (9), 12691280 (2008) CrossRef MATH MathSciNet Google Scholar Ding, F. Liu, X. P. Liu, G. Gradient-pohjaiset ja pienimmän neliösumman perustuvat iteratiiviset tunnistusmenetelmät OE - ja OEMA-järjestelmille. Digit. Signaaliprosessi. 20 (3), 664677 (2010) CrossRef Google Scholar Liu, Y. J. Xiao, Y. S. Zhao, X. L. Moniin innovaatioon perustuva stokastinen gradientti algoritmi monilähtöisille yhden tulojärjestelmille, jotka käyttävät apumallia. Appi. Matematiikka. Comput. 215 (4), 14771483 (2009) CrossRef MATH MathSciNet Google Scholar Liu, M. M. Xiao, Y. S. Ding, R. F. Iteratiivinen tunnistusalgoritmi Wiener-epälineaarisille järjestelmille käyttäen Newton-menetelmää. Appi. Matematiikka. Malli. 37 (9), 65846591 (2013) CrossRef MathSciNet Google Scholar Ding, F. Ma, J. X. Xiao, Y. S. Newton-iteratiivinen tunnistus luokkaan kuulumattomille epälineaarisille järjestelmille, joissa on liikkuvia keskimääräisiä ääniä. Epälineaarinen Dyn. 74 (12), 2130 (2013) CrossRef MathSciNet Google Scholar Li, J. H. Ding, R. Parametrien estimointimenetelmät epälineaarisille järjestelmille. Appi. Matematiikka. Comput. 219 (9), 42784287 (2013) CrossRef MathSciNet Google Scholar Rashid, M. T. Frasca, M. Epälineaarinen mallinimitys artemia-populaation liikkeelle. Epälineaarinen Dyn. 69 (4), 22372243 (2012) CrossRef MathSciNet Google Scholar Ding, F. Hierarkkinen monisäikeinen stokastinen gradienttialgoritmi Hammersteinin epälineaariselle järjestelmämallinnukselle. Appi. Matematiikka. Malli. 37 (4), 16941704 (2013) CrossRef MathSciNet Google Scholar Ding, F. Duan, H. H. Kaksivaiheiset parametrien estimointisalgoritmit Box-Jenkins-järjestelmille. IET-signaaliprosessi. 7 (8), 646654 (2013) CrossRef Google Scholar Ding, F. Liu, G. Liu, X. P. Osittain kytketty stokastinen gradientin tunnistusmenetelmät epätasaisesti näytteistetyille järjestelmille. IEEE Trans. Autom. Control 55 (8), 19761981 (2010) CrossRef MathSciNet Google Scholar Ding, F. Yhdistetty pienimmän neliösumman tunnistus monimuuttujille. IET Control Teoria Appl. 7 (1), 6879 (2013) CrossRef MathSciNet Google Scholar Ding, J. Fan, C. X. Lin, J. X. Aputoimipohjainen parametrien estimointi dynaamisia lähtövirhejärjestelmiä varten, joissa on värillinen kohina. Appi. Matematiikka. Malli. 37 (6), 40514058 (2013) CrossRef MathSciNet Google Scholar Ding, F. Yhdistelmävaltion ja pienimmän neliösumman parametrien estimointialgoritmit dynaamisissa järjestelmissä. Appi. Matematiikka. Malli. 37 (2013). doi: 10.1016j. apm.2013.06.007 Li, J. H. Parametriestimaatti Hammerstein CARARMA - järjestelmille, jotka perustuvat Newton-iteraatioon. Appi. Matematiikka. Lett. 26 (1), 9196 (2013) CrossRef MATH MathSciNet Google Scholar Ding, J. Ding, F. Liu, X. P. Liu, G. Hierarkkinen pienimmän neliösumman tunnistus lineaarisille SISO-järjestelmille, joissa on kaksoisnopeus näytteistetty data. IEEE Trans. Autom. Control 56 (11), 26772683 (2011) CrossRef MathSciNet Google Scholar Wang, D. Q. Ding, R. Dong, X. Z. Iteratiivinen parametrien estimointi monivaihtuvien järjestelmien luokalle hierarkkisen tunnistusperiaatteen ja gradienttihaun perusteella. Piirit Syst. Signaaliprosessi. 31 (6), 21672177 (2012) CrossRef MathSciNet Google Scholar Ding, J. Ding, F. Bias - kompensointipohjainen parametriennuste lähtövirheelle siirrettäessä keskimääräisiä järjestelmiä. Int. J. Adapt. Ohjaussignaaliprosessi. 25 (12), 11001111 (2011) CrossRef MATH Google-tutkija Lopes dos Santos, P. Ramos, J. A. Martins de Carvalho, J. L. Wiener-Hammersteinin vertailuindeksin määrittäminen: bilineaarinen ja Hammerstein-bilinearinen lähestymistapa. Control Eng. Pract. 20 (11), 11561164 (2012) CrossRef Google Scholar Wang, D. Q. Ding, F. Hierarkkisen pienimmän neliösumman estimointisalgoritmi Hammerstein-Wiener-järjestelmille. IEEE-signaaliprosessi. Lett. 19 (12), 825828 (2012) CrossRef Google Scholar Shi, Y. Fang, H. Kalman suodatusperustainen tunnistus järjestelmille, joissa satunnaisesti puuttuvat mittaukset verkkoympäristössä. Int. J. Control 83 (3), 538551 (2010) CrossRef MATH MathSciNet Google Scholar Shi, Y. Yu, B. Vahva sekoitus H-2H-ääretöntä valvontaa verkottuneiden ohjausjärjestelmien kanssa satunnainen aikaviiveet sekä eteenpäin että taaksepäin viestinnän linkkejä. Automatica 47 (4), 754760 (2011) CrossRef MATH MathSciNet Google-tutkija Wang, D. Q. Chu, Y. Y. Yang, G. W. Ding, F. Apurimallipohjainen rekursiivinen yleistetty pienimmän neliösumman parametrien estimointi Hammerstein OEAR - järjestelmille. Matematiikka. Comput. Malli. Hammersteinin tuotos-virhejärjestelmien tunnistaminen kaksisegmenttisillä epälineaarisuudilla: algoritmi ja sovellukset. 52 (12), 309317 (2010) CrossRef MATH MathSciNet Google Scholar Yu, B. Fang, H. Lin, Y. Shi, J. Ohjaa Intel. Syst. 38 (4), 194201 (2010) MATH MathSciNet Google Scholar Ding, F. Liu, X. G. Chu, J. Gradienttiperustaiset ja pienimmän neliösumman perustuvat iteratiiviset algoritmit Hammerstein-järjestelmille käyttäen hierarkkista tunnistusperiaatetta. IET Control Teoria Appl. 7 (2), 176184 (2013) CrossRef MathSciNet Google Scholar Ding, F. Hajoamispohjainen nopeimman pienimmän neliösumman algoritmi lähtövirheille. Signaaliprosessi. 93 (5), 12351242 (2013) CrossRef Google Scholar Ding, F. Liu, Y. J. Bao, B. Gradient-pohjaiset ja pienimmän neliösumman perustuvat iteratiiviset estimointialgoritmit monipulatuille monilähtöjärjestelmille. Proc. Inst. Mech. Eng. Osa I, J. Syst. Control Eng. 226 (1), 4355 (2012) CrossRef Google Scholar Dehghan, M. Hajarian, M. Iteratiivinen menetelmä yleistyneiden kytkettyjen Sylvester-matriisi-yhtälöiden ratkaisemiseksi yleistyneillä bisymmetrisilla matriiseilla. Appi. Matematiikka. Malli. 34 (3), 639654 (2010) CrossRef MATH MathSciNet Google-tutkija Dehghan, M. Hajarian, M. Iteratiivisen algoritmin analysointi yleistettyjen kytkettyjen Sylvester-matriisi-yhtälöiden ratkaisemiseksi. Appi. Matematiikka. Malli. 35 (7), 32853300 (2011) CrossRef MATH MathSciNet Google Scholar Ding, F. Kaksivaiheinen, pienimmän neliösumman pohjainen iteratiivisen arvioinnin algoritmi CARARMA-järjestelmämallinnukseen. Appi. Matematiikka. Malli. 37 (7), 47984808 (2013) CrossRef MathSciNet Google Scholar Wang, D. Q. Yang, G. W. Ding, R. F. Gradient-pohjainen iteratiivinen parametrien estimointi Box-Jenkins - järjestelmille. Comput. Matematiikka. Appi. 60 (5), 12001208 (2010) CrossRef MATH MathSciNet Google Scholar Vrs, J. Parametrin tunnistaminen Wiener-järjestelmissä epäjatkuvalla epälineaarisuudella. Syst. Control Lett. 44 (5), 363372 (2001) CrossRef MATH Google Scholar Wang, D. Q. Ding, F. Chu, Y. Y. Datasuodatukseen perustuva rekursiivinen pienimmän neliösumman algoritmi Hammerstein-järjestelmille käyttäen avaintekijän erotusperiaatetta. Inf. Sei. 222 (10), 203212 (2013) CrossRef MathSciNet Google Scholar Li, J. H. Ding, F. Suurin todennäköisyys stokastinen gradienttiestimointi Hammerstein-järjestelmille, joissa on värillinen melu, joka perustuu avaimen termien erotustekniikkaan. Comput. Matematiikka. Appi. 62 (11), 41704177 (2011) CrossRef MATH MathSciNet Google-tutkija Wang, Z. Y. Ji, Z. C. Tiedon suodatus perustuu iteratiivisiin tunnistusmenetelmiin epälineaarisille FIR-MA-järjestelmille. J. Vib. Control (2013). Doi: 10.11771077546313484048 Google Scholar Ding, F. Liu, X. P. Liu, G. Hammersteinin epälineaaristen järjestelmien tunnistusmenetelmät. Digit. Signaaliprosessi. 21 (2), 215238 (2011) CrossRef Google Scholar Tekijänoikeudet Springer ScienceBusiness Media Dordrecht 2013 Tekijät ja yhteistyökumppanit Qianyan Shen 1 Feng Ding 1 2 Sähköposti Tekijä 1. Key Laboratory of Advanced Process Control Light Industry (opetusministeriö) Jiangnan University Wuxi PR Kiina 2. Valvontatieteen ja - tekniikan tutkimuskeskus Jiangnanin yliopisto Wuxi PR Kiina Tietoja tästä artikkelista8.4 Keskimääräisten mallien siirtäminen Sen sijaan, että ennustetun muuttujan aikaisempia arvoja käytetään regressiossa, liukuva keskiarvo käyttää aikaisempia ennustevirheitä regressiomainen malli . Y c et theta e theta e dots theta e, missä et on valkoista kohinaa. Tätä viitataan MA (q) - mallina. Tietenkään emme noudata ET: n arvoja, joten ei todellakaan ole regressiota tavallisessa merkityksessä. Huomaa, että yt: n arvoa voidaan ajatella viimeisten ennusteiden virheiden painotettuna liukuva keskiarvo. Liikkeessä olevia keskimääriä ei kuitenkaan pidä sekoittaa liikkuvan keskiarvon tasoittamiseen, josta keskusteltiin luvussa 6. Liikevän keskimallin mallia käytetään tulevien arvojen ennustamiseen, kun taas keskimääräisen tasoituksen liikkumista käytetään arvioitaessa aiempien arvojen trendikehystä. Kuva 8.6: Kaksi esimerkkiä liikkuvan keskimallin malleista eri parametreilla. Vasen: MA (1) y t 20e t 0,8e t-1. Oikealle: MA (2) y t e t - e t-1 0,8e t-2. Kummassakin tapauksessa e t on normaalisti jaettu valkoiseksi melulle keskiarvolla nolla ja varianssilla yksi. Kuva 8.6 esittää joitain tietoja MA (1) - mallista ja MA (2) - mallista. Parametrien muuttaminen theta1, pisteillä, thetaq johtaa eri aikasarjakuvioihin. Kuten autoregressiivisilla malleilla, virheterän varianssi muuttuu vain sarjan mittakaavaksi, ei kuvioiksi. Jokainen stationaarinen AR (p) - malli voidaan kirjoittaa MA: ksi. Esimerkiksi käyttämällä toistuvaa substituutioa, voimme osoittaa tämän AR (1) - mallille: aloittaa yh - teistyö ja amp phi1 (phi1y e) ja amp phi12y phi1 e et amp phi13y phi12e phi1 et et amptext-pää Jos -1 lt phi1 lt 1, phi1k: n arvo pienenee kun k saa suuremman. Joten lopulta saamme yhtiöt phi1 e phi12 e phi13 e cdots, MA (infty) prosessi. Päinvastainen tulos pysyy voimassa, jos asetamme rajoituksia MA-parametreille. Sitten MA-mallia kutsutaan avatuksi. Toisin sanoen voimme kirjoittaa minkä tahansa käännettävän MA (q) prosessin AR (kyseenalaiseksi) prosessiksi. Vaihtovälineet eivät ole pelkästään mahdollisuuksia muuttaa MA-malleista AR-malleihin. Niillä on myös matemaattisia ominaisuuksia, jotka helpottavat niiden käyttämistä käytännössä. Vaihtovirran rajoitteet ovat samanlaisia ​​kuin stationaarisuusrajoitukset. MA (1) - mallin osalta: -1 lttheta1lt1. MA (2) - mallille: -1lttheta2lt1, theta2theta1 gt-1, theta1-theta2lt 1. Monimutkaisemmat olosuhteet pidävät qge3: lle. Jälleen, R huolehtii näistä rajoituksista arvioitaessa malleja. Uusi ARMA-malliparametrien estimointialgoritmi käyttäen datan käsittelyn ryhmämenetelmää Yksi onnistuneimmista suboptimal-pohjaisista autokorrelaatioista on modifioitu Yule Walker (MYW) - menetelmä. Tässä lähestymistavassa lasketaan ensin AR-kertoimet, joita seuraa MA-kertoimien 2, 3, 5, 15, 16, 21 määrittäminen. Autokorrelaatio, kovarianssi ja pienimmän neliösumman lähestymistapa ovat AR: n laskennan tunnettuja menetelmiä kertoimia. TIEDOTUS TIIVISTELMÄ: Uusi käsitys monimutkaisten autoregressiivisten (CAR) ja kompleksiarvoisten autoregressiivisten liikkuvien keskiarvojen (CARMA) mallikertoimien kertoimien määrittämisestä monimutkaisen arvokkaan neuroverkon (CVNN) tekniikan avulla käsitellään tässä artikkelissa . CAR ja kompleksiarvotut liikkuvan keskiarvon (CMA) kertoimet, jotka muodostavat CARMA-mallin, lasketaan samanaikaisesti lineaaristen aktivointitoimintojen mukautuvista painoista ja kertoimista kaksikerroksisessa CVNN: ssä. Ehdotetun tekniikan suorituskykyä on arvioitu käyttämällä simuloitua monimutkaista arvoa (CVD), jossa on kolme erilaista aktivointitoimintoa. Tulokset osoittavat, että ehdotettu menetelmä voi määrittää tarkasti mallikertoimet edellyttäen, että verkko on asianmukaisesti koulutettu. Lisäksi kehittyneen CVNN-pohjaisen tekniikan soveltaminen MRI-K-avaruuden rekonstruointiin saa aikaan kuvia, jotka parantavat resoluutiota. Koko teksti Artikkeli Jun 2010 A. M. Aibinu M. J. E. Salami A. A. Shafie quotA ARMA-mallinnus27: n suosio johtuu suhteellisesta helppoudesta, jolla fysiologisten järjestelmien dynamiikka voidaan paljastaa käyttäen joko ARMA-mallista johdettuja siirtofunktion analyysiä tai impulssivastefunktioita (IRF). Muodollisista tilausarvojen arviointimenetelmistä ehkä tunnetuimpia ovat Akaike-tiedon kriteeri (AIC) ja viimeinen ennustevirhe (FPE) sekä Akaike 2: n että Rissanen 3 10: n vähimmäiskuvapituuden (MDL) menetelmä. GMDH: n tärkein idea on, että algoritmi rakentaa optimaalisen monimutkaisen mallin, joka perustuu vain tietoihin, vain ehdolla oleviin ehdoihin, jotka parhaiten approksimoivat annettuja tietoja, säilytetään. Katso Näytä tiivistelmä Piilota abstrakti TIIVISTELMÄ: Lineaarinen ja epälineaarinen autoregressiivinen (AR) liikkuva keskiarvo (MA) (ARMA) tunnistusalgoritmi on kehitetty mallinnuksen aikasarjatietoihin. Uusi algoritmi perustuu affiinin geometrian käsitteisiin, joissa algoritmin keskeinen piirre on poistaa lineaarisesti riippuvaiset ARMA-vektorit ehdokasmaiden ARMA-vektoreiden joukosta. Äänetöntä aikasarjatietoa, jossa on a priori virheellinen mallijärjestys, tietokone-simulaatiot osoittavat, että uuden algoritmin avulla saadaan tarkkoja lineaarisia ja epälineaarisia ARMA-malliparametreja. Monet algoritmit, mukaan lukien nopea ortogonaalinen haku (FOS) - algoritmi, eivät kykene hankkimaan oikeita parametriarvioita joka tapauksessa, myös äänettömien aikasarjatietojen kanssa, koska niiden mallijärjestyskriteerit eivät ole optimaalisia. Meluun saastuneilla tiedoilla tietokone-simulaatiot osoittavat, että uusi algoritmi toimii paremmin kuin FOS-algoritmi MA-prosesseille ja samoin kuin FOS-algoritmi ARMA-prosesseille. Laskeutumisaika parametrien arvioimiseksi uuden algoritmin kanssa on kuitenkin nopeampi kuin FOS: lla. Uuden algoritmin soveltaminen kokeellisesti saatuun munuaisten verenkiertoon ja paine-tietoihin osoittaa, että uusi algoritmi on luotettava fysiologisesti ymmärrettävien siirtofunktio suhteiden saavuttamiseksi verenpaineen ja virtaussignaalien välillä. Artikkeli marraskuu 2001 Sheng Lu Ki Hwan Ju Ki H. Chon Näytä abstrakti Piilota abstrakti TIIVISTELMÄ: Pienimmän neliösumman (LS) ja pienimmän pienimmän neliösumman (TLS) menetelmää käytetään kahta menetelmää, joita käytetään laajalti parhaimpaan käyrään yleensä aikaansaadaan puolueettomia tuloksia erityisesti silloin, kun rakenne on epälineaarinen. LS - ja TLS-menetelmien luontaisten rajoitusten voittamiseksi esitämme uuden menetelmän, joka perustuu hypersurface-etäisyyden minimoimiseen. Tietokonemallinnusesimerkit osoittavat, että uusi ehdotettu menetelmä saavuttaa paremmat parametriarvot kuin joko LS - ja TLS-arvot. Konferenssijulkaisu Helmikuu 2002 S Lu K. H. ChonA-menetelmä autoregressiivisen liikkuvan keskiarvon arvioimiseksi Tarkasteltava ongelma on autoregressiivisen liikkuvan keskiarvojärjestelmän arvioiminen, mukaan lukien autoregressiivisen ja liikkuvan keskimääräisen lag-operaattorin asteiden arviointi. Perusmenetelmä on Hannan amp. Rissanenin (1982) esittämä. Tämä menetelmä saattaa kuitenkin joskus ylittää arvot ja muutokset esitetään täten tämän korjaamiseksi. Ongelma johtuu itse prosessin ensimmäisessä vaiheessa pitkästä autoregression käytöstä, joka on järjestyksessä c log T, kun T on suuri. Sen vaikutusta tutkitaan ja erityisesti sen vaikutusta arvioiden lähentymisnopeuteen. 1984 Biometrika Trust Tällä hetkellä sinulla ei ole tätä artikkelia. Sinulla ei ole jo Oxford Academic - tilistäsi Et voi olla kirjautunut sisään. Tarkista sähköpostiosoitteesi käyttäjätunnus ja salasana ja yritä uudelleen. Oxford Academic-tili Sähköpostiosoite Käyttäjätunnus Sähköpostiosoite käyttäjänimi Useimmat käyttäjät voivat kirjautua sisään sähköpostiosoitteellaan. Jos olet alun perin rekisteröitynyt käyttäjätunnuksella, käytä sitä kirjautumalla sisään.