Tuesday 1 August 2017

Média Móvel Autorregressiva Não Linear Com Insumos Exógenos


Dinâmica não-linear das estruturas de prefiguração: Aplicação de média móvel auto-regressiva não linear com modelo de insumos exógenos para dados de cluster Referências Balikhin, M. A. L. J. C. Woolliscroft. H. S. Alleyne. M. Dunlop. E M. A. Gedalin (1997), Determinação da dispersão da onda, com base nas características cospectrais da turbulência: Aplicação ao estudo de ondas plasmáticas na parte a jusante do choque quase perpendicular. Ann. Geophys. 15. 143 ndash 151. CrossRef, Web of Sciencereg Times Cited: 20, ADS Balikhin, M. A. I. Bates. E S. Walker (2001), identificação de processos lineares e não-lineares em dados de turbulência do plasma espacial. Adv. Space Res. 28. 787 ndash 800. CrossRef, CAS, Web of Sciencereg Times Citado: 9, ADS Balikhin, M. S. Walker. R. Treumann. H. Alleyne. V. Krasnoselskikh. M. Gedalin. M. Andre. M. Dunlop. E A. Fazakerley (2005), pacotes de onda sonora Ion na frente de choque quase independente. Geophys. Res. Lett. 32. L24106, doi: 10.10292005GL024660.Balogh, A. et al. (2001), a investigação de campo magnético em cluster: visão geral do desempenho em vôo e resultados iniciais. Ann. Geophys. 19. 1207 ndash 1217. CrossRef, Web of Sciencereg Times Cited: 770, ADS Billings, S. A. e Q. M. Zhu (1995), Testes de validação do modelo para modelos não-lineares multivariáveis, incluindo redes neurais. Int. J. Control. 62 (4), 749 ndash 766. CrossRef, Web of Sciencereg Times Cited: 47 Billings, S. A. M. J. Korenberg. E S. Chen (1988), identificação de sistemas afins de saída não-lineares usando um algoritmo ortogonal de mínimos quadrados. Int. J. Syst. Sci. 19. 1559 ndash 1568. CrossRef, Web of Sciencereg Times Cited: 99 Billings, S. A. S. Chen. E M. J. Korenberg (1989), Identificação de sistemas não-lineares MIMO usando um estimador ortogonal de regressão avançada. Int. J. Control. 49. 2157 ndash 2189. CrossRef, Web of Sciencereg Times Cited: 248 Boaghe, O. M. e S. A. Billings (2003), modelagem de oscilação subharmônica e série MISO Volterra. IEEE Trans. Circuits Syst. I. 50 (7), 877 ndash 884. CrossRef, Web of Sciencereg Times Cited: 7 Coca, D. M. A. Balikhin. S. A. Billings. H. S. K. Alleyne. E M. Dunlop (2001), análise do tempo da turbulência do plasma observada a montante de um choque quase paralelo. J. Geophys. Res. 106. 25,005 ndash 25,022.Dudok de Wit, T. V. V. Krasnoselskikh. M. Dunlop. E H. Luumlhr (1999), Identificando interações de ondas não-lineares em plasmas usando medidas de dois pontos: estudo de caso de estruturas magnéticas de curta amplitude curta (slams). J. Geophys. Res. 104. 17,079 ndash 17,090. CrossRef, ADS Frechet, M. (1910), Sur les Fonctionnelles Continua. Ann. Ecole Normale Suppl. . 27. 3º ser. Gedalin, M. (1993), Ondas não-lineares em hidrodinâmica de dois fluídos. Phys. Fluidos. B5. 2062 ndash 2075. CrossRef, ADS Gedalin, M. (1997), dinâmica de íons e distribuição na frente de choque quasiperpendicular sem colisão. Surv. Geophys. 18. 541 ndash 566. CrossRef, Web of Sciencereg Times Cited: 8, ADS Hada, A. T. e C. F. Kennel (1985), evolução não linear de ondas lentas no vento solar. J. Geophys. Res. 90. 531.Hobara, Y. S. N. Walker. Sr. A. Balikhin. O. A. Pokhotelov. M. Dunlop. H. Nilsson. E H. Reacuteme (2007), Características das ondas ulf do foreshock terrestre: observações de cluster. J. Geophys. Res. 112. A07202, doi: 10.10292006JA012142.Kennel, C. F. J. P. Edmiston. E T. Hada (1985), um quarto de século de pesquisa de choque sem colisão. Em choques sem colisão no Heliosphere: uma revisão do tutorial. Geophys. Monogr. Ser. Vol. 34. editado por R. G. Stone. E B. T. Tsurutani. Pp. 1 ndash 36. AGU, Washington, D. C. CrossRef Korenberg, M. S. A. Billings. Y. P. Liu. E P. J. McIlroy (1988), algoritmo de estimação de parâmetros ortogonais para sistemas estocásticos não-lineares. Int. J. Control. 48. 193. CrossRef, Web of Sciencereg Times Cited: 177 McCaffrey, D. I. Bates. Sr. A. Balikhin. H. S. K. Alleyne. M. Dunlop. E W. Baumjohann (2000), método experimental para identificação do acoplamento dispersivo de três ondas no plasma espacial. Adv. Space Res. 25. 1571 ndash 1577. CrossRef, Web of Sciencereg Times Cited: 12, ADS Pokhotelov, O. A. D. O. Pokhotelov. M. B. Gokhberg. F. Z. Feygin. L. Stenflo. E P. K. Shukla (1996), Alfven solitons na ionosfera terrestre e magnetosfera. J. Geophys. Res. 101. 7913.Ritz, C. P. e E. J. Powers (1986), estimativa de funções de transferência não-linear para turbulências totalmente desenvolvidas. Phys. Scr. 20D. 320. CAS Russell, C. T. (1988), medições multiponto de ondas a montante. Adv. Space Res. 8. 147 ndash 156. CrossRef, ADS Sagdeev, R. Z. e A. A. Galeev (1969), Teoria do plasma não linear. Benjamin, White Plains, N. Y. Shukla, P. K. e L. Stenflo (1985), propagação não-linear de ondas de ondas de eletromagnético e íon-ciclotron. Phys. Fluidos. 28. 1576. CrossRef, Web of Sciencereg Times Citado: 63, ADS Walker, S. N. M. A. Balikhin. H. S. K. Alleyne. W. Baumjohann. E M. Dunlop (1999), observações de um choque muito fino. Adv. Space Res. 24. 47 ndash 50. CrossRef, Web of Sciencereg Times Cited: 8, ADS Wiener, N. (1942), Resposta de um dispositivo não-linear para o ruído. MIT Press, Cambridge, Mass. Wiener, N. (1958), Problemas não-lineares na Teoria aleatória. MIT Press, Cambridge, Mass. Woods, L. C. (1969), Sobre a estrutura de ondas de choque magneto-plasma sem colisão em números alfabéticos supercriticos. Plasma Phys. 3. 435. CrossRef, Web of Sciencereg Times Cited: 42, ADS Mais conteúdo como esteNonlinear System Identification: NARMAX Methods in Time, Frequency, e Spatio-Temporal Domains Nonlinear System Identification: NARMAX Methods in Time, Frequency e Spatio - Os domínios temporais descrevem uma estrutura abrangente para a identificação e análise de sistemas dinâmicos não-lineares nos domínios tempo, frequência e espaço-temporal. Este livro está escrito com ênfase em tornar acessíveis os algoritmos para que possam ser aplicados e utilizados na prática. Inclui cobertura de: O modelo NARMAX (modelo não-linear linear móvel com modelos de entrada exógena) O algoritmo de mínimos quadrados ortogonal que permite que os modelos sejam construídos termo por termo, onde o índice de redução de erros revela a porcentagem de contribuição de cada modelo. Métodos de validação de modelos estatísticos e qualitativos que Pode ser aplicado a qualquer classe de modelo Funções de resposta de freqüência generalizadas que fornecem uma visão significativa dos comportamentos não-lineares Uma classe de filtros completamente nova que pode se mover, dividir, espalhar e concentrar energia O mapa do espectro de resposta e o estudo dos sistemas sub harmônicos e severamente não-lineares Algoritmos Que pode acompanhar a variação rápida do tempo em sistemas tanto lineares como não-lineares. A importante classe de sistemas espaço-temporais que evoluem ao longo do espaço e do tempo Muitos exemplos de estudo de caso de modelagem do tempo espacial, através da identificação de um modelo do sistema de processamento visual de moscas da fruta, Para rastrear a causalidade em dados de EEG estão todos incluídos no demonst Classifique a facilidade com que os métodos podem ser aplicados na prática e para mostrar a visão que os algoritmos revelam mesmo para sistemas complexos. Os algoritmos NARMAX fornecem uma abordagem fundamentalmente diferente da identificação do sistema não-linear e processamento de sinal para sistemas não-lineares. Os métodos NARMAX fornecem modelos que são transparentes, que podem ser facilmente analisados ​​e que podem ser usados ​​para resolver problemas reais. Este livro é destinado a graduados, pós-graduados e pesquisadores em ciências e engenharia, e também para usuários de outros campos que coletaram dados e que desejam identificar modelos para ajudar a entender a dinâmica de seus sistemas. 1 Introdução 1 1.1 Introdução à identificação do sistema 1 1.2 Identificação do sistema linear 3 1.3 Identificação do sistema não linear 5 1.4 Métodos NARMAX 7 1.5 A filosofia NARMAX 8 1.6 O que é a identificação do sistema para 9 1.7 Resposta de freqüência dos sistemas não lineares 11 1.8 Tempo contínuo, severamente não-linear, E modelos e sistemas de variação de tempo 12 1.9 Sistemas spatio-temporais 13 1.10 Usando a identificação do sistema não-linear na prática e exemplos de estudos de caso 13 2 Modelos para sistemas lineares e não lineares 17 2.1 Introdução 17 2.2 Modelos lineares 18 2.3 Modelos lineares em partes 22 2.4 Modelos da série Volterra 30 2.5 Modelos estruturados em bloco 31 2.6 Modelos NARMAX 33 2.7 Modelos de aditivos generalizados 40 2.8 Redes neuronais 41 2.9 Modelos de wavelet 45 2.10 Modelos de espaço de estado 48 2.11 Extensões para o caso MIMO 49 2.12 Modelagem de ruído 49 2.13 Modelos espaciais temporais 52 3 Estrutura do modelo Estimativa de detecção e parâmetro 61 3.1 Introdução 61 3.2 O estimador de mínimos quadrados ortogonal e o erro de redução Na razão 64 3.3 Algoritmo de OLS de regressão direta 70 3.4 Seleção de tempo e variável 79 3.5 Relação de redução de erros OLS e Soma 80 3.6 Identificação do modelo de ruído 84 3.7 Um exemplo de seleção de variável e de prazo para um conjunto de dados reais 87 3.8 O ERR não é afetado por Ruído 94 3.9 Modelos estruturados comuns para acomodar diferentes parâmetros 95 3.10 Parâmetros do modelo como função de outra variável 98 3.11 Redução de OLS e modelos 100 3.12 Versões recursivas do OLS 102 4 Seleção e classificação de recursos 105 4.1 Introdução 105 4.2 Seleção de recursos e extração de recursos 106 4.3 Análise de componentes principais 107 4.4 Algoritmo de pesquisa ortogonal direta 108 4.5 Um algoritmo de classificação de base com base no PCA 113 5 Validação do modelo 119 5.1 Introdução 119 5.2 Detecção de não linearidade 121 5.3 Conjuntos de dados de estimativa e teste 123 5.4 Previsões de modelos 124 5.5 Validação estatística 127 5.6 Clustering de prazo 135 5.7 Validação qualitativa de modelos dinâmicos não lineares 137 6 Identificação e análise de Sistemas não lineares no domínio de frequência 149 6.1 Introdução 149 6.2 Funções de resposta de frequência generalizadas 151 6.3 Frequências de saída de sistemas não lineares 184 6.4 Funções de resposta de frequência de saída não linear 191 6.5 Função de resposta de frequência de saída de sistemas não lineares 202 7 Design de sistemas não lineares no domínio de frequência 8211 Energia Filtros de transferência e amortecimento não linear 217 7.1 Introdução 217 7.2 Filtros de transferência de energia 218 7.3 Filtros de foco de energia 240 7.4 Abordagem baseada em OFRF para o projeto de sistemas não lineares no domínio de freqüência 249 8 Redes neurais para identificação de sistema não linear 261 8.1 Introdução 261 8.2 O Multi - Em camadas Perceptron 263 8.3 Redes de Funções Radiais 264 8.4 Redes Wavelet 270 8.5 Modelos e Redes de Ondas Multi-resolução 277 9 Sistemas Severamente Não-Lineares 289 9.1 Introdução 289 9.2 Modelos Wavelet NARMAX 291 9.3 Sistemas que Apresentam Sub-harmônicos e Caos 301 9.4 O Mapa do Espectro de Resposta 305 9.5 Um quadro de modelagem para sub-h Sistemas armônicos e severamente não lineares 313 9.6 Funções de resposta de frequência para sistemas sub-harmônicos 320 9.7 Análise de sistemas sub-harmônicos e cascata para caos 326 10 Identificação de modelos não-lineares de tempo contínuo 337 10.1 Introdução 337 10.2 Método de invariação do núcleo 338 10.3 Usando o GFRFs para Reconstruir Modelos de Equação Integro-Diferencial Não-Lineares Sem Diferenciação 352 11 Identificação de Sistema Variável e Não-Linear 371 11.1 Introdução 371 11.2 Algoritmos de estimação de parâmetros adaptativos 372 11.3 Acompanhamento de variações de parâmetros rápidos usando Wavelets 376 11.4 Caracterização espectral dependente do tempo 378 11.5 Variação de tempo não-linear Estimativa do modelo 380 11.6 Mapeamento e rastreamento no domínio de freqüência 381 11.7 Abordagem de uma janela deslizante 388 12 Identificação de modelos autônomos celulares e N-Estates de sistemas spatio-temporais 391 12.1 Introdução 391 12.2 Autômatos celulares 393 12.3 Identificação de autômatos celulares 402 12.4 N - Sistemas estaduais 414 13 Identificat Ión de Estrutura do Mapa Acoplado e Equações Diferenciais Parciais dos Sistemas Spatio-temporais 431 13.1 Introdução 431 13.2 Padrões Spatio-Temporais e Modelos de Estado Contínuo 432 13.3 Identificação de Modelos de Lattice de Mapa Acoplados 437 13.4 Identificação de Modelos de Equação Diferencial Parcial 458 13.5 Funções de Resposta de Frequência Não-Lineares Para sistemas spatio-temporais 466 14 Estudos de caso 473 14.1 Introdução 473 14.2 Identificação prática do sistema 474 14.3 Caracterização do comportamento do robô 478 14.4 Identificação do sistema para o tempo espacial e a magnetosfera 484 14.5 Detecção e acompanhamento da parto do iceberg na Groenlândia 493 14.6 Detecção e acompanhamento do tempo Variando Causalidade para dados de EEG 498 14.7 Identificação e análise de fotorreceptores de mosca 505 14.8 Tomografia óptica difusa em tempo real usando modelos de ordem reduzida de RBF de propagação de luz para monitorização de hemodinâmica cerebral 514 14.9 Identificação de efeitos de histerese em dispositivos de amortecimento de borracha de metal 522 14.10 Identificação Da Belousov8211Zhabotinsky Reaction 528 14.11 Modelagem Dinâmica de Biopartes Sintéticos 534 14.12 Previsão de Marés Elevadas na Lagoa de Veneza 539A híbrido de modelo auto-regressivo não-linear com entrada exógena e modelo de média móvel autorregressivo para previsão de longo prazo do estado da máquina Este artigo apresenta uma melhoria do híbrido não linear Modelo autorregressivo com entrada exógena (NARX) e modelo de média móvel autorregressiva (ARMA) para a previsão de longo prazo do estado da máquina com base em dados de vibração. Neste estudo, os dados de vibração são considerados como uma combinação de dois componentes que são dados deterministas e erros. O componente determinista pode descrever o índice de degradação da máquina, enquanto o componente de erro pode representar a aparência de partes incertas. Um modelo de previsão híbrido melhorado, a saber, o modelo NARXndashARMA, é realizado para obter os resultados de previsão em que o modelo de rede NARX, adequado para problemas não lineares, é usado para prever o componente determinista eo modelo ARMA são usados ​​para prever o componente de erro devido à capacidade apropriada Em previsão linear. Os resultados finais de previsão são a soma dos resultados obtidos a partir desses modelos únicos. O desempenho do modelo NARXndashARMA é então avaliado usando os dados do baixo compressor de metano adquirido da rotina de monitoramento de condições. Para corroborar os avanços do método proposto, também é realizado um estudo comparativo dos resultados de previsão obtidos no modelo NARXndashARMA e nos modelos tradicionais. Os resultados comparativos mostram que o modelo NARXndashARMA é excelente e pode ser usado como uma ferramenta potencial para a previsão do estado da máquina. Média móvel autorregressiva (ARMA) Autoregressiva não linear com entrada exógena (NARX) Previsão a longo prazo Previsão do estado da máquina Autor correspondente. Tel. 82 51 629 6152 fax: 82 51 629 6150. Copyright copy 2009 Elsevier Ltd. Todos os direitos reservados. Os cookies são usados ​​por este site. Para obter mais informações, visite a página de cookies. Copyright 2017 Elsevier B. V. ou seus licenciadores ou contribuidores. ScienceDirect é uma marca registrada da Elsevier B. V.

No comments:

Post a Comment