Von P. M. T. Broersen - IEEE Trans. Instrument Meas. 2002. Abstrakt. Die erhöhte Rechengeschwindigkeit und die Entwicklungen in der Robustheit von Algorithmen haben die Möglichkeit, automatisch ein gut passendes Zeitreihenmodell für stochastische Daten zu identifizieren. Es ist möglich, mehr als 500 Modelle zu berechnen und nur eine zu wählen, die sicherlich eine von t ist. Abstrakt. Die erhöhte Rechengeschwindigkeit und die Entwicklungen in der Robustheit von Algorithmen haben die Möglichkeit, automatisch ein gut passendes Zeitreihenmodell für stochastische Daten zu identifizieren. Es ist möglich, mehr als 500 Modelle zu berechnen und nur eine auszuwählen, die sicherlich eines der besseren Modelle ist, wenn nicht das beste. Dieses Modell charakterisiert die spektrale Dichte der Daten. Zeitreihenmodelle sind für Zufallsdaten hervorragend, wenn der Modelltyp und die Modellreihenfolge bekannt sind. Für unbekannte Dateneigenschaften muss eine große Anzahl von Kandidatenmodellen berechnet werden. Dies schließt notwendigerweise zu niedrige oder zu hohe Modellordnungen und Modelle der falschen Typen ein, wodurch robuste Schätzmethoden erforderlich sind. Der Computer wählt eine Modellreihenfolge für jeden der drei Modelltypen aus. Aus diesen drei wird der Modelltyp mit der kleinsten Erwartung des Vorhersagefehlers ausgewählt. Dieses einzigartige ausgewählte Modell enthält genau die statistisch signifikanten Details, die in den Daten vorhanden sind. 1 optimaler asymptotischer Straffaktor 3 (Broersen, 2000b Broersen und Wensink, 1996). 6.2 MA-Schätzung Die Durbins-Methode für die MA-Schätzung garantiert die Invertierbarkeit mit allen Nullen im Einheitskreis (-Durbin, 1959-). Theoretisch ist ein MA (q) - Modell mit einem AR () - Modell unter Verwendung von B (z) 1 / A (z) äquivalent. Durbins-Methode verwendet die geschätzten Parameter eines langen AR-Modells, um das MA-Modell zu approximieren. Natürlich. Von P. M. T. Broersen - IEEE Trans. Über Instrumentierung und Messung. 2000. ZusammenfassungDiese Analyse beschränkt sich auf die spektrale Analyse stationärer stochastischer Prozesse mit unbekannter spektraler Dichte. Die wichtigsten spektralen Schätzmethoden sind: parametrisch mit Zeitreihenmodellen oder nichtparametrisch mit einem Fensterperiodogramm. Ein einziges Zeitreihenmodell wird mit einem Str. ZusammenfassungDiese Analyse beschränkt sich auf die spektrale Analyse stationärer stochastischer Prozesse mit unbekannter spektraler Dichte. Die wichtigsten spektralen Schätzmethoden sind: parametrisch mit Zeitreihenmodellen oder nichtparametrisch mit einem Fensterperiodogramm. Ein einziges Zeitreihenmodell wird mit einem statistischen Kriterium aus drei zuvor geschätzten und ausgewählten Modellen ausgewählt: dem besten autoregressiven (AR) Modell, dem besten gleitenden Durchschnitt (MA) und dem besten kombinierten ARMA Modell. Die Genauigkeit des Spektrums, berechnet aus diesem einzigen ausgewählten Zeitreihenmodell, wird mit der Genauigkeit einiger Fensterperiodogramschätzwerte verglichen. Das Zeitreihenmodell ergibt im allgemeinen ein Spektrum, das besser ist als das bestmögliche Fensterperiodogramm. Es ist eine Tatsache, dass ein einziges gutes Zeitreihenmodell automatisch für statistische Daten mit unbekannter spektraler Dichte ausgewählt werden kann. Es ist Fiktion, dass objektive Entscheidungen zwischen windowed Periodogramme gemacht werden können. Index TermsARMA-Modelle, Identifikation, Auftragsauswahl, parametrisches Spektrum, Spektralgenauigkeit, Spektralschätzung, Zeitreihen. I. een formuliert für spezifische MA und ARMA Algorithmen. Nach der Entdeckung der optimalen Länge des langen autoregressiven Zwischenmodells 15, 16 können die Durbins-Verfahren -17-, 18 verwendet werden. Dieses Papier beschäftigt sich mit stationären stochastischen Prozessen mit unbekannten Spektren, nicht mit deterministischen oder periodischen Signalen Manuskript erhielt 26. Mai 1998 überarbeitet 10. März 2000. Die autho. Von P. M. T. Broersen - in Signal Process. VIII, Proc. Eusipco Conf. 1996. Die Durbinaposs-Methode für die Verschiebung der durchschnittlichen (MA) Schätzung verwendet die geschätzten Parameter eines langen AutoRegressive (AR) - Modells, um die gewünschten MA-Parameter zu berechnen. Eine theoretische Ordnung für dieses lange AR-Modell ist, aber sehr hohe AR-Aufträge führen zu ungenauen MA-Modellen in der endlichen Beispielpraxis. Ein neues t. Die Durbinampaposs-Methode für die gleitende durchschnittliche (MA) Schätzung verwendet die geschätzten Parameter eines langen AutoRegressive (AR) - Modells, um die gewünschten MA-Parameter zu berechnen. Eine theoretische Ordnung für dieses lange AR-Modell ist, aber sehr hohe AR-Aufträge führen zu ungenauen MA-Modellen in der endlichen Beispielpraxis. Ein neues theoretisches Argument wird vorgestellt, um einen Ausdruck für die beste endliche lange AR-Ordnung für ein bekanntes MA-Verfahren und eine gegebene Probengröße abzuleiten. Intermediate AR-Modelle von genau dieser Reihenfolge produzieren die genauesten MA-Modelle. Diese neue Reihenfolge unterscheidet sich von der besten AR-Reihenfolge für die Vorhersage verwendet werden. Es wird ein Algorithmus vorgestellt, der die Verwendung der Theorie für die beste lange AR-Ordnung in bekannten Prozessen auf Daten eines unbekannten Prozesses ermöglicht. I. Theorie für die beste lange AR-Reihenfolge in bekannten Prozessen zu Daten eines unbekannten Prozesses. I. EINFÜHRUNG Bei der Suche nach einer sicheren, robusten und praktischen Lösung für das MA-Schätzproblem ist die Durbin039-Methode -1 - vielversprechend. Ein nichtlineares Schätzproblem wird durch zwei Stufen linearer Schätzung ersetzt. Zuerst werden die Parameter eines langen autoregressiven Modells aus den Daten abgeschätzt. Danach wird ein zweiter p. Von Jorge Mari, Anders Dahln, Anders Lindquist - Automatica J. IFAC. 1998. In dieser Arbeit betrachten wir ein dreistufiges Verfahren zur Identifizierung von Zeitreihen, basierend auf Kovarianz-Erweiterung und Modellreduktion und präsentieren eine vollständige Analyse der statistischen Konvergenzeigenschaften. Eine Teilkovarianzsequenz wird aus statistischen Daten abgeschätzt. Dann eine höhere Ordnung. In dieser Arbeit betrachten wir ein dreistufiges Verfahren zur Identifizierung von Zeitreihen, basierend auf Kovarianz-Erweiterung und Modellreduktion und präsentieren eine vollständige Analyse der statistischen Konvergenzeigenschaften. Eine Teilkovarianzsequenz wird aus statistischen Daten abgeschätzt. Dann wird ein Maximum-Entropie-Modell höherer Ordnung ermittelt, welches schließlich durch ein Modell niedrigerer Ordnung durch eine stochastisch ausgeglichene Modellreduktion approximiert wird. Solche Verfahren wurden zuvor in verschiedenen Kombinationen untersucht, aber eine Gesamtkonvergenzanalyse, die alle drei Schritte umfasst, fehlt. Angenommen, die Daten werden aus einem echten finiten-dimensionalen System erzeugt, das minimalphasig ist, wird gezeigt, dass die Übertragungsfunktion des geschätzten Systems in H zu der wahren Übertragungsfunktion neigt, wenn die Datenlänge zu unendlich ist, wenn die Kovarianz-Erweiterung und die Modellreduktion durchgeführt werden richtig. Die vorgeschlagene Identifizierung Verfahren, und einige Variationen von it, werden durch Simulationen ausgewertet. 1. zurück auf die Wold-Zerlegung 55, wo L 2 - Konvergenz von hochrangigen AR-Modellen zu allgemeinen analytischen Modellen gezeigt wird. Pioniere bei der Verwendung dieses Konzeptes für die Systemidentifikation sind Durbin -12, 13- und Whittle 54 Konvergenz-Eigenschaften solcher Approximationen wurden von Berk 2 untersucht und später in 36, 34, 33, 7 verfeinert. Das interessante Papier 7 enthält schöne Proofs von einigen der Konvergenz. Von P. M. T. Broersen, S. De Waele - Proc. 2. IEEE Benelux Signal Proc. Symp. SPS-2000. 2000. ABSTRAKT: Maximale Likelihood (ML) Schätzung maximiert die Wahrscheinlichkeitsfunktion und ist ein gefeiertes Prinzip in der linearen Regressionsanalyse. Asymptotisch wird die Cramr-Rao-Untergrenze für die Kovarianzmatrix von ungünstigen Schätzparametern durch den Maximum-Likelihood-Schätzer erreicht. Mit asymp. ABSTRAKT: Maximale Likelihood (ML) Schätzung maximiert die Wahrscheinlichkeitsfunktion und ist ein gefeiertes Prinzip in der linearen Regressionsanalyse. Asymptotisch wird die Cramr-Rao-Untergrenze für die Kovarianzmatrix von ungünstigen Schätzparametern durch den Maximum-Likelihood-Schätzer erreicht. Mit asymptotischen Argumenten wurde bewiesen, dass dieses Prinzip auch auf die Autoregression und die allgemeineren autoregressiven Moving Average (ARMA) Modelle in der Zeitreihenanalyse angewendet werden kann. Es wird zumindest in Lehrbüchern vorgeschlagen, dass eine nähere Annäherung der exakten Wahrscheinlichkeit in der Maximierung eine bessere Schätzung für Zeitreihenmodelle erzeugen wird. Im Gegensatz dazu zeigt die Finite-Probe-Praxis oft anders. Einige finite Beispiel-Tatsachen und ihre Einschätzung Implikationen werden diskutiert. Als anfängliche Vorprobe-Innovationen und unbedingte Kleinstquadrate (ULS) mit Rückprojektion für Vorproben-Approximationen 3,20 Verwendung einer langen Kovarianz-Schätzung 5,18,21 Unter Verwendung eines langen AR-Modells -19,23- als Zwischenprodukt. Die Wahrscheinlichkeitsfunktion ist symmetrisch für Nullen, die in Bezug auf den Einheitskreis gespiegelt sind, so daß die mit ML erhaltenen Spiegelungsnullen keine Einwände haben. Least squares solutions CLS und U. von Joseph M. Francos, Benjamin Friedlander. Dieses Papier betrachtet das Problem der Schätzung der Parameter von zweidimensionalen gleitenden mittleren Zufallsfeldern. Zuerst beschäftigen wir uns mit dem Problem, die Kovarianzmatrix der nicht symmetrischen halbplanaren, nicht-kausalen und quadratischen gleitenden mittleren Zufallsfelder in Form der Modellparameter auszudrücken. Dieses Papier betrachtet das Problem der Schätzung der Parameter von zweidimensionalen gleitenden mittleren Zufallsfeldern. Zuerst beschäftigen wir uns mit dem Problem, die Kovarianzmatrix der nicht symmetrischen halbplanaren, nicht-kausalen und quadratischen gleitenden mittleren Zufallsfelder in Form der Modellparameter auszudrücken. Unter der Annahme, dass das zufällige Feld Gauss ist, ergibt sich für die Cramer-Rao-Untergrenze ein geschlossener Formausdruck für die Fehlerabweichung bei der gemeinsamen Schätzung der Modellparameter. Ein rechnerisch effizienter Algorithmus zur Schätzung der Parameter des gleitenden mittleren Modells wird entwickelt. Der Algorithmus passt anfangs zu einem zweidimensionalen autoregressiven Modell auf das beobachtete Feld und verwendet dann die geschätzten Parameter, um das gleitende Durchschnittsmodell zu berechnen. Ein Maximum-Likelihood-Algorithmus für die Schätzung der MA-Modellparameter wird ebenfalls vorgestellt. Die Performance der vorgeschlagenen Algorithmen wird durch Monte-Carlo-Simulationen illustriert und mit der Cramer-Rao-Bindung verglichen. Von P. M. T. Broersen - Prozesse, Signalverarbeitung IX, Proc. Eusipco Conf. Rhodes, Griechenland. 1998. Neue Entwicklungen in der Zeitreihenanalyse können verwendet werden, um eine bessere spektrale Darstellung für unbekannte Daten zu bestimmen. Jeder stationäre Prozess kann mit einem der drei Modelltypen AR (autoregressiv), MA (gleitender Durchschnitt) oder dem kombinierten ARMA-Modell genau modelliert werden. Im Allgemeinen ist die beste Art un. Neue Entwicklungen in der Zeitreihenanalyse können verwendet werden, um eine bessere spektrale Darstellung für unbekannte Daten zu bestimmen. Jeder stationäre Prozess kann mit einem der drei Modelltypen AR (autoregressiv), MA (gleitender Durchschnitt) oder dem kombinierten ARMA-Modell genau modelliert werden. Im Allgemeinen ist der beste Typ unbekannt. Werden die drei Modelle jedoch mit geeigneten Methoden abgeschätzt, so kann in der Praxis ein einziges Zeitreihenmodell automatisch gewählt werden. Die Genauigkeit des Spektrums, berechnet aus diesem einzigen AR-MA Zeitreihenmodell, wird mit der Genauigkeit vieler verjüngter und fensterartiger Periodogrammschätzungen verglichen. Das Zeitreihenmodell ergibt typischerweise ein Spektrum, das besser ist als das beste aller Periodogramschätzungen. 1. wenn Modelle hoher Aufträge berücksichtigt werden. Für MA - und ARMA-Modelle war eine neue Entwicklung in der Zeitreihenanalyse notwendig, um zuverlässige Schätzalgorithmen zu haben, die für alle Stichprobengrößen -7,8,9,10- gut funktionieren. Das ist die Entdeckung der optimalen Länge des langen autoregressiven Zwischenmodells für Durbins-Methoden 7,8. Dieses lange AR-Modell wird verwendet, um die MA-Parameter zu bestimmen. Mit Schiebefenster. Von Piet M. T. Broersen, S. De Waele - IEEE Trans. Instrument Meas. 2000. Zusammenfassung Eine neue Methode zur Extraktion von Merkmalen aus stationären stochastischen Prozessen wurde auf ein medizinisches Erkennungsproblem angewendet. Es veranschaulicht eine praktische Anwendung der automatischen Zeitreihenmodellierung. Erstens sind der Modelltyp und die Modellreihenfolge für zwei Zeitreihen-Prototypmodelle se. Zusammenfassung Eine neue Methode zur Extraktion von Merkmalen aus stationären stochastischen Prozessen wurde auf ein medizinisches Erkennungsproblem angewendet. Es veranschaulicht eine praktische Anwendung der automatischen Zeitreihenmodellierung. Zuerst werden der Modelltyp und die Modellreihenfolge für zwei Zeitreihen-Prototypenmodelle ausgewählt. Die Prototypen stellen die Lungengeräusche eines einzelnen gesunden Subjekts vor und nach der Anwendung von Methacholin dar. Unter Verwendung des Modellfehlers ME als Maß für den Unterschied zwischen Zeitreihenmodellen können neue Daten in Klassen unterteilt werden, die zu den Prototypenmodellen für diese Person gehören. Die Prototypenmodelle werden aus wenigen Exspirationszyklen unter bekannten Bedingungen erhalten. Dies ist ausreichend, um die Anwesenheit von Methacholin in neuen Daten desselben Subjekts zu detektieren, wenn er in der Lage ist, stationäre Zustände zu halten, indem es genau dem vorgeschriebenen Atemmuster folgt. Es ist nicht notwendig, den gleichen Modelltyp und die gleiche Modellreihenfolge für die Prototypen und für neue Daten zu verwenden. Automatisch und individuell ausgewählte Modelle für Prototypen und Daten ermöglichen eine gute Detektion von Methacholin. Index TermsDetection, Modellfehler, Vorhersagefehler, Prototypmodell, Spektralschätzung. I nt basiert die Kombinierte Information Criterion CIC auf der Erwartung und auf der Varianz des Logarithmus der Restvarianz als Funktion der Modellreihenfolge 11. Die Durbins-Methode für MA-12- und für die ARMA 13-Schätzung besteht Der Verwendung der Parameter eines Langzeit-Autoregressionsmodells, um MA-Parameter zu berechnen. Auf diese Weise wird die nichtlineare Schätzung durch eine Sequenz approximiert. Von Jan S. Erkelens, Arturo Tejada, Arnold J. Den Dekker - IEEE-Transaktionen zur Instrumentierung und Messung. 2013. Zusammenfassung Drei wichtige parametrische Modelle zur Beschreibung der Korrelationsfunktionen und Spektren stationärer stochastischer Prozesse sind autoregressive (AR), Moving Average (MA) und autoregressive Moving Average (ARMA) Modelle. Vor kurzem wurde die MATLAB-Toolbox ARMASA öffentlich gemacht. Zusammenfassung Drei wichtige parametrische Modelle zur Beschreibung der Korrelationsfunktionen und Spektren stationärer stochastischer Prozesse sind autoregressive (AR), Moving Average (MA) und autoregressive Moving Average (ARMA) Modelle. Vor kurzem wurde die MATLAB-Toolbox ARMASA öffentlich zugänglich gemacht. Diese Toolbox bietet State-of-the-Art-Algorithmen zur automatischen Identifikation und Auswahl zwischen den Modellen auf der Grundlage der geschätzten Vorhersage Fehler durchzuführen. ARMASA arbeitet auf einem einzigen Segment von Daten, während in einigen Anwendungen die Daten als mehrere Segmente zur Verfügung stehen. Wir konnten jedes Segment unabhängig verarbeiten und die geschätzten Autokorrelationsfunktionen oder Spektren anschließend mitteln. Eine bessere Leistung kann jedoch erwartet werden, wenn alle Segmente gleichzeitig verarbeitet werden, und zwar aus zwei Gründen. Anfänglich hängt die Vorspannung in den geschätzten Modellparametern von der Anzahl der Beobachtungen in einem Segment ab. Mittelwertbildung ual Varianz für alle Modellreihen von Interesse. Die Residuen sind Schätzungen der Innovationen (n) in (1) und können durch Ersetzen der geschätzten Modellparameter gefunden werden. Details dazu finden Sie in den Versionen 2, -19 und 20. Die Algorithmen für die AR-, MA - und ARMA-Modellidentifikation, die in der ARMASA-Toolbox implementiert sind, werden nun skizziert. III. MODEL-IDENTIFIZIERUNG IN ARMASA A. AR Modellidentifikation Die Restmenge. Von Piet Broersen, Stijn De Waele. Ein Fenster - und Tapered-Periodogramm kann als Fourier-Transformation einer geschätzten Kovarianzfunktion von verjüngten Daten multipliziert mit einem Verzögerungsfenster berechnet werden. Kovarianzen von endlicher Länge können auch als gleitende (MA) Zeitreihenmodelle modelliert werden. Die direkte Äquivalenz zwischen Periodogrammen und MA. Ein Fenster - und Tapered-Periodogramm kann als Fourier-Transformation einer geschätzten Kovarianzfunktion von verjüngten Daten multipliziert mit einem Verzögerungsfenster berechnet werden. Kovarianzen von endlicher Länge können auch als gleitende (MA) Zeitreihenmodelle modelliert werden. Die direkte Äquivalenz zwischen Periodogrammen und MA-Modellen wird in der Momentenmethode für die MA-Schätzung gezeigt. Eine bessere MA-Repräsentation für die Kovarianz und die spektrale Dichte wird mit Durbinampaposs verbessert MA-Methode gefunden. Das nutzt die Parameter eines langen autoregressiven (AR) Modells, um MA-Modelle zu finden, gefolgt von der automatischen Auswahl des MA-Auftrags. Es wird ein Vergleich zwischen den beiden MA-Modelltypen durchgeführt. Das Beste aus vielen MA-Modellen aus fensterartigen Periodogrammen wird mit dem ausgewählten MA-Modell mit Durbinampaposs-Methode verglichen. Letzteres hat typischerweise eine bessere Qualität. Stichwörter: Spektralschätzung, Ordnungsauswahl, Spektralabstand, Spektralfenster, Spektralfehler 1. EINFÜHRUNG Zeitreihenanalyse oder parametrische Spektralschätzung. Ist die Darstellung der Kovarianz keine ausreichende Schätzung für die MA-Parameter. Es existiert ein robuster MA-Algorithmus, der das Modell direkt aus einem langen AR-Modell der Daten schätzt. Durbin039s Methode -6-- hat nie Probleme mit der Konvergenz. Es schätzt immer invertierbare Modelle unter Verwendung der Parameter eines langen autoregressiven Modells in einem linearen MA-Schätzverfahren invertierbare Modelle haben alle Nullen. In der Praxis liefert der gleitende Durchschnitt eine gute Schätzung des Mittelwerts der Zeitreihe, wenn der Mittelwert konstant oder langsam ist Ändern. Im Fall eines konstanten Mittelwertes wird der grßte Wert von m die besten Schätzungen des zugrunde liegenden Mittels liefern. Ein längerer Beobachtungszeitraum wird die Effekte der Variabilität ausmachen. Der Zweck der Bereitstellung eines kleineren m ist es, die Prognose auf eine Änderung in dem zugrunde liegenden Prozess zu ermöglichen. Um zu veranschaulichen, schlagen wir einen Datensatz vor, der Änderungen im zugrundeliegenden Mittel der Zeitreihen enthält. Die Abbildung zeigt die Zeitreihen für die Darstellung zusammen mit der mittleren Nachfrage, aus der die Serie erzeugt wurde. Der Mittelwert beginnt als eine Konstante bei 10. Ab dem Zeitpunkt 21 erhöht er sich um eine Einheit in jeder Periode, bis er zum Zeitpunkt 30 den Wert von 20 erreicht. Dann wird er wieder konstant. Die Daten werden simuliert, indem dem Mittelwert ein Zufallsrauschen aus einer Normalverteilung mit Nullmittelwert und Standardabweichung 3 zugeführt wird. Die Ergebnisse der Simulation werden auf die nächste Ganzzahl gerundet. Die Tabelle zeigt die simulierten Beobachtungen für das Beispiel. Wenn wir die Tabelle verwenden, müssen wir bedenken, dass zu einem gegebenen Zeitpunkt nur die letzten Daten bekannt sind. Die Schätzwerte des Modellparameters, für drei verschiedene Werte von m, werden zusammen mit dem Mittelwert der Zeitreihen in der folgenden Abbildung gezeigt. Die Abbildung zeigt die gleitende durchschnittliche Schätzung des Mittelwerts zu jedem Zeitpunkt und nicht die Prognose. Die Prognosen würden die gleitenden Durchschnittskurven nach Perioden nach rechts verschieben. Eine Schlussfolgerung ergibt sich unmittelbar aus der Figur. Für alle drei Schätzungen liegt der gleitende Durchschnitt hinter dem linearen Trend, wobei die Verzögerung mit m zunimmt. Die Verzögerung ist der Abstand zwischen dem Modell und der Schätzung in der Zeitdimension. Wegen der Verzögerung unterschätzt der gleitende Durchschnitt die Beobachtungen, während der Mittelwert zunimmt. Die Vorspannung des Schätzers ist die Differenz zu einer bestimmten Zeit im Mittelwert des Modells und dem Mittelwert, der durch den gleitenden Durchschnitt vorhergesagt wird. Die Vorspannung, wenn der Mittelwert zunimmt, ist negativ. Bei einem abnehmenden Mittelwert ist die Vorspannung positiv. Die Verzögerung in der Zeit und die Bias in der Schätzung eingeführt sind Funktionen von m. Je größer der Wert von m. Desto größer ist die Größe der Verzögerung und der Vorspannung. Für eine stetig wachsende Serie mit Trend a. Die Werte der Verzögerung und der Vorspannung des Schätzers des Mittelwerts sind in den folgenden Gleichungen gegeben. Die Beispielkurven stimmen nicht mit diesen Gleichungen überein, da das Beispielmodell nicht kontinuierlich zunimmt, sondern als Konstante beginnt, sich in einen Trend ändert und dann wieder konstant wird. Auch die Beispielkurven sind vom Rauschen betroffen. Die gleitende Durchschnittsprognose der Perioden in die Zukunft wird durch die Verschiebung der Kurven nach rechts dargestellt. Die Verzögerung und die Vorspannung nehmen proportional zu. Die nachstehenden Gleichungen zeigen die Verzögerung und die Vorspannung von Prognoseperioden in die Zukunft im Vergleich zu den Modellparametern. Diese Formeln sind wiederum für eine Zeitreihe mit einem konstanten linearen Trend. Wir sollten dieses Ergebnis nicht überraschen. Der gleitende Durchschnittsschätzer basiert auf der Annahme eines konstanten Mittelwerts, und das Beispiel hat einen linearen Trend im Mittel während eines Teils des Studienzeitraums. Da Realzeitreihen den Annahmen eines Modells nur selten gehorchen, sollten wir auf solche Ergebnisse vorbereitet sein. Wir können auch aus der Figur schließen, dass die Variabilität des Rauschens den größten Effekt für kleinere m hat. Die Schätzung ist viel volatiler für den gleitenden Durchschnitt von 5 als der gleitende Durchschnitt von 20. Wir haben die widerstrebenden Wünsche, m zu erhöhen, um den Effekt der Variabilität aufgrund des Rauschens zu verringern und m zu verringern, um die Prognose besser auf Veränderungen anzupassen Im Mittel. Der Fehler ist die Differenz zwischen den tatsächlichen Daten und dem prognostizierten Wert. Wenn die Zeitreihe wirklich ein konstanter Wert ist, ist der erwartete Wert des Fehlers Null und die Varianz des Fehlers besteht aus einem Term, der eine Funktion von und ein zweiter Term ist, der die Varianz des Rauschens ist. Der erste Term ist die Varianz des Mittelwertes mit einer Stichprobe von m Beobachtungen, vorausgesetzt, die Daten stammen aus einer Population mit einem konstanten Mittelwert. Dieser Begriff wird minimiert, indem man m so groß wie möglich macht. Ein großes m macht die Prognose auf eine Änderung der zugrunde liegenden Zeitreihen unempfänglich. Um die Prognose auf Veränderungen anzupassen, wollen wir m so klein wie möglich (1), aber dies erhöht die Fehlerabweichung. Praktische Voraussage erfordert einen Zwischenwert. Prognose mit Excel Das Prognose-Add-In implementiert die gleitenden Durchschnittsformeln. Das folgende Beispiel zeigt die Analyse des Add-In für die Beispieldaten in Spalte B. Die ersten 10 Beobachtungen sind mit -9 bis 0 indexiert. Im Vergleich zur obigen Tabelle werden die Periodenindizes um -10 verschoben. Die ersten zehn Beobachtungen liefern die Startwerte für die Schätzung und werden verwendet, um den gleitenden Durchschnitt für die Periode 0 zu berechnen. Die Spalte MA (10) zeigt die berechneten Bewegungsdurchschnitte. Der gleitende Mittelwert m ist in Zelle C3. Die Fore (1) Spalte (D) zeigt eine Prognose für einen Zeitraum in die Zukunft. Das Prognoseintervall ist in Zelle D3. Wenn das Prognoseintervall auf eine größere Zahl geändert wird, werden die Zahlen in der Spalte Vorwärts verschoben. Die Err (1) - Spalte (E) zeigt die Differenz zwischen der Beobachtung und der Prognose. Zum Beispiel ist die Beobachtung zum Zeitpunkt 1 6. Der prognostizierte Wert, der aus dem gleitenden Durchschnitt zum Zeitpunkt 0 gemacht wird, beträgt 11,1. Der Fehler ist dann -5.1. Die Standardabweichung und die mittlere mittlere Abweichung (MAD) werden in den Zellen E6 bzw. E7 berechnet. Bewegender Mittelwert Schätzung Zusammenfassung Abstrakt Ausblenden ABSTRAKT: Die Abschätzung der autoregressiven Parameter aus lauten Beobachtungen wurde von verschiedenen Autoren in den letzten Jahrzehnten behandelt. Obwohl mehrere on-line - oder off-line-Ansätze vorgeschlagen wurden, wenn das additive Rauschen weiß ist, befassen sich wenige Papiere mit dem additiv bewegenden mittleren Rauschen. In dieser Arbeit schlagen wir vor, die Modellparameter anhand der Vorhersagefehlermethode zu schätzen. Trotz ihrer hohen Rechenkosten hat die Methode den Vorteil, im Gaußschen Fall effizient zu sein. Eine Vergleichsstudie mit bestehenden Methoden wird dann durchgeführt und weist auf die Effizienz unserer Vorgehensweise, vor allem, wenn die Anzahl der Proben klein ist. Konferenzpapier Mai 2013 Roberto Diversi Hiroshi Ijima Eric Grivel Abstract In der Hochspannungs - (H. V.) - Anlage können im Dämmsystem Alterungsprozesse auftreten, die völlig unvermeidbar sind und letztlich die Lebensdauer der Anlage einschränken. Letztlich kann eine partielle Entladung (PD) - Aktivität an bestimmten Punkten innerhalb des Isolationssystems auftreten. Operative Überbeanspruchung und Defekte, die während der Herstellung eingeführt werden, können ebenfalls eine PD-Aktivität bewirken, und das Vorliegen dieser Aktivität, wenn sie unbehandelt bleibt, führt zur Entwicklung beschleunigter Abbauprozesse, bis schließlich ein katastrophales Versagen auftreten kann. Daher ist eine Teilentladungsbedingungsüberwachung einer wertvollen HV-Anlage wie etwa eines Transformators und insbesondere entlang einer Transformatorwicklung ein wichtiges Forschungsgebiet, da dies letztlich Vermögensinformationen liefern kann, die es ermöglichen, die Wartungs - und Austauschprozesse wirksam durchzuführen. Die Wavelet-Mehrfachauflösungsanalyse besteht aus einer Reihe von Quadraturfilterbänken, die mit einem Hochpass und einem Tiefpassfilter verbunden sind. Das Verfahren wird durchgeführt, um ursprüngliche Signale in verschiedene Pegel zu zerlegen, die unterschiedliche Zeit-Frequenz-Auflösungen der ursprünglichen Wellenform enthalten. Somit kann die Ausbreitung der Signalenergie über verschiedene Zeit / Frequenzbereiche bestimmt werden. Die Verwendung der Systemidentifikation im Frequenzbereich unter Verwendung der Wavelet-Transformation liefert einzigartige Selektionen des speziellen Frequenzbereichs von Interesse der gemessenen PD-Signale, die sich innerhalb einer Transformatorwicklung ausgebreitet haben. Wavelet-Zerlegungsniveaus können linear mit der Principal Component Analysis (PCA) kombiniert werden, und dies kann nützliche Informationen über die Position der Entladungsquelle innerhalb der Wicklung und mit weiterer Implementierung unter Verwendung einer unendlichen Impulsantwort (IIR) - Filter-Näherung bereitstellen Ein Standard-Filter, der auf dem Wavelet-Volltext-Konferenzpapier beruht Juni 2013 MS Abd Rahman Paolo Rapisarda Paul L. Lewin Abstract Zusammenfassung ABSTRAKT: In der Zeitschrift wird eine Klasse von nicht-linearen Zeitreihenmodellen in Bezug auf die mögliche Anwendung betrachtet Lautsprecher-Erkennung. Das registrierte Sprachsignal ist eine nicht-stationäre Zeitreihe. Diese Nicht-Stationarität wird üblicherweise als autoregressive Zeitreihen mit zeitvariablen Parametern modelliert. In dem Papier wird eine bilineare Annäherung des nichtstationären autoregressiven Modells vorgeschlagen. Auf diese Weise wird ein Modell mit zeitabhängigen Parametern durch ein konstantes Parametermodell angenähert. Die Parameter des bilinearen Modells werden als Lautsprechermerkmale angenommen und für die Lautsprechererkennung angewendet. Die Wirksamkeit der vorgeschlagenen Methode wird mit klassischen Methoden der Sprechererkennung verglichen. Artikel Jan 2014 Oskar Kochana Patrice Ksiazek Michal Olszak Ewa Bielinska
No comments:
Post a Comment