A Methode Für Autoregressive Moving Average Schätzung

Eine Methode für Autoregressive-Moving Average Estimation Hinweis: Überprüfen Sie immer Ihre Referenzen und alle notwendigen Korrekturen vor der Verwendung. Achten Sie auf Namen, Groß - und Kleinschreibung und Datum. Beschreibung: Biometrika ist in erster Linie eine Zeitschrift der Statistik, in der Schwerpunkt auf Papieren mit ursprünglichen theoretischen Beiträge der direkten oder potenziellen Wert in Anwendungen platziert wird. Von Zeit zu Zeit werden Papiere in Grenzfeldern veröffentlicht. Coverage: 1901-2011 (Vol. 1, Nr. 1 - Bd. 98, Nr. 4) Die bewegte Wand stellt den Zeitraum zwischen der letzten Ausgabe von JSTOR und der zuletzt veröffentlichten Zeitschrift dar. Bewegliche Wände sind in der Regel in Jahren dargestellt. In seltenen Fällen hat ein Verleger gewählt, um eine bewegliche Wand null zu haben, also sind ihre gegenwärtigen Ausgaben in JSTOR kurz nach Publikation vorhanden. Hinweis: Bei der Berechnung der bewegten Wand wird das aktuelle Jahr nicht gezählt. Wenn zum Beispiel das laufende Jahr 2008 ist und eine Zeitschrift eine 5-jährige Wandermauer hat, stehen Artikel aus dem Jahr 2002 zur Verfügung. Begriffe im Zusammenhang mit der bewegten Wand Feste Wände: Zeitschriften ohne neue Volumes werden dem Archiv hinzugefügt. Absorbiert: Zeitschriften, die mit einem anderen Titel kombiniert werden. Komplett: Zeitschriften, die nicht mehr veröffentlicht werden oder die mit einem anderen Titel kombiniert wurden. Fächer: Mathematik, Statistik Mathematik, Statistik Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Mathematik, Informatik, Die grundlegende Methode ist, dass eingeführt von Hannan Rissanen (1982). Allerdings kann diese Methode manchmal überschätzen die Grade und Modifikationen werden hier eingeführt, um dies zu korrigieren. Das Problem ist selbst auf die Verwendung einer langen Autoregression, der Ordnung c log T, wenn T groß ist, in der ersten Stufe des Prozesses. Die Wirkung wird untersucht und insbesondere ihre Auswirkungen auf die Geschwindigkeit der Konvergenz der Schätzungen. Page ThumbnailsIterative Schätzmethoden für Hammerstein kontrolliert autoregressive gleitende durchschnittliche Systeme auf der Grundlage der Key-Term-Trennung Prinzip Zitieren Sie diesen Artikel als: Shen, Q. Ding, F. Nonlinear Dyn (2014) 75: 709. doi: 10.1007s11071-013-1097- Z Dieses Papier betrachtet iterative Identifikationsprobleme für ein nicht-lineares System von Hammerstein, das aus einem gedächtnislosen nichtlinearen Block besteht, dem ein linearer dynamischer Block folgt. Die Schwierigkeit der Identifikation ist, dass das Hammerstein nichtlineare System die Produkte der Parameter des nichtlinearen Teils und des linearen Teils enthält, was zu der Unidentifizierbarkeit der Parameter führt. Um eindeutige Parameterschätzungen zu erhalten, geben wir die Ausgabe des Systems als Linearkombination aller Systemparameter mittels des Key-Term-Trennungsprinzips aus und leiten einen gradientenbasierten iterativen Identifikationsalgorithmus durch Ersetzen der unbekannten Variablen in den Informationsvektoren ab Mit ihren Schätzungen. Die Simulationsergebnisse zeigen, dass der vorgeschlagene Algorithmus gut funktionieren kann. Iterative Algorithmen Parameterschätzung Rekursive Identifikation Gradientensuche Hammerstein-System Key-Term-Separationsprinzip Referenzen Ding, F. SystemidentifizierungNeue Theorie und Methoden. (2002) Google Scholar Farjoud, A. Ahmadian, M. Nichtlineare Modellierung und experimentelle Charakterisierung von hydraulischen Dämpfern: Auswirkungen von Shim Stack und Düsenparameter auf die Dämpferleistung. Nichtlineare Dyn. 67 (2), 14371456 (2012) CrossRef Google Scholar Shams, S. Sadr, M. H. Haddadpour, H. Eine effiziente Methode für die nichtlineare Aeroelastizität von schlanken Flügeln. Nichtlineare Dyn. 67 (1), 659681 (2012) CrossRef MATH MathSciNet Google Scholar Li, J. H. Ding, F. Yang, G. W. Maximum-Likelihood-Methode der kleinsten Quadrate zur Eingabe nichtlinearer endlicher Impulsantworten gleitender mittlerer Systeme. Mathe. Berechnet. Modell. 55 (34), 442450 (2012) CrossRef MATH MathSciNet Google Scholar Wang, W. Ding, F. Dai, J. Y. Maximale Wahrscheinlichkeit der kleinsten Fehlerquadrate für Systeme mit autoregressiven gleitenden Mittelrauschen. Appl. Mathe. Modell. 36 (5), 18421853 (2012) CrossRef MATH MathSciNet Google Scholar Wang, S. J. Ding, R. Dreistufige rekursive Methode der kleinsten Quadrate für kontrollierte autoregressive autoregressive Systeme. Appl. Mathe. Modell. 37 (1213), 74897497 (2013) CrossRef MathSciNet Google Scholar Liu, Y. J. Sheng, J. Ding, R. F. Konvergenz des stochastischen Gradientenschätzalgorithmus für multivariable ARX-ähnliche Systeme. Berechnet. Mathe. Appl. 59 (8), 26152627 (2010) CrossRef MATH MathSciNet Google Scholar Ding, F. Yang, H. Z. Liu, F. Performanceanalyse stochastischer Gradientenalgorithmen unter schwachen Bedingungen. Sci China, Ser. F 51 (9), 12691280 (2008) CrossRef MATH MathSciNet Google Scholar Ding, F. Liu, X. P. Liu, G. Gradient basierte und kleinste Quadrate basierende iterative Identifikationsmethoden für OE - und OEMA-Systeme. Ziffer. Signalverarbeitung. 20 (3), 664677 (2010) CrossRef Google Scholar Liu, Y. J. Xiao, Y. S. Zhao, X. L. Mehrstufiger stochastischer Gradientenalgorithmus für mehrfache Ein-Ausgabe-Systeme mit dem Hilfsmodell. Appl. Mathe. Berechnet. 215 (4), 14771483 (2009) CrossRef MATH MathSciNet Google Scholar Liu, M. M. Xiao, Y. S. Ding, R. F. Iterativer Identifikationsalgorithmus für Wiener nichtlineare Systeme nach dem Newton-Verfahren. Appl. Mathe. Modell. 37 (9), 65846591 (2013) CrossRef MathSciNet Google Scholar Ding, F. Ma, J. X. Xiao, Y. S. Newton iterative Identifikation für eine Klasse von nichtlinearen Ausgangssystemen mit gleitenden mittleren Rauschen. Nichtlineare Dyn. 74 (12), 2130 (2013) CrossRef MathSciNet Google Scholar Li, J. H. Ding, R. Parameterschätzverfahren für nichtlineare Systeme. Appl. Mathe. Berechnet. 219 (9), 42784287 (2013) CrossRef MathSciNet Google Scholar Rashid, M. T. Frasca, M. Nichtlineare Modellidentifikation für die artemische Bevölkerungsbewegung. Nichtlineare Dyn. (2), 22372243 (2012) CrossRef MathSciNet Google Scholar Ding, F. Hierarchischer multinationaler stochastischer Gradientenalgorithmus für Hammerstein nichtlineare Systemmodellierung. Appl. Mathe. Modell. (4), 16941704 (2013) CrossRef MathSciNet Google Scholar Ding, F. Duan, H. H. Zweistufige Parameterschätzalgorithmen für Box-Jenkins-Systeme. IET Signalverarbeitung. 7 (8), 646654 (2013) CrossRef Google Scholar Ding, F. Liu, G. Liu, X. P. Teilgekoppelte stochastische Gradientenidentifikationsverfahren für ungleichförmig abgetastete Systeme. IEEE Trans. Autom. (1999) CrossRef MathSciNet Google Scholar Ding, F. Identifizierung von mehrfach veränderbaren Systemen mit gepaarten-kleinsten Quadraten. IET Steuerungstheorie Appl. 7 (1), 6879 (2013) CrossRef MathSciNet Google Scholar Ding, J. Fan, C. X. Lin, J. X. Auxiliary modellbasierte Parameterschätzung für Dual-Rate-Output-Fehlersysteme mit farbigem Rauschen. Appl. Mathe. Modell. 37 (6), 40514058 (2013) CrossRef MathSciNet Google Scholar Ding, F. Parameterschätzalgorithmen für dynamische Systeme mit kombinierten Zustands - und kleinsten Quadraten. Appl. Mathe. Modell. 37 (2013). Doi: 10.1016j. apm.2013.06.007 Li, J. H. Parameterschätzung für Hammerstein CARARMA-Systeme basierend auf der Newton-Iteration. Appl. Mathe. Lette. 26 (1), 9196 (2013) CrossRef MATH MathSciNet Google Scholar Ding, J. Ding, F. Liu, X. P. Liu, G. Hierarchische Kleinste-Quadrate-Identifikation für lineare SISO-Systeme mit Dual-Rate-Sampled-Daten. IEEE Trans. Autom. Kontrolle 56 (11), 26772683 (2011) CrossRef MathSciNet Google Scholar Wang, D. Q. Ding, R. Dong, X. Z. Iterative Parameterschätzung für eine Klasse von multivariablen Systemen basierend auf dem hierarchischen Identifikationsprinzip und der Gradientensuche. Schaltungen Syst. Signalverarbeitung. 31 (6), 21672177 (2012) CrossRef MathSciNet Google Scholar Ding, J. Ding, F. Bias-Kompensation basierte Parameterschätzung für Ausgabefehler beim Verschieben von Durchschnittssystemen. Int. J. Adapt. Steuersignalprozess. 25 (12), 11001111 (2011) CrossRef MATH Google Scholar Lopes dos Santos, P. Ramos, J. A. Martins de Carvalho, J. L. Identifizierung eines Benchmarks Wiener-Hammerstein: ein bilinearer und Hammerstein-bilinearer Modellansatz. Steuerung Eng. Praxis. 20 (11), 11561164 (2012) CrossRef Google Scholar Wang, D. Q. Ding, F. Hierarchischer Kleinste-Quadrate-Schätzalgorithmus für Hammerstein-Wiener Systeme. IEEE-Signalprozess. Lette. (2002) CrossRef Google Scholar Shi, Y. Fang, H. Kalman Filterbasierte Identifizierung für Systeme mit zufällig fehlenden Messungen in einer Netzwerkumgebung. Int. Robust gemischte H-2H-Infinity-Steuerung von vernetzten Steuerungssystemen mit zufälligen Zeitverzögerungen sowohl in der Vorwärts - als auch in der Rückwärtskommunikationsverbindung. Automatica 47 (4), 754760 (2011) CrossRef MATH MathSciNet Google Scholar Wang, D. Q. Chu, Y. Y. Yang, G. W. Ding, F. Zusätzliche modellbasierte rekursive verallgemeinerte Kleinste-Quadrate-Parameterschätzung für Hammerstein OEAR-Systeme. Mathe. Berechnet. Modell. (H. Lin, Y. Shi, Y.) Identifizierung von Hammerstein-Ausgangsfehlersystemen mit zwei Segment-Nichtlinearitäten: Algorithmus und Anwendungen. J. Control Intel. Syst 38 (4), 194201 (2010) MATH MathSciNet Google Scholar Ding, F. Liu, X. G. Chu, J. Gradient-basierte und kleinste Quadrate-basierte iterative Algorithmen für Hammerstein-Systeme mit dem hierarchischen Identifikationsprinzip. IET Steuerungstheorie Appl. 7 (2), 176184 (2013) CrossRef MathSciNet Google Scholar Ding, F. Zerlegungsbasierter Algorithmus für kleinste Fehlerquellen für Ausgabefehlersysteme. Signalverarbeitung. (1999) CrossRef Google Scholar Ding, F. Liu, Y. J. Bao, B. Gradientbasierte und auf kleinste Quadrate basierende iterative Schätzalgorithmen für Multi-Input-Multi-Output-Systeme. Proc. Inst. Mech. Eng. Teil I, J. Syst. Steuerung Eng. Eine iterative Methode zur Lösung der verallgemeinerten gekoppelten Sylvester-Matrixgleichungen über generalisierte, unsymmetrische Matrizen. Appl. Mathe. Modell. Analyse von einem iterativen Algorithmus zur Lösung der verallgemeinerten gekoppelten Sylvester-Matrix-Gleichungen. Appl. Mathe. Modell. 35 (7), 32853300 (2011) CrossRef MATH MathSciNet Google Scholar Ding, F. Zweistufige kleinste Quadrate basierte iterative Schätzalgorithmus für CARARMA-Systemmodellierung. Appl. Mathe. Modell. 37 (7), 47984808 (2013) CrossRef MathSciNet Google Scholar Wang, D. Q. Yang, G. W. Ding, R. F. Gradient-basierte iterative Parameterschätzung für Box-Jenkins-Systeme. Berechnet. Mathe. Appl. 60 (5), 12001208 (2010) CrossRef MATH MathSciNet Google Scholar Vrs, J. Parameteridentifizierung von Wiener-Systemen mit diskontinuierlichen Nichtlinearitäten. Syst Steuerung Lett. 44 (5), 363372 (2001) CrossRef MATH Google Scholar Wang, D. Q. Ding, F. Chu, Y. Y. Datenfilterung basierter rekursiver Kleinste-Quadrate-Algorithmus für Hammerstein-Systeme nach dem Key-Term-Trennprinzip. Inf. Sci 222 (10), 203212 (2013) CrossRef MathSciNet Google Scholar Li, J. H. Ding, F. Maximale Wahrscheinlichkeit stochastischer Gradientenschätzung für Hammerstein-Systeme mit farbigem Rauschen basierend auf dem Schlüsselbegriff Trennverfahren. Berechnet. Mathe. Appl. 62 (11), 41704177 (2011) CrossRef MATH MathSciNet Google Scholar Wang, Z. Y. Ji, Z. C. Datenfilterung basierte iterative Identifikationsverfahren für nichtlineare FIR-MA-Systeme. J. Vib. Kontrolle (2013). Doi: 10.11771077546313484048 Google Scholar Ding, F. Liu, X. P. Liu, G. Identifikationsmethoden für Hammerstein nichtlineare Systeme. Ziffer. Signalverarbeitung. 21 (2), 215238 (2011) CrossRef Google Scholar Copyright-Informationen Springer ScienceBusiness Media Dordrecht 2013 Autoren und Mitgliedsverbände Qianyan Shen 1 Feng Ding 1 2 E-Mail-Autor 1. Key Laboratorium für Advanced Process Control für Leichtindustrie (Ministerium für Bildung) Jiangnan Universität Wuxi PR China 2. Control Science and Engineering Forschungszentrum Jiangnan Universität Wuxi PR China Über dieses ArtikelDas autoregressive gleitende Durchschnittsmodell ist ein stationärer stochastischer Prozess, der die Summe betaky sumq alphagnu, wo der (unobservable) Prozess, der unabhängig identisch verteilten Zufallsvariablen besteht, erfüllt. Die Koeffizienten in dieser Gleichung und die Varianz von vt sind aus einer beobachteten Folge y1, cdots, yT zu schätzen. Um das Verfahren der maximalen Wahrscheinlichkeit unter Normalität anzuwenden, wird das Modell modifiziert (i) durch Einstellen von y0 y cdots y 0 und nu0 v cdots v 0 und alternativ (ii) durch Setzen von y0 equiv yT, cdots, y equiv y und v0 equiv vT, Cdots, v-Äquivalente führen zu Prozeduren im Zeitbereich und letztere zu Prozeduren im Frequenzbereich. Matrix-Methoden werden für eine einheitliche Entwicklung der Newton-Raphson und Scoring iterative Verfahren die meisten der Verfahren wurden zuvor durch verschiedene Methoden erhalten. Die Schätzung der Kovarianzen des gleitenden Mittelteils wird ebenfalls behandelt. Artikelinformationen Datumsangaben Zuerst verfügbar im Projekt Euclid: 12 April 2007 Permanenter Link zu diesem Dokument projecteuclid. orgeuclid. aos1176343942 Digitaler Objektidentifikator doi: 10.1214aos1176343942 Anderson, T. W. Schätzung für Autoregressive Moving Average Modelle im Zeit - und Frequenzbereich. Ann. Statist. 5 (1977), Nr. 5, 842 & ndash; 865. Doi: 10,1214aos1176343942. Projecteuclid. orgeuclid. aos1176343942. Ausfuhrzitat