Iterative Schätzmethoden für Hammerstein kontrollierten autoregressive gleitende Durchschnittssysteme, die auf dem Schlüsseltrennungsprinzip basieren. Zitieren Sie diesen Artikel als: Shen, Q. Ding, F. Nichtlineare Dyn (2014) 75: 709. doi: 10.1007s11071-013-1097-z Dieses Papier betrachtet iterative Identifikationsprobleme für ein nichtlineares Hammerstein-System, das aus einem speicherlosen nichtlinearen Block besteht, gefolgt von einem linearen dynamischen Block. Die Schwierigkeit der Identifizierung ist, dass das Hammerstein nichtlineare System die Produkte der Parameter des nichtlinearen Teils und des linearen Teils enthält, was zur Unidentifizierbarkeit der Parameter führt. Um eindeutige Parameterschätzungen zu erhalten, geben wir die Ausgabe des Systems als lineare Kombination aller Systemparameter mittels des Key-Term-Trennungsprinzips aus und leiten einen gradientenbasierten iterativen Identifikationsalgorithmus ab, indem wir die unbekannten Variablen in den Informationsvektoren ersetzen Mit ihren Schätzungen. Die Simulationsergebnisse zeigen, dass der vorgeschlagene Algorithmus gut funktionieren kann. Iterative Algorithmen Parameterschätzung Rekursive Identifizierung Gradientensuche Hammerstein-System Schlüssel-Trennungsprinzip Referenzen Ding, F. SystemidentifikationNeue Theorie und Methoden. Science Press, Beijing (2013) Google Scholar Farjoud, A. Ahmadian, M. Nichtlineare Modellierung und experimentelle Charakterisierung von hydraulischen Dämpfern: Effekte von Shim Stack und Blendenparametern auf Dämpferleistung. Nichtlineare Dyn 67 (2), 14371456 (2012) CrossRef Google Scholar Shams, S. Sadr, M. H. Haddadpour, H. Eine effiziente Methode für nichtlineare Aeroelastien von schlanken Flügeln. Nichtlineare Dyn 67 (1), 659681 (2012) CrossRef MATH MathSciNet Google Scholar Li, J. H. Ding, F. Yang, G. W. Maximale Wahrscheinlichkeit der kleinsten Quadrate Identifikationsmethode für die Eingabe nichtlinearer endlicher Impulsantwort, die durchschnittliche Systeme bewegt. Mathe. Comput. Modell. 55 (34), 442450 (2012) CrossRef MATH MathSciNet Google Scholar Wang, W. Ding, F. Dai, J. J. Maximale Wahrscheinlichkeit der kleinsten Quadrate Identifikation für Systeme mit autoregressivem gleitendem Durchschnittsgeräusch Appl. Mathe. Modell. 36 (5), 18421853 (2012) CrossRef MATH MathSciNet Google Scholar Wang, S. J. Ding, R. Dreistufige rekursive kleinste Quadrate Parameterschätzung 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. Comput. Mathe. Appl. 59 (8), 26152627 (2010) CrossRef MATH MathSciNet Google Scholar Ding, F. Yang, H. Z. Liu, F. Leistungsanalyse von stochastischen Gradientenalgorithmen unter schwachen Bedingungen. Sci China, Ser. F 51 (9), 12691280 (2008) CrossRef MATH MathSciNet Google Scholar Ding, F. Liu, X. P. Liu, G. Gradientenbasierte und kleinste Quadrate basierte iterative Identifikationsmethoden für OE - und OEMA-Systeme. Ziffer. Signalprozess. 20 (3), 664677 (2010) CrossRef Google Scholar Liu, Y. J. Xiao, Y. S. Zhao, X. L. Multi-innovation stochastischer Gradientenalgorithmus für Mehrfach-Single-Output-Systeme mit dem Hilfsmodell. Appl. Mathe. Comput. 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 Systemen mit gleitenden durchschnittlichen Geräuschen. Nichtlineare Dyn 74 (12), 2130 (2013) CrossRef MathSciNet Google Scholar Li, J. H. Ding, R. Parameter-Schätzmethoden für nichtlineare Systeme. Appl. Mathe. Comput. 219 (9), 42784287 (2013) CrossRef MathSciNet Google Scholar Rashid, M. T. Frasca, M. Nichtlineare Modellidentifikation für artemia Bevölkerungsbewegung. Nichtlineare Dyn 69 (4), 22372243 (2012) CrossRef MathSciNet Google Scholar Ding, F. Hierarchischer multifunktionaler stochastischer Gradientenalgorithmus für Hammerstein nichtlineare Systemmodellierung. Appl. Mathe. Modell. 37 (4), 16941704 (2013) CrossRef MathSciNet Google Scholar Ding, F. Duan, H. H. Zweistufige Parameterschätzalgorithmen für Box-Jenkins-Systeme. IET Signalprozess. 7 (8), 646654 (2013) CrossRef Google Scholar Ding, F. Liu, G. Liu, X. P. Teilweise gekoppelte stochastische Gradientenidentifikationsverfahren für ungleichförmig abgetastete Systeme. IEEE Trans. Autom. Control 55 (8), 19761981 (2010) CrossRef MathSciNet Google Scholar Ding, F. Coupled-kleinste Quadrate Identifikation für multivariable Systeme. IET Kontrolle Theorie Appl. 7 (1), 6879 (2013) CrossRef MathSciNet Google Scholar Ding, J. Fan, C. X. Lin, J. X. Auxiliary Modell basierte Parameterschätzung für Dual-Rate-Output-Fehlersysteme mit farbigem Rauschen. Appl. Mathe. Modell. 37 (6), 40514058 (2013) CrossRef MathSciNet Google Scholar Ding, F. Kombinierte und kleinste Quadrate Parameterschätzalgorithmen für dynamische Systeme. 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 Identifizierung für lineare SISO-Systeme mit Dual-Rate-Sampling-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. Signalprozess. 31 (6), 21672177 (2012) CrossRef MathSciNet Google Scholar Ding, J. Ding, F. Bias kompensationsbasierte Parameterschätzung für Ausgabefehler bewegte durchschnittliche Systeme. 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. Praktisch 20 (11), 11561164 (2012) CrossRef Google Scholar Wang, D. Q. Ding, F. Hierarchischer Minimalquadrat-Schätzalgorithmus für Hammerstein-Wiener Systeme. IEEE Signalprozess. Lette. 19 (12), 825828 (2012) CrossRef Google Scholar Shi, Y. Fang, H. Kalman Filter basierte Identifikation für Systeme mit zufällig fehlenden Messungen in einer Netzwerkumgebung. Int. J. Control 83 (3), 538551 (2010) CrossRef MATH MathSciNet Google Scholar Shi, Y. Yu, B. Robuste gemischte H-2H-Infinity-Steuerung von vernetzten Steuerungssystemen mit zufälligen Zeitverzögerungen sowohl bei Vorwärts - als auch Rückwärts-Kommunikationsverbindungen. Automatica 47 (4), 754760 (2011) CrossRef MATH MathSciNet Google Scholar Wang, D. Q. Chu, Y. Y. Yang, G. W. Ding, F. Hilfsmodellbasierte rekursive verallgemeinerte kleinste Quadrate-Parameterschätzung für Hammerstein OEAR-Systeme. Mathe. Comput. Modell. 52 (12), 309317 (2010) CrossRef MATH MathSciNet Google Scholar Yu, B. Fang, H. Lin, Y. Shi, Y. Identifizierung von Hammerstein Output-Fehlersystemen mit Zwei-Segment-Nichtlinearitäten: Algorithmus und Anwendungen. J. Kontrolle Intel. Syst 38 (4), 194201 (2010) MATH MathSciNet Google Scholar Ding, F. Liu, X. G. Chu, J. Gradient-basierte und am wenigsten Quadrate basierende iterative Algorithmen für Hammerstein-Systeme mit dem hierarchischen Identifikations-Prinzip. IET Kontrolle Theorie Appl. 7 (2), 176184 (2013) CrossRef MathSciNet Google Scholar Ding, F. Zerlegungsbasierter Fast-Quad-Quadrate-Algorithmus für Output-Fehlersysteme. Signalprozess. 93 (5), 12351242 (2013) CrossRef Google Scholar Ding, F. Liu, Y. J. Bao, B. Gradientenbasierte und kleinste Quadrate basierte iterative Schätzalgorithmen für Multi-Input-Multiplex-Systeme. Proc. Inst. Mech Eng. Teil I, J. Syst. Steuerung Eng. 226 (1), 4355 (2012) CrossRef Google Scholar Dehghan, M. Hajarian, M. Eine iterative Methode zur Lösung der verallgemeinerten gekoppelten Sylvester-Matrixgleichungen über verallgemeinerte bisymmetrische Matrizen. Appl. Mathe. Modell. 34 (3), 639654 (2010) CrossRef MATH MathSciNet Google Scholar Dehghan, M. Hajarian, M. Analyse eines iterativen Algorithmus zur Lösung der generalisierten gekoppelten Sylvester-Matrixgleichungen. Appl. Mathe. Modell. 35 (7), 32853300 (2011) CrossRef MATH MathSciNet Google Scholar Ding, F. Zweistufiger, kleinste Quadrate basierter iterativer Schätzalgorithmus für die CARARMA-Systemmodellierung. Appl. Mathe. Modell. 37 (7), 47984808 (2013) CrossRef MathSciNet Google Scholar Wang, D. Q. Yang, G. W. Ding, R. F. Gradientenbasierte iterative Parameterschätzung für Box-Jenkins-Systeme. Comput. Mathe. Appl. 60 (5), 12001208 (2010) CrossRef MATH MathSciNet Google Scholar Vrs, J. Parameteridentifikation von Wiener Systemen mit diskontinuierlichen Nichtlinearitäten. Syst Kontrolle Lett. 44 (5), 363372 (2001) CrossRef MATH Google Scholar Wang, D. Q. Ding, F. Chu, Y. Y. Datenfilterung basierter rekursiver Quadraten-Algorithmus für Hammerstein-Systeme nach dem Key-Term-Trennungsprinzip. Inf. Sci 222 (10), 203212 (2013) CrossRef MathSciNet Google Scholar Li, J. H. Ding, F. Maximale Wahrscheinlichkeit stochastische Gradientenschätzung für Hammerstein-Systeme mit farbigem Rauschen basierend auf der Schlüsselbegriff-Technik. Comput. Mathe. Appl. 62 (11), 41704177 (2011) CrossRef MATH MathSciNet Google Scholar Wang, Z. Y. Ji, Z. C. Datenfilterung basierte iterative Identifikationsmethoden 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. Signalprozess. 21 (2), 215238 (2011) CrossRef Google Scholar Copyright Informationen Springer ScienceBusiness Media Dordrecht 2013 Autoren und Mitgliedschaften Qianyan Shen 1 Feng Ding 1 2 E-Mail Autor 1. Key Laboratory Advanced Process Control für leichte Industrie (Ministerium für Bildung) Jiangnan University Wuxi PR China 2. Control Science und Engineering Research Center Jiangnan University Wuxi PR China Über diesen Artikel8.4 Verschieben von durchschnittlichen Modellen Anstatt die bisherigen Werte der Prognosevariablen in einer Regression zu verwenden, verwendet ein gleitendes Durchschnittsmodell vergangene Prognosefehler in einem regressionsähnlichen Modell . Y c et theta e theta e dots theta e, wo et ist weißes Rauschen. Wir bezeichnen dies als MA (q) Modell. Natürlich beobachten wir nicht die Werte von et, also ist es nicht wirklich Regression im üblichen Sinne. Beachten Sie, dass jeder Wert von yt als ein gewichteter gleitender Durchschnitt der letzten Prognosefehler gedacht werden kann. Allerdings sollten die gleitenden durchschnittlichen Modelle nicht mit der gleitenden durchschnittlichen Glättung verwechselt werden, die wir in Kapitel 6 besprochen haben. Ein gleitendes Durchschnittsmodell wird für die Prognose zukünftiger Werte verwendet, während die durchschnittliche Glättung für die Schätzung des Trendzyklus vergangener Werte verwendet wird. Abbildung 8.6: Zwei Beispiele von Daten aus bewegten Durchschnittsmodellen mit unterschiedlichen Parametern. Links: MA (1) mit y t 20e t 0.8e t-1. Rechts: MA (2) mit y t e t - e t-1 0.8e t-2. In beiden Fällen ist e t normal verteilt weißes Rauschen mit mittlerem Null und Varianz eins. Abbildung 8.6 zeigt einige Daten aus einem MA (1) Modell und einem MA (2) Modell. Das Ändern der Parameter theta1, punkte, thetaq führt zu unterschiedlichen zeitreihenmustern. Wie bei autoregressiven Modellen wird die Varianz des Fehlerbegriffs nur den Maßstab der Serie ändern, nicht die Muster. Es ist möglich, jedes stationäre AR (p) Modell als MA (Infty) Modell zu schreiben. Zum Beispiel können wir mit wiederholter Substitution dies für ein AR (1) - Modell nachweisen: begin yt amp phi1y et amp phi1 (phi1y e) et amp phi12y phi1 e et amph phi13y phi12e phi1 e et amptext endgesetzt -1 lt phi1 lt 1, der Wert von phi1k wird kleiner, wenn k größer wird. So erhalten wir schließlich yt et phi1 e phi12 e phi13 e cdots, ein MA (infty) Prozess. Das umgekehrte Ergebnis gilt, wenn wir den MA-Parametern einige Einschränkungen auferlegen. Dann heißt das MA-Modell invertierbar. Das heißt, dass wir einen invertierbaren MA (q) Prozess als AR (Infty) Prozess schreiben können. Invertible Modelle sind nicht einfach, damit wir von MA Modellen in AR Modelle umwandeln können. Sie haben auch einige mathematische Eigenschaften, die sie in der Praxis leichter machen können. Die Invertierbarkeitsbeschränkungen ähneln den stationären Einschränkungen. Für ein MA (1) Modell: -1lttheta1lt1. Für ein MA (2) Modell: -1ltθ2lt1, theta2theta1 gt-1, theta1 - θ2 lt 1. Kompliziertere Bedingungen gelten für qge3. Wiederum wird R diese Einschränkungen bei der Schätzung der Modelle berücksichtigen. Ein neuer Algorithmus für die ARMA-Modellparameter-Schätzung unter Verwendung der Gruppenmethode der Datenverarbeitung. Einer der erfolgreichsten suboptimalen Autokorrelationsansätze ist die modifizierte Yule Walker (MYW) - Methode. Bei diesem Ansatz werden zunächst die AR-Koeffizienten berechnet, worauf dann die Bestimmung der MA-Koeffizienten 2, 3, 5, 15, 16, 21 folgt. Autokorrelation, Kovarianz und kleinste Quadrate gehören zu den bekannten Methoden der Berechnung des AR Koeffizienten Abstracts Ausblenden Abstract ABSTRACT: Ein neuer Ansatz zur Bestimmung der Koeffizienten eines komplexwertigen autoregressiven (CAR) und komplexwertigen autoregressiven gleitenden gleitenden (CARMA) Modellkoeffizienten unter Verwendung einer komplexwertigen neuronalen Netzwerktechnik (CVNN) wird in diesem Papier diskutiert . Die CAR - und komplexwertigen gleitenden Mittelwerte (CMA) - Koeffizienten, die ein CARMA-Modell darstellen, werden gleichzeitig aus den adaptiven Gewichten und Koeffizienten der linearen Aktivierungsfunktionen in einem zweischichtigen CVNN berechnet. Die Durchführung der vorgeschlagenen Technik wurde mit simulierten komplexwertigen Daten (CVD) mit drei verschiedenen Arten von Aktivierungsfunktionen ausgewertet. Die Ergebnisse zeigen, dass die vorgeschlagene Methode die Modellkoeffizienten genau bestimmen kann, vorausgesetzt, dass das Netzwerk ordnungsgemäß trainiert wird. Darüber hinaus führt die Anwendung der entwickelten CVNN-basierten Technik für die MRI-K-Raum-Rekonstruktion zu Bildern mit verbesserter Auflösung. Volltext Artikel Jun 2010 A. M. Aibinu M. J. E. Salami A. A. Shafie quotDie ARMA modelx27s Popularität kann auf die relative Leichtigkeit zurückgeführt werden, mit der die Dynamik der physiologischen Systeme vorgestellt werden kann, wobei entweder Transfer-Funktionsanalyse oder Impulsantwortfunktionen (IRF) aus einem ARMA-Modell abgeleitet werden. Von den formalen Ordnungsschätzmethoden sind vielleicht die am häufigsten bekannten Akaike-Informationskriterien (AIC) und der endgültige Vorhersagefehler (FPE), die beide von Akaike 2 eingeführt wurden, und die MDL-Methode (MDL) von Rissanen 3 10. Die Hauptidee des GMDH besteht darin, dass der Algorithmus ein Modell mit optimaler Komplexität konstruiert, das nur auf den Daten basiert, wobei nur die Kandidatenbegriffe, die den gegebenen Daten am besten entsprechen, beibehalten werden. Auszug ausblenden Ausblenden ABSTRAKT: Ein linearer und nichtlinearer autoregressiver (AR) gleitender Durchschnitt (MA) (ARMA) Identifikationsalgorithmus wird für die Modellierung von Zeitreihendaten entwickelt. Der neue Algorithmus basiert auf den Konzepten der affinen Geometrie, bei der das markante Merkmal des Algorithmus die linear abhängigen ARMA-Vektoren aus dem Pool von Kandidaten-ARMA-Vektoren entfernen soll. Für geräuschlose Zeitreihendaten mit a priori fehlerhafter Modellreihenfolge zeigen Computersimulationen, dass mit dem neuen Algorithmus genaue lineare und nichtlineare ARMA-Modellparameter erhalten werden können. Viele Algorithmen, einschließlich des Fast Orthogonal Search (FOS) Algorithmus, sind nicht in der Lage, korrekte Parameterschätzungen in jedem Fall auch bei geräuschlosen Zeitreihendaten zu erhalten, da ihre Modellreihenfolgekriterien suboptimal sind. Für Daten, die mit Lärm verunreinigt sind, zeigen Computersimulationen, dass der neue Algorithmus besser als der FOS-Algorithmus für MA-Prozesse und ähnlich dem FOS-Algorithmus für ARMA-Prozesse arbeitet. Allerdings ist die Rechenzeit, um die Parameterschätzungen mit dem neuen Algorithmus zu erhalten, schneller als bei FOS. Die Anwendung des neuen Algorithmus auf experimentell gewonnene Nierenblutfluss - und Druckdaten zeigt, dass der neue Algorithmus zuverlässig ist, um physiologisch verständliche Übertragungsfunktionsbeziehungen zwischen Blutdruck und Strömungssignalen zu erhalten. Artikel Nov 2001 Sheng Lu Ki Hwan Ju Ki H. Chon Show abstrakt Ausblenden abstrakt ABSTRAKT: Die Methode der kleinsten Quadrate (LS) und insgesamt mindestens Quadrate (TLS) sind zwei Methoden weit verbreitet in der Anwendung von Best-Fit-Kurve verwendet, aber sie Im Allgemeinen voreingenommene Ergebnisse vor allem, wenn die Struktur nichtlinear ist. Um die inhärenten Einschränkungen beider LS - und TLS-Methoden zu überwinden, stellen wir eine neue Methode vor, die auf der Minimierung der Hypersurface-Distanz basiert. Computer-Simulationsbeispiele zeigen, dass die vorgeschlagene neue Methode genauere Parameterschätzungen erreicht als die LS und TLS. Konferenzpapier Feb 2002 S Lu K. H. ChonA-Methode für autoregressiv-gleitende durchschnittliche Schätzung Das betrachtete Problem ist das Schätzen eines autoregressiv-gleitenden Durchschnittssystems, einschließlich der Schätzung der Grade der autoregressiven und gleitenden durchschnittlichen Lagoperatoren. Die grundlegende Methode ist die von Hannan amp Rissanen (1982) eingeführt. Allerdings kann diese Methode manchmal die Grade überschätzen und Modifikationen werden hier eingeführt, um dies zu korrigieren. Das Problem ist selbst durch die Verwendung einer langen Autoregression, der Ordnung c log T, wenn T groß ist, in der ersten Stufe des Prozesses. Die Wirkung davon wird untersucht und insbesondere auf die Geschwindigkeit der Konvergenz der Schätzungen. 1984 Biometrika Trust Sie haben derzeit keinen Zugriff auf diesen Artikel. Dont bereits ein Oxford Academic Account Registrieren Sie konnten nicht angemeldet werden. Bitte überprüfen Sie Ihre E-Mail-Adresse Benutzername und Passwort und versuchen Sie es erneut. Oxford Akademisches Konto E-Mail Adresse Benutzername E-Mail Adresse Benutzername Die meisten Benutzer sollten sich mit ihrer E-Mail Adresse anmelden. Wenn Sie sich ursprünglich bei einem Benutzernamen registriert haben, benutzen Sie bitte diese Anmeldung.
No comments:
Post a Comment