Entradas não lineares autorregressivas em movimento média com exógenas

Dinâmica não-linear das estruturas de prefiguração: Aplicação da média móvel auto-regressiva não-linear com modelo de insumos exógenos para dados de Cluster D. D. Zhu, M. Balakin, M. Gedalin, H. Alleyne, S. A. Billings, Y. Hobara, V. Krsnosel039skikh, M. W. Dunlop e M. S. Ruderman As técnicas de identificação de processos não-lineares baseadas na média móvel auto-regressiva não-linear multi-entrada com modelo de insumos exógenos foram aplicadas a medidas de Cluster de quatro pontos para estudar processos não-lineares que ocorrem no foreshock terrestre. Mostra-se que ambos os processos quadráticos e cúbicos estão envolvidos na evolução das distorções, em particular no aumento da sua vantagem e geração de precursores de assobios. Os processos não-lineares não desempenham um papel essencial na dinâmica e propagação de pacotes de assobios de pequena amplitude. No entanto, para pacotes de ondas de grande amplitude, os processos cúbicos levam à modificação considerável da velocidade de propagação aparente. Ud u Editora: American Geophysical Union OAI identificador: oai: eprints. whiterose. ac. uk: 10685 RecomendaçõesAA (Departamento de Controle Automático e Engenharia de Sistemas, Universidade de Sheffield, Sheffield, Reino Unido), AB (Departamento de Controle Automático e Engenharia de Sistemas, Universidade de Sheffield, Sheffield, Reino Unido), AC (Departamento de Física, Ben Gurion University, Beer-Sheva, Israel), AD (Departamento de Controle Automático e Engenharia de Sistemas, Universidade de Sheffield, Sheffield, Reino Unido), AE (Departamento de Automação Engenharia de Controle e Sistemas, Universidade de Sheffield, Sheffield, Reino Unido), AF (Departamento de Controle Automático e Engenharia de Sistemas, Universidade de Sheffield, Sheffield, Reino Unido), AG (Le Laboratoire de Physique et Chimie de l'Energie, Centre National de Recherche Scientifique, Orleans, França), AH (Departamento de Ciência e Tecnologia Espacial, Laboratório Rutherford Appleton, Didcot, Reino Unido), AI (Departamento de Matemática Aplicada, Universidade de Sheffield, Sheffield, Reino Unido) Journal of Geophysical Researc H: Física espacial, volume 113, edição A4, CiteID A04221 (página inicial da JGRA) Física do plasma espacial: ondas de choque (4455), geofísica não linear: turbulência (3379, 4568, 7863), física do plasma espacial: fenômenos não-lineares (4400, 6944) Geofísica não-linear: ondas não-lineares, ondas de choque, solitons (0689, 2487, 3280, 3285, 4275, 6934, 7851, 7852), choques sem colisão, precoce, interações não-lineares, identificação do sistema, turbulência de plasma Copyright 2008 pela American Geophysical Union. As técnicas de identificação de processos não-lineares baseadas na média móvel auto-regressiva não-linear com entrada múltipla com modelo de insumos exógenos foram aplicadas a medidas de Cluster de quatro pontos para estudar processos não-lineares que ocorrem no foreshock terrestre. Mostra-se que ambos os processos quadráticos e cúbicos estão envolvidos na evolução das distorções, em particular no aumento da sua vantagem e geração de precursores de assobios. Os processos não-lineares não desempenham um papel essencial na dinâmica e propagação de pacotes de assobios de pequena amplitude. No entanto, para pacotes de onda de grande amplitude, os processos cúbicos levam à modificação considerável da velocidade de propagação aparente. Identificação do sistema não linear: Métodos NARMAX nos domínios Tempo, Freqüência e Spatio-Temporal Identificação do Sistema Não-Linear: Métodos NARMAX no Tempo, Freqüência, E Spatio-Temporal domina 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 automático linear não linear com taxa de entrada exógena). O algoritmo dos 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 generalizada 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 de sistemas sub harmônicos e severamente não-lineares Algoritmos Que podem acompanhar a variação rápida do tempo em sistemas lineares e 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 para demonst Classifique a facilidade com que os métodos podem ser aplicados na prática e para mostrar a visão que os algoritmos revelam mesmo para os 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 colecionaram 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 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 por blocos 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 do caso MIMO 49 2.12 Modelagem de ruído 49 2.13 Modelos espaciais temporais 52 3 Estrutura do modelo Detecção e Avaliação de Parâmetros 61 3.1 Introdução 61 3.2 O Estimador Ortogonal de Menos Esquemas e o Redução de Erro Na relação 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 som 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 Parâmetros Diferentes 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 Funcionalidades 105 4.1 Introdução 105 4.2 Seleção de Função 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 radiais de redes de funções 264 8.4 Redes wavelet 270 8.5 Modelos e redes de wavelet de múltiplas resoluções 277 9 Sistemas severamente não lineares 289 9.1 Introdução 289 9.2 Modelos NARMAX Wavelet 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 a caos 326 10 Identificação de modelos não lineares de tempo contínuo 337 10.1 Introdução 337 10.2 Método de invariação de núcleo 338 10.3 Usando o GFRFs para Reconstruir Modelos de Equação Integro-Diferenciais Não-Lineares Sem Diferenciação 352 11 Identificação do Sistema Variável e Não-Linear 371 11.1 Introdução 371 11.2 Algoritmos de estimação de parâmetros adaptativos 372 11.3 Rastreamento de variações de parâmetros rápidos usando Wavelets 376 11.4 Caracterização espectral dependente do tempo 378 11.5 Variação não-linear do tempo Estimativa do modelo 380 11.6 Mapeamento e rastreamento no domínio da freqüência 381 11.7 Uma abordagem da janela deslizante 388 12 Identificação de modelos automáticos e N-estado dos sistemas espaciais temporais 391 12.1 Introdução 391 12.2 Automaticos 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 Modelos 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 hemodinâmica cerebral 514 14.9 Identificação de efeitos de histerese em dispositivos de amortecimento de borracha de metal 522 14.10 Identificação Da Reação Belousov8211Zhabotinsky 528 14.11 Modelagem Dinâmica de Biopartas Sintéticas 534 14.12 Previsão de Marés Altas na Lagoa de Veneza 539