Vektor Autoregressive Gleitende Durchschnitt Mit Exogenen Eingaben

Ein Hybrid von nichtlinearen autoregressiven Modell mit exogenen Input und autoregressiven gleitenden durchschnittlichen Modell für langfristige Maschinenzustand Vorhersage. Hong Thom Pham. Van Tung Tran. Schule der Maschinenbau, Pukyong National University, San 100, Yongdang-Dong, Nam-gu, Busan 608-739, South Korea. Available online 15. Oktober 2009.Dieses Papier präsentiert eine Verbesserung der Hybrid von nichtlinearen autoregressiven mit exogenen Eingang NARX-Modell und autoregressive gleitenden durchschnittlichen ARMA-Modell für langfristige Maschinenzustand Vorhersage auf der Grundlage von Schwingungsdaten In dieser Studie, Vibrationsdaten werden als Kombination von zwei Komponenten betrachtet, die deterministische Daten und Fehler sind. Die deterministische Komponente kann den Verschlechterungsindex der Maschine beschreiben, während die Fehlerkomponente das Auftreten unsicherer Teile darstellen kann. Ein verbessertes Hybridprognosemodell, nämlich das NARX ARMA-Modell, ist Durchgeführt, um die Prognoseergebnisse zu erhalten, in denen das NARX-Netzmodell, das für nichtlineares Problem geeignet ist, zur Vorhersage verwendet wird Ast die deterministische Komponente und das ARMA-Modell werden verwendet, um die Fehlerkomponente aufgrund der geeigneten Fähigkeit in der linearen Vorhersage vorherzusagen. Die endgültigen Prognoseergebnisse sind die Summe der Ergebnisse, die aus diesen einzelnen Modellen erhalten werden. Die Leistung des NARX ARMA-Modells wird dann unter Verwendung der Daten ausgewertet Des aus der Zustandsüberwachungsroutine erworbenen Niedrigmethan-Kompressors Um die Fortschritte der vorgeschlagenen Methode zu bestätigen, wird auch eine vergleichende Untersuchung der Prognoseergebnisse aus dem NARX ARMA-Modell und den traditionellen Modellen durchgeführt. Die Vergleichsergebnisse zeigen, dass das NARX ARMA-Modell hervorragend ist und Könnte als ein potentielles Werkzeug verwendet werden, um die staatliche Prognose zu mischen. Autoregressive gleitenden Durchschnitt ARMA. Nonlinear autoregressiv mit exogenen Input NARX. Long-Term Vorhersage. Machine State Prognose. Fig 1 Abb. 2 Abb. 3 Abb. 4.Tabelle 1 Abb. 5 Abb. 6 Abb. 7 Abb. 8 Abb. 9 Abb. 10.Tabelle 2 Abb. 11 Abb. 12.Tabelle 3 Abb. 13 Abb. 14. Entsprechender Autor Tel 82 51 629 6152 Fax 82 51 629 6150.Zeitserie Es Modellierung Fähigkeiten in Econometrics Toolbox sind entworfen, um Merkmale zu erfassen, die häufig mit finanziellen und ökonometrischen Daten verbunden sind, einschließlich Daten mit fetten Schwänzen, Volatilität Clustering und Hebelwirkungseffekte. Unterstützten bedingten mittleren Modelle gehören. Autoregressive gleitenden Durchschnitt ARMA. Autoregressive gleitenden Durchschnitt mit exogenen Eingaben ARMAX. Autoregressive integrierte gleitende durchschnittliche ARIMA mit exogenen Inputs ARIMAX. Regression mit ARIMA Fehler Begriffe. Unterstützte bedingte Varianz Modelle gehören. Generalisiert autoregressive bedingte hetreroscedasticity GARCH. Glosten-Jagannathan-Runkle GJR. Exponential GARCH EGARCH. With Econometrics Toolbox können Sie auswählen und testen Modelle Durch die Angabe einer Modellstruktur, die Identifizierung der Modellreihenfolge, die Schätzung von Parametern und die Bewertung von Resten Eine Vielzahl von Vor - und Nachschätzungsdiagnosen und Tests unterstützen diese Analysen, einschließlich. Likelihood Ratio, Wald - und Lagrange-Multiplikator-Tests für Modellspezifikation Bayesischen informa Kriterien für die Modellreihenfolge. Engle s Test auf das Vorhandensein von ARCH GARCH-Effekten. Sample Autokorrelation, Kreuz-Korrelation und partielle Autokorrelation Funktionen. Ljung-Box Q Portmanteau-Test für Autokorrelation. Dickey-Fuller und Phillips-Perron Einheit Wurzeltests. KPSS und Leybourne-McCabe Stationarity Tests. Engle-Granger und Johansen Tests für cointegration. Variance Ratio-Test für zufällige Walks. Structural Change Erkennung Chowtest Cusumtest und Recreg-Funktionen. Robust Regression Schätzer HAC und FGLS. Testing von NASDAQ Composite Index Preis-Serie und Rückkehr links Für Autokorrelation und partielle Autokorrelation Die rohe Rendite-Reihe hat keine Korrelation oben rechts, und Korrelation ist in der quadratischen Rückkehr unten rechts p Daten-Kipp-Lichtbox vorhanden. Testing von NASDAQ Composite Index Preis-Serie und Rückkehr links für Autokorrelation und teilweise Autokorrelation Die rohe Rückkehr-Serie hat keine Korrelation oben rechts, und Korrelation ist in der quadratischen Rückkehr vorhanden Unten rechts. Bayesian Linear Regression. Ein Standard, häufiger Ansatz für mehrere lineare Regressionsmodelle behandelt in der Regel die Regressionskoeffizienten als fixe, aber unbekannte Mengen und Modellstörungen als zufällige Variablen Ein Bayesian Ansatz behandelt sowohl die Koeffizienten und Störungen als zufällige Variablen, so dass die Koeffizienten zu Ändern, wie neue Beobachtungen verfügbar werden Econometrics Toolbox bietet Funktionen zur Schätzung und Simulation von Bayes'schen linearen Regressionsmodellen, einschließlich der Bayesischen Lasso-Regression Sie können ein Modellobjekt erstellen, das Ihre bisherigen Annahmen über die gemeinsame Verteilung der Regressionskoeffizienten und die Störungsvarianz am besten beschreibt Modell und Daten können Sie die Eigenschaften der hinteren Verteilungen abschätzen, von den hinteren Verteilungen simulieren oder die Reaktionen mit der prädiktiven posterioren Verteilung prognostizieren. Ein robustes Bayes-lineares Regressionsmodell auf Daten mit Ausreißern p Daten-Umschalten lightbox. Econometrics Toolbox bietet Funktionen zur Modellierung zeitinvarianter oder zeitveränderlicher, linearer Gaußscher Zustandsraummodelle Sie können Zustandsraummodelle mit bekannten Parameterwerten erstellen, Monte-Carlo-Simulationen durchführen und Prognosen aus dem Modell erzeugen Für Modelle mit unbekannten Parameterwerten, Sie können die Parameterschätzung aus den vollständigen Datensätzen oder aus Datensätzen mit fehlenden Daten mit dem Kalman-Filter durchführen. Erweiterung des Diebold-Li-Modells, einschließlich der Schätzung der Parameter des Modells mit einem Kalman-Filter mit dem ssm-Modell p-Daten-Umschalten lightbox. Implementierung der Diebold-Li-Modell, einschließlich der Schätzung der Parameter des Modells mit einem Kalman-Filter mit dem ssm-Modell. Econometrics Toolbox hat einen kompletten Satz von Werkzeugen für den Aufbau auf zeitvariablen Volatilitätsmodellen Die Toolbox unterstützt mehrere Varianten von univariaten GARCH-Modellen, einschließlich Standard ARCH GARCH Modelle sowie asymmetrische EGARCH - und GJR-Modelle zur Erfassung von Leverage-Effekten in Asset-Renditen Die Toolbox unterstützt auch t Er simuliert stochastische Volatilitätsmodelle. Modell das Marktrisiko eines hypothetischen globalen Aktienindex-Portfolios mit Monte-Carlo-Simulation. Stimulierung des Marktrisikos durch Bootstrapping und gefilterte historische Simulationstechnik Plots zeigen gefilterte Residuen und Volatilität der Portfolio-Renditen von einem AR 1 EGARCH 1,1 Modell rechts oben, das simulierte Portfolio kehrt über einen einmonatigen Horizont zurück und die Wahrscheinlichkeitsverteilung Funktion unten rechts. Wählen Sie Ihr Land. Wählen Sie Ihr Land, um übersetzte Inhalte zu erhalten, wo verfügbar und sehen Sie lokale Veranstaltungen und Angebote Basierend auf Ihrem Standort, empfehlen wir Ihnen Dass Sie select. You können auch einen Ort aus der folgenden Liste. Asia Pacific. Explore Produkte. Learn to Use. Get Support. About MathWorks. Accelerating das Tempo der Ingenieur-und Science. MathWorks ist der führende Entwickler von mathematischen Computing-Software für Ingenieure Und scientists. c ist ein konstanter Vektor von Offsets, mit n elements. i sind n - by-n Matrizen für jedes i Die i sind aut Oregressive Matrizen Es gibt p autoregressive Matrizen, und manche können ganz aus Nullen zusammengesetzt sein. Es ist ein Vektor von seriell unkorrelierten Innovationen, Vektoren der Länge n Die t sind multivariate normale zufällige Vektoren mit einer Kovarianzmatrix. j sind n-durch-Matrizen Für jeden j Die j sind gleitende mittlere Matrizen Es gibt q gleitende durchschnittliche Matrizen, und einige können vollständig aus nullen zusammengesetzt sein. Es ist ein konstanter Vektor linearer Trendtrennkoeffizienten, mit n elements. xt ist ein r - by-1-Vektor, der exogen ist Begriffe zu jedem Zeitpunkt tr ist die Anzahl der exogenen Serien Exogene Begriffe sind Daten oder andere ungemusterte Eingaben zusätzlich zu der Antwortzeitreihe yt Jede exogene Reihe erscheint in allen Antwortgleichungen. Generisch sind die Zeitreihen yt und xt beobachtbar Mit anderen Worten, Wenn Sie Daten haben, stellt es eine oder beide dieser Serien dar. Sie wissen nicht immer den Offset c Trend Koeffizienten Koeffizienten autoregressive Matrizen i und gleitende durchschnittliche Matrizen j Sie wollen in der Regel t passen Hese Parameter zu Ihren Daten Schätzung für Möglichkeiten zur Erkennung unbekannter Parameter Die Innovationen t sind nicht sichtbar, zumindest in Daten, obwohl sie in Simulationen beobachtbar sind. Econometrics Toolbox unterstützt die Erstellung und Analyse des VAR p-Modells mit Varm und zugehörigen Methoden. Lag Operator Representation. Es gibt eine äquivalente Darstellung der linearen autoregressiven Gleichungen in Bezug auf die Lagoperatoren Der Lagoperator L verschiebt den Zeitindex um einen L ytyt 1 Der Operator L m verschiebt den Zeitindex zurück um m L mytyt m. In Lag-Operator-Formular wird die Gleichung für ein SVARMAX pq-Modell. 0 i 1 p i L i y t c x t 0 j 1 q j L j t. Diese Gleichung kann wie folgt geschrieben werden. Wählen Sie Ihr Land aus.