الانحدار الحركة المتوسط - خارجية المنشأ

أرماكس النمذجة أرماكس هو في الأساس نموذج الانحدار الخطي الذي يستخدم نموذج أرما ط نوع لبقايا. يجب أن تكون السلاسل الزمنية للمدخلات والمتغيرات الخارجية إما ثابتة أو مركزة. معالج أرماكس النموذجي في نومكسل بأتمتة خطوات بناء نموذج: التخمين المعلمات الأولية، التحقق من صحة المعلمات، والخير من اختبار مناسبا، والتشخيص المتبقية. لاستخدام هذه الوظيفة، حدد خلية فارغة في ورقة العمل الخاصة بك وتحديد موقع رمز أرماكس على شريط الأدوات (أو عنصر القائمة): ينبثق معالج نموذج نومكسل أرماكس. بشكل افتراضي، يتم تعيين الإخراج للإشارة إلى الخلايا النشطة في ورقة العمل. بعد ذلك، حدد أو أشر إلى نطاق الخلايا حيث تقوم بتخزين نموذج بيانات الإدخال (التابع) والمتغيرات الخارجية (التفسيرية) في ورقة العمل الخاصة بك. بمجرد تحديد بيانات الإدخال، يتم تمكين علامات التبويب النموذج والخيارات. انقر على علامة التبويب النموذج الآن. بالنسبة إلى أرماكس، سنحتفظ بمربع الاختيار الموسمية بدون تحديد وتعيين أمر التكامل غير الموسمية إلى الصفر (افتراضي). حدد الترتيب المقابل لنموذج المكون التلقائي ريجرسيف (أر) وترتيب نموذج المكون المتوسط ​​المتحرك. الآن، انقر على علامة التبويب خيارات. في علامة التبويب هذه، يمكننا إرشاد "معالج النموذج" ما إذا كان سيتم إنشاء الخير من جداول التشخيص المناسب والباقي. ويمكننا أيضا تحديد كيفية تهيئة قيم معلمات النماذج، إما مع تخمين سريع أو معايرة القيم المثلى. ملاحظة: افتراضيا، معالج نموذج يولد تخمين سريع من قيم المعلمات النماذج، ولكن قد يختار المستخدم لإنشاء قيم معايرة لمعاملات النماذج. عند الانتهاء، تقوم الدالة النمذجة أرماكس بإخراج معلمات النماذج المحددة وعمليات الاختبار المحددة في الموقع المحدد لورقة العمل. ويضيف معالج أرماكس نوع إكسيل من التعليقات (رؤوس الأسهم الحمراء) إلى خلايا التسمية لوصفها. هجينة نموذج الانحدار الذاتي غير الخطية مع نموذج المدخلات الخارجية والانحدار الذاتي المتوسط ​​المتحرك للتنبؤ بحالة الماكينة على المدى الطويل تقدم هذه الورقة تحسنا في الهجين من الانحدار الذاتي غير الخطية مع نموذج المدخلات الخارجية (ناركس) ونموذج الانحدار الذاتي الانحداري (أرما) للتنبؤ بحالة الماكينة على المدى الطويل استنادا إلى بيانات الاهتزاز. في هذه الدراسة، تعتبر بيانات الاهتزاز مزيج من مكونين هما بيانات حتمية وخطأ. وقد يصف المكون الحاسم مؤشر انحطاط الماكينة، بينما يمكن لمكون الخطأ أن يصور ظهور أجزاء غير مؤكدة. ويتم إجراء نموذج محسن للتنبؤ الهجين، وهو نموذج نارسنداشارما، للحصول على نتائج التنبؤ التي يستخدم فيها نموذج الشبكة ناركس الذي هو مناسب للقضية غير الخطية للتنبؤ بالمكون الحتمي ويستخدم نموذج أرما للتنبؤ بمكون الخطأ بسبب القدرة المناسبة في التنبؤ الخطي. نتائج التنبؤ النهائية هي مجموع النتائج التي تم الحصول عليها من هذه النماذج واحدة. ثم يتم تقييم أداء نموذج ناركسندشارما باستخدام البيانات من ضاغط الميثان المنخفض المكتسبة من روتين مراقبة الحالة. ومن أجل دعم التقدم المحرز في الطريقة المقترحة، يتم أيضا إجراء دراسة مقارنة لنتائج التنبؤ التي تم الحصول عليها من نموذج نارسنداشارما والنماذج التقليدية. وتبين النتائج المقارنة أن نموذج نارسنداشارما رائع ويمكن استخدامه كأداة محتملة للتنبؤ بحالة الماكينة. المتوسط ​​المتحرك للإنحدار الذاتي (أرما) الانحدار الذاتي غير الخطي مع المدخلات الخارجية (ناركس) التنبؤ على المدى الطويل آلة التنبؤ الدولة المؤلف المقابلة. الهاتف. 82 51 629 6152 فاكس: 82 51 629 6150. كوبيرايت كوبي 2009 إلزيفير Ltd. جميع الحقوق محفوظة. يتم استخدام ملفات تعريف الارتباط بواسطة هذا الموقع. لمزيد من المعلومات، يرجى زيارة صفحة ملفات تعريف الارتباط. حقوق الطبع والنشر 2017 إلزيفير B. V. أو المرخصين أو المساهمين. سسينسديركت هي علامة تجارية مسجلة لشركة إلزيفير B. V.Documentation a هو ناقلات ثابتة من إزاحة، مع العناصر ن. أنا مصفوفات n-بي-n لكل i. و A ط مصفوفات الانحدار الذاتي. هناك مصفوفات الانحدار الذاتي. 949 t هو متجه للابتكارات غير المترابطة بشكل متسلسل. ناقلات طول n. و 949 t المتجهات العشوائية العادية متعددة المتغيرات مع مصفوفة التباين Q. حيث Q هي مصفوفة هوية، ما لم يذكر خلاف ذلك. B j هي مصفوفات n لكل مصفوفة لكل j. و B j تتحرك متوسط ​​المصفوفات. هناك ف المصفوفات المتحركة تتحرك. X t عبارة عن مصفوفة n-بي-r تمثل مصطلحات خارجية في كل مرة t. r هو عدد من سلسلة خارجية. المصطلحات الخارجية هي البيانات (أو غيرها من المدخلات غير المعدلة) بالإضافة إلى سلسلة زمنية الاستجابة y t. b هو متجه ثابت من معاملات الانحدار من حجم r. وبالتالي فإن المنتج X t ميدوتب هو متجه من حجم ن. وبوجه عام، فإن السلسلتين الزمنيتين t و X t يمكن ملاحظتهما. وبعبارة أخرى، إذا كان لديك بيانات، فإنه يمثل واحد أو كل من هذه السلسلة. أنت لا تعرف دائما الإزاحة أ. معامل b. مصفوفات الانحدار الذاتي A ط. ومصفوفات المتوسط ​​المتحرك B j. عادة ما تريد أن تناسب هذه المعلمات مع البيانات الخاصة بك. راجع صفحة مرجعية الدالة فغكسفارك للتعرف على طرق تقدير المعلمات غير المعروفة. الابتكارات 949 t غير مرئية، على الأقل في البيانات، على الرغم من أنها يمكن ملاحظتها في المحاكاة. عدم تمثيل المشغل يوجد تمثيل مكافئ للمعادلات الخطية للانحراف الذاتي من حيث عوامل التأخير. ويتحول عامل التأخر L إلى مؤشر الزمن مرة أخرى بمقدار واحد: L y t t 82111. يقوم المشغل L m بتحريك مؤشر الوقت مرة أخرى بواسطة m. L m y y t t 8211 m. وفي شكل عامل التأخر، تصبح معادلة نموذج سفارماكس (ص. r) (A 0 x2212 x2211 i 1 p A i L i) y t x t b (B 0 x2211 j 1 q B j l j) x03B5 t. ويمكن كتابة هذه المعادلة على أنها A (L) y t a x t b b (L) x03B5 t. نموذج القيمة المعرضة للخطر مستقر إذا تم الكشف عنه (I n x2212 A 1 z x2212 A 2 z 2 x2212 x2212 A بسب) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. هذا الشرط يعني أنه مع كل الابتكارات تساوي الصفر، تقارب عملية فار إلى مع مرور الوقت. انظر لوملتكيبوهل 74 الفصل 2 للمناقشة. نموذج فما قابل للانعكاس إذا تم الكشف عنه (I n B 1 z B 2 z 2 b x z q) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. يشير هذا الشرط إلى أن تمثيل القيمة فار المتحقق للعملية مستقر. للحصول على شرح حول كيفية التحويل بين نماذج فار و فما، راجع تغيير نماذج التمثيل. انظر لوملتكيبوهل 74 الفصل 11 لمناقشة نماذج فما القابلة للقلوب. يكون نموذج فارما مستقرا إذا كان جزء فار ثابتا. وبالمثل، فإن نموذج فارما قابل للانعكاس إذا كان جزء فم الخاص به قابل للانعكاس. ليس هناك مفهوم محدد جيدا للاستقرار أو التقلب للنماذج مع المدخلات الخارجية (على سبيل المثال نماذج فارماكس). يمكن للمدخلات الخارجية زعزعة استقرار النموذج. بناء نماذج فار لفهم نموذج سلسلة زمنية متعددة أو بيانات سلسلة زمنية متعددة، تقوم عموما بتنفيذ الخطوات التالية: استيراد وبيانات بريبروسيس. حدد نموذجا. مواصفة المواصفات مع عدم وجود معلمة القيم لتحديد نموذج عندما تريد ماتلاب x00AE لتقدير المعلمات المواصفات الهياكل مع معلمة محددة قيم لتحديد نموذج حيث يمكنك معرفة بعض المعلمات، وتريد ماتلاب لتقدير الآخرين تحديد عدد مناسب من التأخر لتحديد عدد مناسب من التأخر في النموذج الخاص بك تناسب النموذج إلى البيانات. تركيب النماذج على البيانات لاستخدام فغسفارك لتقدير المعلمات غير معروفة في النماذج الخاصة بك. يمكن أن يشمل ذلك: تغيير تمثيل النموذج لتغيير النموذج الخاص بك إلى نوع فغسفكس مقابض تحليل والتنبؤ باستخدام النموذج المجهزة. يمكن أن يتضمن ذلك: فحص استقرار نموذج مناسب لتحديد ما إذا كان النموذج الخاص بك مستقرا وقابل للانعكاس. فار نموذج التنبؤ بالتنبؤ مباشرة من النماذج أو التنبؤ باستخدام محاكاة مونت كارلو. حساب الاستجابات النبضية لحساب الاستجابات النبضية، التي تعطي التنبؤات استنادا إلى تغير مفترض في مدخل إلى سلسلة زمنية. قارن نتائج تنبؤات النماذج الخاصة بك مع البيانات التي تم الاحتفاظ بها للتنبؤ. على سبيل المثال، انظر فار حالة دراسة الحالة. تطبيقك لا تحتاج إلى إشراك جميع الخطوات في هذا العمل. على سبيل المثال، قد لا تكون لديك أية بيانات، ولكنك تريد محاكاة نموذج معلمة. في هذه الحالة، يمكنك تنفيذ الخطوات 2 و 4 فقط من سير العمل العام. قد تتكرر من خلال بعض هذه الخطوات. أمثلة ذات صلة حدد بلدك