Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Построение динамических моделей по экспериментальным данным
Временным рядом называют семейство измерений, упорядоченное по некоторому параметру, в качестве которого, как правило, выступает время. Обычно рассматривают либо ряды { x (t)}, t Î [0, T ] с непрерывным временем, либо ряды { xk }, xk = x (tk), k = 1 ,..., n с дискретным временем и измерениями, сделанными через равные интервалы времени, tk = k D t. Наиболее простые задачи можно ставить также и для рядов, заданных на достаточно частой неравномерной сетке. Для более сложного анализа такие ряды обычно интерполируют и используют их оценки их значений на равномерной сетке, но это – достаточно сложная операция, требующая в каждом случае особого рассмотрения. Основная задача состоит в построении математической модели, объясняющей механизм формирования ряда. В качестве объекта исследования может выступать как изолированный ряд, так и ансамбль рядов, полученных в одних и тех же условиях. Кроме того, часто рассматриваются задачи о связи между рядами, например, о механизме, с помощью которого один ряд (выходной сигнал) получается из другого (входного сигнала). Задача интерполяции. Предполагается, что значения x k не содержат погрешностей и за ними стоит некоторая зависимость x (t), которую требуется восстановить. В этом случае можно:
В ИМС MatLab эти задачи решают процедуры-функции interp и spline (справка: help interp и help spline). Там же можно найти процедуры многомерной интерполяции. Гораздо более сложной является задача экстраполяции или прогнозирования данных x (tk) за пределы промежутка [ t 1 tn ]. Она не имеет простого общего решения и требует детального учета всей дополнительной информации о процессе, порождающем измерения x (tk). Задача сглаживания (непараметрическое оценивание тренда). В наиболее распространенных случаях при анализе временного ряда { x k = x (tk), k = 1,…, n } сначала в нем пытаются выделить низкочастотную составляющую – тренд a (t) и остаток r (t):
x (t) = a (t) + r (t). Из остатка пытаются выделить сезонные составляющие r (t) = s (t)+ξ(t). Остаток изучают специальными методами статистики случайных процессов. Имеются сложные процедуры, позволяющие в некоторых случаях провести весь анализ в одном блоке. В большинстве случаев при оценивании тренда используется метод наименьших квадратов (МНК). Если в ряде могут оказаться выпадающие измерения, используется метод наименьших модулей (МНМ) и другие альтернативы МНК. Иногда возникают специальные задачи, когда, например, требуется так выделить тренд, чтобы (задача чебышевской аппроксимации). Для многомерного ряда { X k = X (tk), k = 1,…, n } тренд выделяют для каждой компоненты в отдельности. По поводу остатка обычно принимают гипотезу стационарной связанности – тогда можно перейти в остатке к главным компонентам, изучить их по отдельности, а затем с помощью обратного преобразования вернуться к исходным величинам. Именно из-за отсутствия стационарной связанности формальные математические методы плохо работают, например, на бирже. Во многих задачах на роль тренда удается подобрать подходящее семейство кривых и задача сводится к оцениванию нескольких заранее неизвестных параметров. Это – задача параметрического сглаживания, основанная на процедурах нелинейной регрессии. В версиях ИМС MatLab, начиная с 7.0, этим целям служит библиотека CurveFit (справка: help curvefit). Разложение Юла В 1927 году английский статистик Эдвин Юл предложил рассматривать временной ряд как аддитивную смесь четырех компонент: - тренда, или долгосрочного движения; - сезонной компоненты - колебаний относительно тренда с известным периодом, который можно определить на основе априорной информации; - периодической компоненты - колебаний, период которых определяется в ходе изучения данных; - остатка или несистематического случайного эффекта. Предположение аддитивности этих эффектов входит в исходную модель на правах гипотезы, которую, возможно, придется отвергнуть. Например, иногда имеющиеся данные могут потребовать модели с мультипликативным трендом – так устроены, в частности, сигналы с амплитудной модуляцией.
|
||||||
Последнее изменение этой страницы: 2021-04-05; просмотров: 58; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 13.58.244.216 (0.007 с.) |