Epälineaarinen Autoregressive Liikkuva Keskiarvo With Eksogeenisen Input

Ei-lineaarisen autoregressiivisen mallin hybridi, jolla on eksogeeninen panos ja autoregressiivinen liikkuvan keskiarvomallin pitkän aikavälin koneen tilan ennustamiseen. Hong Thom Pham. Van Tung Tran. Mechanical Engineering, Pukyongin kansallinen yliopisto, San 100, Yongdang-dong, Nam-gu, Busan 608-739, Etelä-Korea. Käytettävissä verkossa 15 lokakuu 2009. Tässä artikkelissa on parannettu epälineaarisen autoregressiivin hybridiä, jossa on eksogeeninen panos NARX-malli ja autoregressiivinen liukuva keskimääräinen ARMA-malli pitkän aikavälin koneen tilan ennusteisiin, jotka perustuvat tärinätietoihin. Tärinädataa pidetään kahden komponentin, jotka ovat deterministisiä tietoja ja virheitä, yhdistelmällä. Deterministinen komponentti voi kuvata koneen hajoamisindeksiä, kun taas virhekomponentti voi kuvata epävarmojen osien ulkonäköä. Parannettu hybridiennustamismalli eli NARX ARMA - malli on Jonka avulla saadaan ennustetulokset, joissa NARX-verkkomallia käytetään epälineaariseen liikkeeseen Ast määrittää deterministisen komponentin ja ARMA-mallin virhekomponentin ennustamiseen johtuen sopivasta kyvyydestä lineaarisessa ennusteessa Lopulliset ennustetulokset ovat näiden yksittäisten mallien tulosten summa. NARX ARMA - mallin suorituskyky arvioidaan sitten datan avulla Alhaisesta metaanikompressorista, joka on hankittu kunnonvalvontatoiminnasta. Jotta ehdotetun menetelmän edistyminen voidaan vahvistaa, suoritetaan vertaileva tutkimus NARX ARMA - mallin ja perinteisten mallien ennusteista. Vertailutulokset osoittavat, että NARX ARMA - malli on erinomainen ja Voidaan käyttää potentiaalisena työkaluna koneen tilan ennustamiseen. Autoregressive liikkuvan keskiarvon ARMA. Nonlinear autoregressive ja eksogeeninen panos NARX. Long-aikavälin ennustus. Moiden valtion ennustaminen. Fig 1 Kuva 2 Kuva 3 Kuva 4. Taulukko 1 Kuva 5 Kuva 6 Kuva 7 Kuva 8 Kuva 9 Kuva 10. Taulukko 2 Kuva 11 Kuva 12. Taulukko 3 Kuva 13 Kuva 14. Vastaava kirjailija Tel 82 51 629 6152 faksi 82 ​​51 629 6150. Ei-lineaarinen Dynamiikan muodonmuutos Rakenteellisen epälineaarisen autoregressiivisen liukuvan keskiarvon soveltaminen eksogeenisten panosmallien kanssa klusteritietoihin. Balikhin, MALJC Woolliscroft HS Alleyne M Dunlop ja MA Gedalin 1997, Aallon dispersion määrittäminen turbulenssin cospectralin ominaisuuksien perusteella Sovellus plasman Aallot alavirrassa lähes vertikaalisesta shokista Ann Geophys 15 143 151. Web of Science Times - julkaisut 20.Balikhin, MAI Bates ja S Walker 2001, Lineaaristen ja epälineaaristen prosessien tunnistaminen avaruusplasmakurbulensseissa Adv Space Res 28 787 800.Web Of Science Times Cited 9.Balikhin, MS Walker R Treumann H Alleyne V Krasnoselskikh M Gedalin M Andre M Dunlop ja A Fazakerley 2005, Ion-ääniaalto paketit quasiperpendicular isku edessä Geophys Res Lett 32 L24106, doi 10 1029 2005GL024660.Balogh, A Et al 2001, klusterin magneettikentätutkimus Yleiskatsaus lennon suorituskykyyn ja alustaviin tuloksiin Ann Geophys 19 1207 1217. Tiede Times-viitemäärä 770.Billings, SA ja QM Zhu 1995, Mallivahvistustestit monivariamattisille epälineaarisille malleille, mukaan lukien hermoverkot Int J Control 62 4, 749 766.Web of Science Times viitataan 47.Billings, SAMJ Korenberg ja S Chen 1988, - linear output-affiinijärjestelmät, joissa käytetään ortogonaalista pienimmän neliösumman algoritmia Int J Syst Sci 19 1559 1568.Web of Science Times - julkaisut 99.Billings, SAS Chen ja MJ Korenberg 1989, MIMO-epälineaaristen järjestelmien identifiointi käyttäen ortogonaalista foward-regressiota Arvioija Int J Control 49 2157 2189.Web of Science Times - julkaisut 248.Boaghe, OM ja SA Billings 2003, Subharmonic värähtelyn mallinnus ja MISO Volterra-sarjan IEEE Trans-piirit Syst I 50 7, 877 884.Web of Science Times - julkaisut 7.Coca, DMA Balikhin SA Billings HSK Alleyne ja M Dunlop 2001, Plasman turbulenssin aika-alueanalyysi, joka havaittiin ylävirtaan lähes rinnakkaisammasta J Geophys Res 106 25,005 25,022.Dudok de Wit, TVV Krasnosel skikh M Dunlop ja HL 1999, Epälineaarisen aallon vuorovaikutuksen identifiointi plasmoissa kahden pistemittauksen avulla Lyhyen amplitudi-magneettisen rakenteen tapaustutkimus J Geophys Res 104 17 079 17 090. Frechet, M 1910, Sur les Fonctionnelles jatkaa Ann Ecole Normale suppl 27: n 3: n ser. Gedalin, M 1993, Epälineaariset aallot kahdessa nesteen hydrodynaamisessa Phys Fluids B5 2062 2075. Gedalin, M 1997, ionien dynamiikka ja jakautuminen kvassipengerisillä törmäysvaurio edessä Surv Geophys 18 541 566.Web of Science Times mainittu 8.Hada, AT ja CF Kennel 1985, Epälineaariset Hitaiden aaltojen kehittyminen aurinkotuulessa J Geophys Res 90 531.Hobara, YSN Walker MA Balikhin OA Pokhotelov M Dunlop H Nilsson ja HR me 2007, Maanpäällisten variksen ulf-aaltojen ominaisuudet Klusterin havainnot J Geophys Res 112 A07202, doi 10 1029 2006JA012142. Kennel, CFJP Edmiston ja T Hada 1985, neljännesvuosisadan törmäysstämätöntä shokkitutkimusta collisionless shocks in the heliosfäärissä Tutorial Review Geophys Monogr Ser vol 34 edite D by RG Stone ja BT Tsurutani pp 1 36 AGU, Washington, D C. Korenberg, MSA Billings YP Liu ja PJ McIlroy 1988, ortogonaalinen parametrien estimointialgoritmi epälineaarisille stokastisille järjestelmille Int J Control 48 193.Web of Science Times 177.McCaffrey, DI Bates MA Balikhin HSK Alleyne M Dunlop ja W Baumjohann 2000, Kokeellinen menetelmä avaruusparametrien leviävän kolmen aallon kytkentälaitteen tunnistamiseen Adv Space Res 25 1571 1577.Web of Science Times Listattu 12.Pokhotelov, OADO Pokhotelov MB Gokhberg FZ Feygin L Stenflo ja PK Shukla 1996, Alfven solitonit maapallon ionosfäärissä ja magnetosfääri J Geophys Res 101 7913.Ritz, CP ja EJ Powers 1986, Epälineaaristen siirtofunktioiden arviointi täysin kehittyneeseen turbulenssiin Phys Scr 20D 320. Russell, CT 1988, Upstream-aaltojen moniulotteiset mittaukset Adv Space Res 8 147 156.Sagdeev, RZ ja AA Galeev 1969, ei-lineaarinen plasmatekniikka Benjamin, White Plains, N Y. Shukla, PK ja L Stenflo 1985, ei-lineaarinen propagatio el Sähkömagneettinen ioni-syklotroni Alfven-aallot Phys Fluids 28 1576.Web of Science Times - julkaisut 63.Walker, SNMA Balikhin HSK Alleyne W Baumjohann ja M Dunlop 1999, Huom. Erittäin ohut shokki Adv Space Res 24 47 50.Web of Science Times citated 8.Wiener, N 1942, epälineaarisen laitteen uudelleenmääritys meluun MIT Press, Cambridge, Mass. Wiener, N 1958, epälineaariset ongelmat satunnaisessa teoriana MIT Press, Cambridge, Mass. Woods, LC 1969, Collisionless magneto-plasman rakenteesta Iskunvaimennukset ylikriittisissä alfven-mach-numeroissa Plasma Phys 3 435.Web of Science Times - julkaisut 42.Lisätietoja tästä. Data-pohjainen valvonta, päätös, aikataulutus ja vian diagnostiikka. Data-pohjainen ajoneuvojen törmäysten mallinnus epälineaarisella autoregressiivisella mallilla ja syötöllä Neuraalinen verkosto. Witold Pawlus. Hamid Reza Karimi. Kjell G Robbersmyr. Tekniikan osasto, Teknillisen korkeakoulun tiedekunta, Agderin yliopisto, PL 509, N-4898 Grimstad, Norja. Käytettävissä verkossa 6. huhtikuuta 2012.Vehicle crash test on suurin osa Suora ja yleinen menetelmä ajoneuvon törmäysvahinkojen arvioimiseksi Käytetään esimerkiksi silmämääräistä tarkastusta ja saadut mittaukset, kuten auton kiihtyvyys, esimerkiksi tarkastelemaan miehistön iskun vakavuutta tai arvioimaan yleistä auton turvallisuutta. Nämä kokeilut ovat kuitenkin monimutkaisia, aikaa vieviä ja kalliita. Ehdotetaan menetelmää jäljitettäessä auto kinematiikkaa törmäyksen aikana käyttämällä epälineaarista autoregressiivista NAR-mallia, jonka parametrit arvioidaan käyttämällä lähtöaaltoisen neuroverkon NAR-mallia, joka esitetään tässä tutkimuksessa, on johdettu yleisemmästä ei-lineaarisesta autoregressiivistä, jossa liikkuvan keskiarvon NARMA on autoregressiojärjestelmien soveltuvuus Datapohjainen mallinnus vahvistettiin soveltamalla neuraaliverkkoja NAR-mallilla kokeellisen datan mittaamiseen ajoneuvon kiihtyvyyden aikana törmäystestissä Tämän mallin avulla voimme ennakoida kinemaattisten vasteiden kiihtyvyys, nopeus ja siirtyminen tietylle autolle törmäyksen aikana Suurimmat Tämän lähestymistavan etuna on se, että ne voidaan saada Ilman verkon lisäopetusta. Data-pohjainen mallinnus. Nonlinearinen autoregressiivinen malli. Nopea neuroverkko. Vehicle crash. Table 1 Kuva 3 Kuva 4 Kuva 5 Kuva 6.Table 2 Kuva 7.Table 3 Kuva 8 Fig 9 Fig 10 Fig 11 Fig 12. Taulukko 4 Kuva 13 Kuva 14 Kuva 15 Kuva 16 Kuva 17 Kuva 18 Kuva 19 Kuva 20.