Estimativa do tempo variando autorregressiva movendo média modelos para covariância estimativa

Variação do tempo de Modelos médios em movimento autoregressivos para a estimativa de covariância quotUsualmente, as estruturas específicas são escolhidas para serem lineares ou afins. Os exemplos mais populares incluem modelos como Toeplitz Abramovich et al. (2007) Asif e Moura (2005) Fuhrmann (1991) Kavcic e Moura (2000) Roberts e Ephraim (2000) Snyder et al. (1989) Soloveychik e Wiesel (2014) Sun et al. (2015) Wiesel et al. (2013), grupo simétrico Shah e Chandrasekaran (2012) Soloveychik e Wiesel (2016), sparse Banerjee et al. (2008) Ravikumar et al. (2011) Rothman et al. (2008), low rank Fan et al. (2008) Johnstone e Lu (2009) Lounici et al. (2014) e muitos outros. As estruturas não-lineares também são bastante comuns em aplicações de engenharia. Resumo: Consideramos uma estimativa de covariância gaussiana e robusta, supondo que a matriz de covariância verdadeira seja o produto Kronecker de duas matrizes quadradas dimensionais inferiores. Em ambos os casos, definimos os estimadores como soluções para programas de máxima verossimilhança restrita. No caso robusto, consideramos o estimador de Tylerx27s como um estimador de máxima verossimilhança de uma certa distribuição em uma esfera. Desenvolvemos condições bastante precisas para a existência e a singularidade das estimativas e mostramos que, em caso gaussiano com a fração média desconhecida, frac-2 é quase que suficiente para garantir a existência e a singularidade, onde p e q são as dimensões dos fatores do produto Kronecker de A verdadeira covariância. Em caso robusto com a média conhecida, o número suficiente de amostras suficiente é maxfrac, frac 1. Artigo Dec 2015 Ilya Soloveychik Dmitry Trushin. Nesta hipótese, dois detectores baseados em GLRT são derivados e a análise de desempenho em dados reais revela a superioridade do proposto Detectores em relação aos seus homólogos não-bayesianos quando o conjunto de treinamento é pequeno. A estrutura bayesiana também pode ser usada em conjunto com a informação estrutural sobre a matriz de covariância de interferência 11 como mostrado em 12, onde o distúrbio é modelado como um processo auto-regressivo multicanal com uma matriz aleatória de covariância de crosschannel (ver também 13, 14) . Nas aplicações de radar, onde os sistemas estão equipados com uma série de sensores, informações estruturais sobre a matriz de covariância de interferência decorrem da exploração de uma classe específica de geometrias. Mostrar o resumo Ocultar resumo RESUMO: abordamos a detecção de radar adaptativo de alvos embutidos em ambientes dominados por desordem de terra caracterizados por uma densidade espectral de potência estruturada simetricamente. Na fase de projeto, alavancamos a simetria do espectro para a interferência para criar esquemas de decisão capazes de capitalizar a informação a priori sobre a estrutura de covariância. Para este fim, provamos que o problema de detecção em questão pode ser formulado em termos de variáveis ​​reais e, então, aplicamos procedimentos de design baseados no GLRT, no teste Rao e no teste de Wald. Especificamente, as estimativas dos parâmetros desconhecidos sob a hipótese de presença do alvo são obtidas através de um algoritmo de otimização iterativa cuja garantia de convergência e qualidade é completamente comprovada. A análise de desempenho, tanto em dados de radar simulados como em dados reais, confirma a superioridade das arquiteturas consideradas em relação às suas contrapartes convencionais, que não aproveitam a simetria espectral da fenda. Texto completo Artigo Nov 2015 Antonio De Maio Danilo Orlando Chengpeng Hao Goffredo Foglia quotO modelo de sistemas cinza é especialmente aplicável para pequenas amostras e informações precárias emergentes em aplicações de engenharia. Devido ao aumento da complexidade, incerteza e caos da estrutura do systemx27s, métodos estatísticos tradicionais, como modelo de média móvel auto - ressorial (Wiesel et al. 2013), modelo bilinear (Matsubara e Morimoto, 2013), modelo auto-regressivo não linear (Li et al., 2011). ) Pode não se aproximar com precisão da tendência evolutiva. Para superar essa desvantagem, a teoria dos sistemas cinza foi inicialmente proposta por Deng para estudar a incerteza dos sistemas (Liu et al., 2013b). Quot Dados do arquivo Aug 2015 Transações do IEEE no processamento do sinal A documentação é a média incondicional do processo e x03C8 (L) é um polinômio racional do operador do intervalo de grau infinito, (1 x03C8 1 L x03C8 2 L 2 x2026). Nota: A propriedade Constante de um objeto modelo arima corresponde a c. E não o meio incondicional 956. Pela decomposição de Wolds 1. A equação 5-12 corresponde a um processo estocástico estacionário desde que os coeficientes x03C8 i sejam absolutamente cúmplices. Este é o caso quando o polinômio AR, x03D5 (L). É estável. Significando que todas as suas raízes estão fora do círculo da unidade. Além disso, o processo é causal desde que o polinômio MA seja reversível. Significando que todas as suas raízes estão fora do círculo da unidade. Econometria Toolbox reforça a estabilidade e invertibilidade dos processos ARMA. Quando você especifica um modelo ARMA usando o arima. Você obtém um erro se você inserir coeficientes que não correspondem a um polinômio AR estável ou um polinômio de MA reversível. Da mesma forma, a estimativa impõe restrições de estacionaridade e inversão durante a estimativa. Referências 1 Wold, H. Um estudo na análise de séries temporárias estacionárias. Uppsala, Suécia: almqvist amp Wiksell, 1938. Selecione seu país