Estimación De Parámetros Promedio Móvil

Los modelos ARIMA de mínimos cuadrados lineales versus no lineales que incluyen sólo los términos AR son casos especiales de modelos de regresión lineal, por lo que pueden ser ajustados por mínimos cuadrados ordinarios. Los pronósticos AR son una función lineal de los coeficientes, así como una función lineal de datos pasados. En principio, las estimaciones por mínimos cuadrados de los coeficientes de AR pueden calcularse exactamente a partir de autocorrelaciones en una sola quotiteración. En la práctica, se puede ajustar un modelo de AR en el procedimiento de regresión múltiple - sólo regresar DIFF (Y) (o lo que sea) en los rezagos de sí mismo. Los modelos ARIMA que incluyen términos MA son similares a los modelos de regresión, pero no pueden ser ajustados por mínimos cuadrados ordinarios: Los pronósticos son una función lineal de datos pasados, pero son Funciones no lineales de los coeficientes - por ejemplo, Un modelo ARIMA (0,1,1) sin constante es una media móvil exponencialmente ponderada: en la que los pronósticos son una función no lineal del parámetro MA (1) (quotthetaquot). Otra forma de ver el problema: no se puede ajustar a los modelos de MA usando la regresión múltiple ordinaria porque no hay manera de especificar ERRORES como una variable independiente - los errores no se conocen hasta que el modelo se instala Deben calcularse secuencialmente. Periodo por período, dados los estimados de parámetros actuales. Por lo tanto, los modelos de MA requieren un algoritmo de estimación no lineal, similar al algoritmo quotSolverquot en Excel. El algoritmo utiliza un proceso de búsqueda que normalmente requiere de 5 a 10 iteraciones y ocasionalmente puede no converger. Puede ajustar las tolerancias para determinar los tamaños de paso y los criterios de detención para la búsqueda (aunque los valores por defecto normalmente son correctos). QuotMeanquot versus quotconstantquot El quotmeanquot y el quotconstantquot en los resultados de ajuste de modelo ARIMA son números diferentes siempre que el modelo incluye términos AR. Supongamos que se ajusta un modelo ARIMA a Y en el que p es el número de términos autorregresivos. (Supongamos por conveniencia que no hay términos MA). Sea y la versión diferenciada (estacionalizada) de Y, p. Y t Y t - Y t-1 si se utilizó una diferencia no estacional. Entonces la ecuación de pronóstico AR (p) para y es: Este es sólo un modelo de regresión múltiple ordinario en el que 956 es el término constante, 981 1 es el coeficiente del primer retraso de y. y así. Ahora, internamente, el software convierte esta forma de intersección de pendiente de la ecuación de regresión a una forma equivalente en términos de desviaciones de la media. Sea m la media de la serie estacionalizada y. Entonces la ecuación autorregresiva de orden p se puede escribir en términos de desviaciones de la media como: Recopilando todos los términos constantes en esta ecuación, vemos que es equivalente a la forma original de la ecuación si: CONSTANTE MEDIANO x (1 - suma De los coeficientes AR) El software calcula realmente m (junto con los otros parámetros del modelo) e informa de esto como el MEAN en los resultados del ajuste del modelo, junto con su error estándar y el estadístico t, etc. Se calcula entonces el CONSTANTE (956) De acuerdo con la fórmula anterior. Si el modelo no contiene ningún término AR, el MEAN y el CONSTANT son idénticos. En un modelo con un orden de diferenciación no estacional (sólo), el MEAN es el factor de tendencia (período medio a cambio de período). En un modelo con un orden de diferenciación estacional (sólo), el MEAN es el factor de tendencia anual (cambio medio año a año). El problema básico: un modelo ARIMA (u otro modelo de series temporales) predice los valores futuros de las series temporales a partir de valores pasados, pero ¿cómo debería inicializarse la ecuación de pronóstico para hacer una predicción para la primera observación? Inicializado por la caída de las primeras observaciones - aunque esto es ineficiente y los datos de residuos -, pero los modelos de MA requieren una estimación de un error anterior antes de que puedan hacer el primer pronóstico.) Extraño, pero cierto. Por lo tanto, una serie temporal estacionaria se ve igual en adelante o hacia atrás en el tiempo. El mismo modelo que predice el futuro de una serie también puede usarse para predecir su pasado. La solución: para extraer la mayor cantidad de información de los datos disponibles, la mejor manera de inicializar un modelo ARIMA (o cualquier modelo de predicción de series temporales) es utilizar la previsión hacia atrás (quotbackforecastingquot) para obtener estimaciones de los valores de datos antes del período 1. Cuando Usted utiliza la opción backforecasting en la estimación de ARIMA, el algoritmo de búsqueda en realidad hace dos pases a través de los datos en cada iteración: primero se hace un pase hacia atrás para estimar los valores de datos anteriores usando las estimaciones de parámetros actuales, La ecuación de pronóstico para un paso hacia adelante a través de los datos. Si NO UTILIZA la opción backforecasting, la ecuación de predicción se inicializará asumiendo que los valores anteriores de la serie estacionalizada fueron iguales a la media. Si utiliza la opción backforecasting, los pronósticos que se utilizan para inicializar el modelo son parámetros implícitos del modelo, que deben estimarse junto con los coeficientes AR y MA. El número de parámetros implícitos adicionales es aproximadamente igual al retardo más alto del modelo, usualmente 2 o 3 para un modelo no estacional y s1 o 2s1 para un modelo estacional con estacionalidad. (Si el modelo incluye tanto una diferencia estacional como un término estacional AR o MA, se necesitan dos temporadas de valores previos para poner en marcha). Obsérvese que con la opción backforecasting, un modelo AR es estimado de una manera diferente a la que sería estimada En el procedimiento de Regresión Múltiple (los valores perdidos no son meramente ignorados - son reemplazados con una estimación de la media o con pronósticos), por lo tanto, un modelo AR ajustado en el procedimiento ARIMA nunca producirá exactamente los mismos parámetros estimados que un modelo AR Ajustado en el procedimiento de regresión múltiple. Sabiduría convencional: DESACTIVAR la retroprovisionamiento cuando no está seguro de si el modelo actual es válido, enciéndalo para obtener estimaciones de parámetros finales una vez que esté razonablemente seguro de que el modelo es válido. Si el modelo se especifica erróneamente, el backforecasting puede conducir a fallos de las estimaciones de parámetros para converger y / o a problemas de raíz unitaria. by P. M. T. Broersen - IEEE Trans. Instrum. Med. 2002. Abstracto. El aumento de la velocidad computacional y los desarrollos en la robustez de los algoritmos han creado la posibilidad de identificar automáticamente un modelo bien ajustado serie de tiempo para los datos estocásticos. Es posible calcular más de 500 modelos y seleccionar sólo uno, que ciertamente es uno de t. Abstracto. El aumento de la velocidad computacional y los desarrollos en la robustez de los algoritmos han creado la posibilidad de identificar automáticamente un modelo de series de tiempo bien ajustado para datos estocásticos. Es posible calcular más de 500 modelos y seleccionar sólo uno, que sin duda es uno de los mejores modelos si no el mejor. Ese modelo caracteriza la densidad espectral de los datos. Los modelos de series temporales son excelentes para datos aleatorios si se conocen el tipo de modelo y el orden del modelo. Para las características de los datos desconocidos, un gran número de modelos candidatos se tiene que calcular. Esto incluye necesariamente órdenes de modelos demasiado bajos o demasiado altos y modelos de tipos incorrectos, lo que requiere métodos de estimación robustos. El ordenador selecciona una orden de modelo para cada uno de los tres tipos de modelo. De estos tres, se selecciona el tipo de modelo con la menor expectativa del error de predicción. Ese único modelo seleccionado incluye precisamente los detalles estadísticamente significativos que están presentes en los datos. 1 factor de penetración asintótica óptima 3 (Broersen, 2000b Broersen y Wensink, 1996). 6.2 Estimación MA El método Durbins para la estimación MA garantiza la invertibilidad con todos los ceros dentro del círculo unitario (-Durbin, 1959--). Teóricamente, un modelo de MA (q) es equivalente con un modelo AR (), usando B (z) 1 / A (z). El método de Durbins utiliza los parámetros estimados de un modelo de AR largo para aproximar el modelo de MA. Por supuesto, el. Por P. M. T. Broersen - IEEE Trans. En Instrumentación y Medición. 2000. Resumen Este análisis se limita al análisis espectral de procesos estocásticos estacionarios con densidad espectral desconocida. Los principales métodos de estimación espectral son: paramétricos con modelos de series de tiempo, o no paramétricos con un periodograma con ventanas. Se escogerá un modelo de serie temporal con un st. Resumen Este análisis se limita al análisis espectral de procesos estocásticos estacionarios con densidad espectral desconocida. Los principales métodos de estimación espectral son: paramétricos con modelos de series de tiempo, o no paramétricos con un periodograma con ventanas. Se escogerá un modelo de serie temporal con un criterio estadístico a partir de tres modelos previamente estimados y seleccionados: el mejor modelo autorregresivo (AR), el mejor modelo de media móvil (MA) y el mejor modelo ARMA combinado. La exactitud del espectro, calculada a partir de este único modelo de series de tiempo seleccionado, se compara con la precisión de algunas estimaciones de periodograma con ventana. El modelo de series de tiempo generalmente da un espectro que es mejor que el mejor periodograma ventajoso posible. Es un hecho que un único modelo de serie temporal puede ser seleccionado automáticamente para datos estadísticos con densidad espectral desconocida. Es una ficción que se pueden hacer elecciones objetivas entre periodogramas con ventanas. Índice de TérminosModelos ARMA, identificación, selección de órdenes, espectro paramétrico, precisión espectral, estimación espectral, series temporales. Están formulados para algoritmos MA y ARMA específicos. Pero después del descubrimiento de la longitud óptima del modelo intermedio autorregresivo largo 15, 16, se puede dar preferencia a los métodos de Durbins -17--, 18. Este trabajo trata de procesos estocásticos estacionarios con espectros desconocidos, no con señales determinísticas o periódicas para Manuscrito recibido el 26 de mayo de 1998 revisado el 10 de marzo de 2000. El autor. Por P. M. T. Broersen - en Signal Process. VIII, Proc. Eusipco Conf. 1996. El método de Durbinaposs para la estimación de la media móvil (MA) utiliza los parámetros estimados de un modelo largo de AutoRegressive (AR) para calcular los parámetros MA deseados. Un orden teórico para ese modelo largo de AR es, pero los pedidos AR muy altos conducen a modelos MA incorrectos en la práctica de muestras finitas. Una nueva t. El método de Durbinampaposs para la estimación de la media móvil (MA) utiliza los parámetros estimados de un modelo largo de AutoRegressive (AR) para calcular los parámetros MA deseados. Un orden teórico para ese modelo largo de AR es, pero los pedidos AR muy altos conducen a modelos MA incorrectos en la práctica de muestras finitas. Se presenta un nuevo argumento teórico para derivar una expresión para el mejor orden finito de AR largo para un proceso MA conocido y un tamaño de muestra dado. Los modelos AR intermedios de ese orden precisamente producen los modelos MA más precisos. Este nuevo orden difiere de la mejor orden de AR que se utiliza para la predicción. Se presenta un algoritmo que permite el uso de la teoría para el mejor largo AR orden en los procesos conocidos a los datos de un proceso desconocido. I. teoría para el mejor largo AR orden en los procesos conocidos a los datos de un proceso desconocido. I. INTRODUCCIÓN En la búsqueda de una solución segura, robusta y práctica para el problema de la estimación de MA, el método de Durbin039s -1-- es prometedor. Un problema de estimación no lineal se sustituye por dos etapas de estimación lineal. En primer lugar, los parámetros de un modelo autorregresivo largo se estiman a partir de los datos. Después, un segundo p. Por Jorge Mari, Anders Dahln, Anders Lindquist - Automatica J. IFAC. 1998. En este artículo consideramos un procedimiento de tres pasos para la identificación de series de tiempo, basado en la extensión de covarianza y la reducción del modelo, y presentamos un análisis completo de sus propiedades de convergencia estadística. Se calcula una secuencia de covarianza parcial a partir de datos estadísticos. Entonces una máxima de orden alto. En este artículo consideramos un procedimiento de tres pasos para la identificación de series de tiempo, basado en la extensión de covarianza y la reducción del modelo, y presentamos un análisis completo de sus propiedades de convergencia estadística. Se calcula una secuencia de covarianza parcial a partir de datos estadísticos. Entonces se determina un modelo de entropía máxima de orden alto, que finalmente se aproxima por un modelo de orden inferior por reducción de modelo estocásticamente equilibrada. Tales procedimientos se han estudiado antes, en varias combinaciones, pero un análisis de convergencia global que comprende los tres pasos ha sido escaso. Suponiendo que los datos se generan a partir de un verdadero sistema finito-dimensional que es fase mínima, se muestra que la función de transferencia del sistema estimado tiende en H a la función de transferencia verdadera como la longitud de datos tiende al infinito, si se realiza la extensión de covarianza y la reducción del modelo correctamente. El procedimiento de identificación propuesto, y algunas variaciones de éste, se evalúan mediante simulaciones. 1. se remonta a la descomposición de Wold 55 donde L 2 - convergencia de modelos de AR de alto orden a los modelos analíticos generales se muestra. Los pioneros en el uso de este concepto para la identificación de sistemas son Durbin -12, 13-- y Whittle 54.The Las propiedades de convergencia de tales aproximaciones fueron estudiadas por Berk 2 y posteriormente refinadas en 36, 34, 33, 7. El interesante artículo 7 contiene buenas pruebas de algunas de las convergencias. Por P. M. T. Broersen, S. De Waele - Proc. 2ª IEEE Benelux Signal Proc. Symp. SPS-2000. 2000. RESUMEN: La estimación de máxima verosimilitud (ML) maximiza la función de verosimilitud y es un principio célebre en el análisis de regresión lineal. Asintóticamente, el límite inferior de Cramr-Rao para la matriz de covarianza de parámetros estimados no estimados es alcanzado por el estimador de máxima verosimilitud. Con asymp. RESUMEN: La estimación de máxima verosimilitud (ML) maximiza la función de verosimilitud y es un principio célebre en el análisis de regresión lineal. Asintóticamente, el límite inferior de Cramr-Rao para la matriz de covarianza de parámetros estimados no estimados es alcanzado por el estimador de máxima verosimilitud. Con argumentos asintóticos, se ha demostrado que este principio también puede aplicarse a la autorregresión ya los modelos de media móvil autorregresiva más general (ARMA) en el análisis de series de tiempo. Por lo menos se sugiere en los libros de texto que una aproximación más cercana de la verosimilitud exacta en la maximización producirá una mejor estimación para los modelos de series de tiempo. En contraste, la práctica de muestra finita a menudo muestra de manera diferente. Se discuten algunos datos de la muestra finita y sus implicaciones en la estimación. Como innovaciones de presempleo inicial y mínimos cuadrados incondicionales (ULS) utilizando backforecasting para aproximaciones pre-muestra 3,20 Utilizando una estimación de covarianza larga 5,18,21 Utilizando un modelo AR largo -19,23-- como intermedio. La función de verosimilitud es simétrica para los ceros reflejados con respecto al círculo unitario, por lo que los ceros reflejados obtenidos con ML no tienen objeciones 24. Soluciones de mínimos cuadrados CLS y U. por Joseph M. Francos, Benjamin Friedlander. Este trabajo considera el problema de estimar los parámetros de los campos aleatorios de media móvil bidimensional. En primer lugar, abordar el problema de la expresión de la co-varianza de la matriz no simétrica semi-plano, no causal, y el cuarto plano de media móvil campos aleatorios, en términos de los parámetros del modelo. Este trabajo considera el problema de estimar los parámetros de los campos aleatorios de media móvil bidimensional. En primer lugar, abordar el problema de la expresión de la co-varianza de la matriz no simétrica semi-plano, no causal, y el cuarto plano de media móvil campos aleatorios, en términos de los parámetros del modelo. Suponiendo que el campo aleatorio es gaussiano, derivamos una expresión de forma cerrada para el límite inferior de Cramer-Rao sobre la varianza de error en la estimación conjunta de los parámetros del modelo. Se desarrolla un algoritmo computacionalmente eficiente para estimar los parámetros del modelo de media móvil. El algoritmo inicialmente ajusta un modelo autorregresivo bidimensional al campo observado, luego usa los parámetros estimados para calcular el modelo de media móvil. También se presenta un algoritmo de máxima verosimilitud para estimar los parámetros del modelo de MA. El rendimiento de los algoritmos propuestos se ilustra mediante simulaciones de Monte-Carlo, y se compara con el límite de Cramer-Rao. Por P. M. T. Broersen - Procesos, Procesamiento de señales IX, Proc. Eusipco Conf. Rodas, Grecia. 1998. Se pueden utilizar nuevos desarrollos en el análisis de series temporales para determinar una mejor representación espectral de los datos desconocidos. Cualquier proceso estacionario puede ser modelado con precisión con uno de los tres tipos de modelos: AR (autorregresivo), MA (media móvil) o el modelo ARMA combinado. Generalmente, el mejor tipo es un. Se pueden utilizar nuevos desarrollos en el análisis de series temporales para determinar una mejor representación espectral de los datos desconocidos. Cualquier proceso estacionario puede ser modelado con precisión con uno de los tres tipos de modelos: AR (autorregresivo), MA (media móvil) o el modelo ARMA combinado. Generalmente, el mejor tipo es desconocido. Sin embargo, si los tres modelos se estiman con métodos adecuados, en la práctica se puede elegir automáticamente un modelo de serie temporal. La exactitud del espectro, calculado a partir de este modelo de series de tiempo AR-MA, se compara con la exactitud de muchas estimaciones de periodograma cónico y ventana. El modelo de series de tiempo típicamente da un espectro que es mejor que el mejor de todas las estimaciones de periodograma. 1. si se consideran modelos de altas órdenes. Para los modelos MA y ARMA, un nuevo desarrollo en el análisis de series de tiempo fue necesario para tener algoritmos de estimación fiables que tienen un buen rendimiento para todos los tamaños de muestra -7,8,9,10-. Ese es el descubrimiento de la longitud óptima del modelo intermedio autorregresivo largo para los métodos de Durbins 7,8. Ese largo modelo AR se utiliza para determinar los parámetros MA. Con una ventana corredera. Por Piet M. T. Broersen, S. De Waele - IEEE Trans. Instrum. Med. 2000. Resumen Se ha aplicado un nuevo método para la extracción de características a partir de procesos estocásticos estacionarios a un problema de detección médica. Ilustra una aplicación práctica del modelado automático de series temporales. En primer lugar, el tipo de modelo y el orden de modelo para dos modelos de prototipos de series temporales son se. Resumen Se ha aplicado un nuevo método para la extracción de características a partir de procesos estocásticos estacionarios a un problema de detección médica. Ilustra una aplicación práctica del modelado automático de series temporales. En primer lugar, se seleccionan el tipo de modelo y el orden del modelo para dos modelos de prototipos de series temporales. Los prototipos representan los ruidos pulmonares de un único sujeto sano, antes y después de la aplicación de metacolina. Utilizando el error de modelo ME como una medida para la diferencia entre modelos de series temporales, los nuevos datos se pueden dividir en clases que pertenecen a los modelos de prototipo para esta persona. Los modelos prototipo se obtienen a partir de unos cuantos ciclos de vencimiento bajo condiciones conocidas. Esto es suficiente para detectar la presencia de metacolina en nuevos datos del mismo sujeto si es capaz de mantener condiciones estacionarias siguiendo exactamente el patrón de respiración prescrito. No es necesario utilizar el mismo tipo de modelo y el mismo orden de modelo para los prototipos y para los nuevos datos. Automáticamente y los modelos seleccionados individualmente para prototipos y datos dan una buena detección de metacolina. Índice de TérminosDetección, error de modelo, error de predicción, modelo de prototipo, estimación espectral. I. nt, el Criterio de Información Combinada CIC se basa en la expectativa y en la varianza del logaritmo de la varianza residual, en función del orden de modelo 11. El método de Durbins para la estimación de MA-12-- y de ARMA 13 consiste Del uso de los parámetros de un modelo intermedio largo autorregresivo para calcular parámetros MA. De esta manera, la estimación no lineal se aproxima por una secuencia. Por Jan S. Erkelens, Arturo Tejada, Arnold J. Den Dekker - IEEE Transacciones en Instrumentación y Medición. 2013. Resumen Tres modelos paramétricos importantes para describir las funciones de correlación y el espectro de los procesos estocásticos estacionarios son el autorregresivo (AR), el promedio móvil (MA), y el promedio de movimiento autorregresivo (ARMA). Recientemente, la caja de herramientas MATLAB ARMASA se ha hecho pública. Resumen Tres modelos paramétricos importantes para describir las funciones de correlación y el espectro de los procesos estocásticos estacionarios son el autorregresivo (AR), el promedio móvil (MA), y el promedio de movimiento autorregresivo (ARMA). Recientemente, la caja de herramientas MATLAB ARMASA se ha puesto a disposición del público. Esta caja de herramientas proporciona algoritmos de última generación para realizar la identificación y selección automática entre los modelos basándose en el error de predicción estimado. ARMASA funciona en un solo segmento de datos, mientras que en algunas aplicaciones, los datos están disponibles como segmentos múltiples. Podríamos procesar cada segmento independientemente y mediar las funciones de autocorrelación o espectros estimados después. Sin embargo, se puede esperar un mejor rendimiento cuando todos los segmentos se procesan simultáneamente, por dos razones. Inicialmente, el sesgo en los parámetros estimados del modelo depende del número de observaciones en un segmento. Varianza de media para todos los pedidos de modelo de interés. Los residuos son estimaciones de las innovaciones (n) en (1) y se pueden encontrar sustituyendo los parámetros estimados del modelo. Los detalles se pueden encontrar en 2, -19-- y 20. Los algoritmos para la identificación de modelos AR, MA y ARMA implementados en el cuadro de herramientas de ARMASA serán ahora esbozados. III. MODELO DE IDENTIFICACIÓN EN ARMASA A. AR Modelo Identificación El residuo. Por Piet Broersen, Stijn De Waele. Un periodograma con ventana y cónico se puede calcular como la transformada de Fourier de una función de covarianza estimada de datos ahusados, multiplicada por una ventana de retraso. Las Covariances de longitud finita también pueden ser modeladas como modelos de series temporales de media móvil (MA). La equivalencia directa entre periodogramas y MA. Un periodograma con ventana y cónico se puede calcular como la transformada de Fourier de una función de covarianza estimada de datos ahusados, multiplicada por una ventana de retraso. Las Covariances de longitud finita también pueden ser modeladas como modelos de series temporales de media móvil (MA). La equivalencia directa entre periodogramas y modelos de MA se muestra en el método de los momentos para la estimación de MA. Una mejor MA representación de la covarianza y la densidad espectral se encuentra con Durbinampaposs mejorado MA método. Utiliza los parámetros de un modelo autorregresivo largo (AR) para encontrar modelos MA, seguido por la selección automática de la orden MA. Se realiza una comparación entre los dos tipos de modelos MA. El mejor de muchos modelos de MA de periodogramas con ventanas se compara con el único modelo de MA seleccionado obtenido con el método de Durbinampaposs. Este último normalmente tiene una mejor calidad. Palabras clave: estimación espectral, selección de órdenes, distancia espectral, ventana espectral, error espectral 1. INTRODUCCIÓN Análisis de series temporales o estimación espectral paramétrica. La representación de la covarianza no es un estimador suficiente para los parámetros de MA. Existe un algoritmo de MA robusto que estima el modelo directamente de un modelo de AR largo de los datos. El método de Durbin06 -6-- nunca tiene problemas con la convergencia. Estima siempre los modelos invertibles usando los parámetros de un modelo autorregresivo largo en un procedimiento de estimación lineal MA los modelos invertibles tienen todos los ceros. En Moving Average Parámetro Estimación RESUMEN: La estimación de los parámetros autorregresivos de observaciones ruidosas ha sido abordada por varios autores En las últimas décadas. Aunque se han propuesto varios enfoques en línea o fuera de línea cuando el ruido aditivo es blanco, pocos documentos tratan con el ruido medio aditivo de la media móvil. En este artículo, se sugiere estimar los parámetros del modelo utilizando el método de error de predicción. A pesar de su alto coste computacional, el método tiene la ventaja de ser eficiente en el caso gaussiano. Un estudio comparativo con los métodos existentes se lleva a cabo y señala la eficiencia de nuestro enfoque, especialmente cuando el número de muestras es pequeño. En la planta de alta tensión (H. V.), los procesos de envejecimiento pueden ocurrir en el sistema de aislamiento que son totalmente inevitables y en última instancia limitar la vida operativa de la planta. En última instancia, la actividad de descarga parcial (PD) puede comenzar a ocurrir en puntos particulares dentro del sistema de aislamiento. Los esfuerzos operativos sobre el estrés y los defectos introducidos durante la fabricación también pueden provocar actividad de PD y la presencia de esta actividad si no se trata conduce al desarrollo de procesos de degradación acelerados hasta que eventualmente puede haber fracaso catastrófico. Por lo tanto, el monitoreo de la condición de descarga parcial de una valiosa planta de HV, tal como un transformador y en particular a lo largo de un devanado de transformador, es un área importante de investigación, ya que esto puede proporcionar información de salud de activos que permita que los procesos de mantenimiento y reemplazo se lleven a cabo eficazmente. El análisis de múltiples resoluciones Wavelet consiste en una serie de bancos de filtros en cuadratura que están asociados con un filtro de paso alto y paso bajo. El proceso se realiza para descomponer las señales originales en diferentes niveles que contienen diferentes resoluciones de tiempo-frecuencia de la forma de onda original. Por lo tanto, la propagación de la energía de la señal en diferentes intervalos de tiempo / frecuencia se puede determinar. El uso de la identificación del sistema en el dominio de la frecuencia utilizando la transformada Wavelet proporciona selecciones únicas del intervalo de frecuencia particular de interés de las señales de PD medidas que se han propagado dentro de un devanado del transformador. Los niveles de descomposición de Wavelet se pueden combinar linealmente con el Análisis de Componentes Principales (PCA) y esto puede proporcionar información útil sobre la ubicación de la fuente de descarga dentro del devanado y con implementación adicional usando una aproximación de filtro de respuesta de impulso infinita (IIR), es posible construir Un filtro estándar basado en el Documento de la conferencia de texto completo de Wavelet Junio ​​de 2013 MS Raxman Paolo Rapisarda Paul L. Lewin Resumen En el documento se considera una clase de modelos de series temporales no lineales con respecto a la posible aplicación para Reconocimiento del altavoz. La señal de voz registrada es una serie temporal no estacionaria. Esta no estacionariedad se suele modelar como series de tiempo autorregresivas con parámetros variables en el tiempo. En el trabajo se propone una aproximación bilineal del modelo autorregresivo no estacionario. De esta manera, un modelo con parámetros variables en el tiempo es aproximado por un modelo de parámetros constantes. Se asume que los parámetros del modelo bilineal son las características del altavoz, y se aplican para el reconocimiento del locutor. La eficacia del método propuesto se compara con los métodos clásicos de reconocimiento de hablantes. Artículo Enero 2014 Oskar Kochana Patrycja Ksiazek Michal Olszak Ewa Bielinska