| Revue: | Controle & automacao |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000315434 |
| ISSN: | 0103-1759 |
| Autores: | Luna, Ivette1 Ballini, Rosangela2 Soares, Secundino |
| Instituciones: | 1Universidade Estadual de Campinas, Departamento de Engenharia de Sistemas, Campinas, Sao Paulo. Brasil 2Universidade Estadual de Campinas, Departamento de Teoria Economica, Campinas, Sao Paulo. Brasil |
| Año: | 2006 |
| Periodo: | Jul-Sep |
| Volumen: | 17 |
| Número: | 3 |
| Paginación: | 245-256 |
| País: | Brasil |
| Idioma: | Portugués |
| Tipo de documento: | Artículo |
| Enfoque: | Analítico |
| Resumen en inglés | In this work, an algorithm for identifying time series models is proposed. The strategy is based on Partial Mutual Information Criterion (PMI), which considers not only linear but also non-linear relations between variables under study. For calculating the PMI criterion, it is necessary to approximate marginal and joint probability densities, as well as conditional expected values. In this work, these operators are estimated using the city-block distance function and product multivariate kernel estimators. The algorithm is applied for identifying time series linear models and for selecting inputs for a non-linear model based on neural networks. The neural model is used for modelling monthly average streamflow series of a Brazilian river. Experimental results show good performance of the proposed approach |
| Resumen en portugués | Este trabalho apresenta uma proposta de identificação de modelos de séries temporais baseada no algoritmo de Informação Mútua Parcial (PMI). Este critério leva em conta tanto as relações lineares, como as relações não-lineares existentes entre as variáveis consideradas na análise. Para o cálculo do PMI é necessário estimar as funções de probablidades marginais e conjunta e o valor esperado. Neste trabalho, essas funções são aproximadas através da função de diferença absoluta em combinação com as funções de kernel. O algoritmo é aplicado na identificação de modelos lineares de séries temporais, assim como na seleção de entradas de um modelo não-linear utilizando redes neurais artificiais. Estes modelos neurais são utilizados na modelagem de séries de vazões médias mensais do Brasil. Os resultados mostram a eficiência do algoritmo, tanto para identificação de modelos lineares como para não-lineares |
| Disciplinas: | Matemáticas |
| Palabras clave: | Matemáticas aplicadas, Series, Modelos, Algoritmos, Funciones, Kernel, Regresión, Linealidad, No linealidad |
| Keyword: | Mathematics, Applied mathematics, Series, Models, Algorithms, Functions, Kernel, Regression, Linearity, Nonlinear |
| Texte intégral: | Texto completo (Ver HTML) |
