Zeitverschie - dene Autoregressive Moving Average-Modelle für die Kovarianzschätzung quadratisch werden die spezifischen Strukturen linear oder affin gewählt. Zu den populärsten Beispielen gehören solche Modelle wie Toeplitz Abramovich et al. (2007) Asif und Moura (2005) Fuhrmann (1991) Kavcic und Moura (2000) Roberts und Ephraim (2000) Snyder et al. (1989) Soloveychik und Wiesel (2014) Sun et al. (2015) Wiesel et al. (2013), Gruppe symmetrisch Shah und Chandrasekaran (2012) Soloveychik und Wiesel (2016), spärlich Banerjee et al. (2008) Ravikumar et al. (2011) Rothman et al. (2008), niedriger Rang Fan et al. (2008) Johnstone und Lu (2009) Lounici et al. (2014) und viele andere. Nichtlineare Strukturen sind auch bei technischen Anwendungen sehr häufig. ZUSAMMENFASSUNG: Wir betrachten die Gaußsche und robuste Kovarianz-Schätzung unter der Annahme, dass die wahre Kovarianzmatrix das Kronecker-Produkt zweier niederdimensionaler quadratischer Matrizen ist. In beiden Fällen definieren wir die Schätzer als Lösungen für eingeschränkte Maximum-Likelihood-Programme. Im robusten Fall betrachten wir den Tylerx27s-Schätzer als Maximum-Likelihood-Schätzer einer bestimmten Verteilung auf einer Kugel. Wir entwickeln enge hinreichende Bedingungen für die Existenz und Eindeutigkeit der Schätzungen und zeigen, dass im Gauß-Fall mit dem unbekannten Mittelwert Frac-Frac-2 fast sicher genug, um zu garantieren, ist die Existenz und Eindeutigkeit, wobei p und q die Abmessungen der Kronecker-Produkt Faktoren sind von Die wahre Kovarianz. Im robusten Gehäuse mit dem Mittelwert bekannt, dass die entsprechenden ausreichende Anzahl von Proben ist maxfrac, Frac 1. Artikel Dezember 2015 Ilya Soloveychik Dmitry Trushin quotUnder diese Hypothese, zwei GLRT-basierte Detektoren abgeleitet und die Performance-Analyse auf realen Daten zeigen die Überlegenheit der vorgeschlagenen Detektoren in Bezug auf ihre nicht-Bayesischen Gegenstücke, wenn das Trainingsset klein ist. Der Bayesian Rahmen kann auch zusammen 11 mit der strukturellen Informationen über die Interferenz-Kovarianzmatrix verwendet werden, wie in 12 gezeigt, wo die Störung als Mehrkanal autoregressiven Prozess modelliert wird mit einem zufälligen crosschannel Kovarianzmatrix (siehe auch 13, 14) . Bei Radaranwendungen, bei denen Systeme mit einer Reihe von Sensoren ausgerüstet sind, ergibt sich strukturelle Information über die Interferenzkovarianzmatrix aus der Ausnutzung einer bestimmten Klasse von Geometrien. Zusammenfassung Abstraktes Abstraktes ABSTRAKT: Wir adressieren die adaptive Radardetektion von Targets, die in durch Erdboden dominierte Umgebungen eingebettet sind, die durch eine symmetrisch strukturierte Leistungsspektraldichte charakterisiert sind. In der Entwurfsphase greifen wir auf die Spektrumsymmetrie für die Interferenz zurück, um Entscheidungsschemata herzustellen, die in der Lage sind, die a-priori-Information über die Kovarianzstruktur zu aktivieren. Zu diesem Zweck beweisen wir, dass das vorliegende Erkennungsproblem in Form von reellen Variablen formuliert werden kann und wir dann Entwurfsverfahren anwenden, die auf dem GLRT, dem Rao-Test und dem Wald-Test beruhen. Insbesondere werden die Schätzungen der unbekannten Parameter unter der Zielpräsenzhypothese durch einen iterativen Optimierungsalgorithmus erhalten, dessen Konvergenz - und Qualitätsgarantie durchaus bewiesen ist. Die Leistungsanalyse, sowohl auf simulierten als auch auf realen Radardaten, bestätigt die Überlegenheit der betrachteten Architekturen gegenüber ihren konventionellen Pendants, die die Störspektralsymmetrie nicht nutzen. Volltext-Artikel November 2015 Antonio De Maio Danilo Orlando Chengpeng Hao Goffredo Foglia quotThe grau Systeme Modell ist besonders geeignet für kleine Proben und schlechte Informationen entstehen in technischen Anwendungen. Aufgrund der zunehmenden Komplexität, Unsicherheit und Chaos der systemx27s Struktur, traditionelle statistische Methoden wie autoregressiven gleitenden Mittelwert-Modell (Wiesel et al. 2013), bilineare Modell (Matsubara und Morimoto, 2013), nichtlineare autoregressive Modell (Li et al. 2011 ) Den evolutionären Trend nicht genau annähern. Um diesen Nachteil zu überwinden, wurde die graue Systemtheorie ursprünglich von Deng vorgeschlagen, um die Unsicherheit von Systemen zu untersuchen (Liu et al., 2013b). quot Dateidaten August 2015 IEEE Transactions on Signal ProcessingDocumentation ist die bedingungslose Mittelwert des Prozesses, und x03C8 (L) ist eine rationale, unendliche Grad Verzögerung Operator Polynom (1 x03C8 1 L x03C8 2 VO 2 x2026). Anmerkung: Die Constant-Eigenschaft eines arima-Modellobjekts entspricht c. Und nicht das unbedingte Mittel 956. Durch Wolds-Zerlegung 1. Gleichung 5-12 entspricht einem stationären stochastischen Prozeß, vorausgesetzt, daß die Koeffizienten x03C8i absolut summierbar sind. Dies ist der Fall, wenn das AR-Polynom, x03D5 (L). Stabil ist. Dh alle Wurzeln liegen außerhalb des Einheitskreises. Zusätzlich ist das Verfahren kausal, vorausgesetzt das MA-Polynom ist invertierbar. Dh alle Wurzeln liegen außerhalb des Einheitskreises. Econometrics Toolbox forciert Stabilität und Invertierbarkeit von ARMA Prozessen. Wenn Sie ein ARMA-Modell mit Arima angeben. Erhalten Sie einen Fehler, wenn Sie Koeffizienten eingeben, die nicht einem stabilen AR-Polynom oder einem invertierbaren MA-Polynom entsprechen. Ähnlich erfordert die Schätzung während der Schätzung Stationaritäts - und Invertibilitätsbeschränkungen. Literatur 1 Wold, H. Eine Studie in der Analyse stationärer Zeitreihen. Uppsala, Schweden: Almqvist amp Wiksell, 1938. Wählen Sie Ihr Land
No comments:
Post a Comment