Propostas para modelagem computacional on-line de dados de séries temporais e de sistemas altamente não lineares
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
Texto Completo: | https://hdl.handle.net/20.500.12733/1637003 |
Resumo: | Orientador: Celso Pascoli Bottura |
id |
UNICAMP-30_2735a38627be3e85df121237ee366ccf |
---|---|
oai_identifier_str |
oai::1092358 |
network_acronym_str |
UNICAMP-30 |
network_name_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
repository_id_str |
|
spelling |
Propostas para modelagem computacional on-line de dados de séries temporais e de sistemas altamente não linearesProposals for on-line computational modeling of highly nonlinear time series and systems dataModelagem de dadosModelos não lineares (Estatística)Sistemas não-linearesSéries temporaisAnálise de regressãoData modelingNon-linear modelsTime seriesRegression analysisOrientador: Celso Pascoli BotturaTese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: Esta tese apresenta duas propostas para modelagem computacional de dados de séries temporais e de sistemas altamente não lineares. Cada proposta aproxima os dados a um modelo de regressão não linear, mas linear nos parâmetros, onde os parâmetros são funções desconhecidas que dependem de variáveis conhecidas, que chamamos regressores causais. Assim, propomos chamar estes modelos como AutoRegressivos com Parâmetros Dependentes de Regressores Causais (ARX-RDP). A principal dificuldade para estimar modelos ARX-RDP é que seus parâmetros podem variar muito rapidamente. A nossa primeira proposta de modelagem, divide o problema de estimação de parâmetros com dinâmicas muito variáveis, em subproblemas de estimação de parâmetros com dinâmicas suavizadas localmente. Deste modo, múltiplos sub-modelos locais com parâmetros suavizados, são estimados utilizando um filtro de mínimos quadrados recursivo convencional. Esta técnica está inspirada nos métodos clássicos de linearização por partes e no método de reordenamento de dados para suavizar parâmetros rápidos, de Peter Young. A segunda proposta é um método de estimação de parâmetros completamente On-Line, obtido como resultado de uma análise da modelagem de cada parâmetro, no domínio do seu regressor causal associado, ao invés de no domínio do tempo, como usual. Deste modo, um estimador recursivo, conformado pelo preditor causal proposto e por um corretor de mínimos quadrados convencional, é obtido. Até onde conhecemos, todos os métodos On-Line alternativos para estimar modelos ARX-RDP, na literatura, precisam de uma etapa de estimação Off-Line prévia. Por isto denominamos esta proposta como estimador completamente On-Line. Múltiplos exemplos são apresentados para abordar diversos casos de modelagem de dados: Modelamento caixa-preta, modelagem MIMO, estimação de parâmetros multi-dependentes. Finalmente tratamos o controle adaptativo tipo Proporcional-Integral-Plus de sistemas descritos por modelos ARX-RDP e apresentamos um exemplo de aplicaçãoAbstract: This thesis presents two proposals for computational modeling of highly nonlinear time series and systems data. Each proposal approximates the data to a nonlinear regression model, but linear in the parameters, where the parameters are unknown functions that depend on known variables, that we call causal regressors. We call these models as AutoRegressive with Causal Regressors Dependent Parameters (ARX-RDP). The main difficulty for estimating ARX-RDP models is that their parameters may vary very quickly. Our first proposal of modeling, divides the problem of fast variable parameters dynamics estimation, into parameter estimation subproblems with locally smoothed dynamics. Thus, multiple local sub-models with smoothed parameters variations are estimated using conventional recursive least squares filters. This technique is inspired by classical methods of piecewise linearization and by the Peter Young's method of data reordering of fast parameters smoothing. The second proposal is a completely On-Line parameter estimation method, obtained as a result of a data modeling procedure for each parameter, in the domain of its associated causal regressor, rather than in the time domain, as usual. Thus, a recursive parameter estimator, conformed by the proposed causal predictor and by a conventional least squares corrector, is obtained. As far as we know, all alternative existing On-Line methods for estimating ARX-RDP models in the literature require a previous Off-Line estimation step. This is why we call this proposal an on-line parameter estimator. Multiple examples are presented to address several cases of data modeling: black box systems, MIMO modeling, multi-dependent parameters modeling. Finally, the adaptive Proporcional-Integral-Plus control of ARX-RDP systems is treated and an application example is presentedDoutoradoAutomaçãoDoutor em Engenharia ElétricaCAPES[s.n.]Bottura, Celso Pascoli, 1938-Aguirre, Luis AntonioSerra, Ginalber Luiz de OliveiraAttux, Romis Ribeiro de FaissolGiesbrecht, MateusUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASAlegria, Elvis Omar Jara, 1986-20192019-06-10T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (156 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1637003ALEGRIA, Elvis Omar Jara. Propostas para modelagem computacional on-line de dados de séries temporais e de sistemas altamente não lineares. 2019. 1 recurso online (156 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1637003. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1092358Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2020-05-07T15:20:11Zoai::1092358Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2020-05-07T15:20:11Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false |
dc.title.none.fl_str_mv |
Propostas para modelagem computacional on-line de dados de séries temporais e de sistemas altamente não lineares Proposals for on-line computational modeling of highly nonlinear time series and systems data |
title |
Propostas para modelagem computacional on-line de dados de séries temporais e de sistemas altamente não lineares |
spellingShingle |
Propostas para modelagem computacional on-line de dados de séries temporais e de sistemas altamente não lineares Alegria, Elvis Omar Jara, 1986- Modelagem de dados Modelos não lineares (Estatística) Sistemas não-lineares Séries temporais Análise de regressão Data modeling Non-linear models Time series Regression analysis |
title_short |
Propostas para modelagem computacional on-line de dados de séries temporais e de sistemas altamente não lineares |
title_full |
Propostas para modelagem computacional on-line de dados de séries temporais e de sistemas altamente não lineares |
title_fullStr |
Propostas para modelagem computacional on-line de dados de séries temporais e de sistemas altamente não lineares |
title_full_unstemmed |
Propostas para modelagem computacional on-line de dados de séries temporais e de sistemas altamente não lineares |
title_sort |
Propostas para modelagem computacional on-line de dados de séries temporais e de sistemas altamente não lineares |
author |
Alegria, Elvis Omar Jara, 1986- |
author_facet |
Alegria, Elvis Omar Jara, 1986- |
author_role |
author |
dc.contributor.none.fl_str_mv |
Bottura, Celso Pascoli, 1938- Aguirre, Luis Antonio Serra, Ginalber Luiz de Oliveira Attux, Romis Ribeiro de Faissol Giesbrecht, Mateus Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação Programa de Pós-Graduação em Engenharia Elétrica UNIVERSIDADE ESTADUAL DE CAMPINAS |
dc.contributor.author.fl_str_mv |
Alegria, Elvis Omar Jara, 1986- |
dc.subject.por.fl_str_mv |
Modelagem de dados Modelos não lineares (Estatística) Sistemas não-lineares Séries temporais Análise de regressão Data modeling Non-linear models Time series Regression analysis |
topic |
Modelagem de dados Modelos não lineares (Estatística) Sistemas não-lineares Séries temporais Análise de regressão Data modeling Non-linear models Time series Regression analysis |
description |
Orientador: Celso Pascoli Bottura |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019 2019-06-10T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/20.500.12733/1637003 ALEGRIA, Elvis Omar Jara. Propostas para modelagem computacional on-line de dados de séries temporais e de sistemas altamente não lineares. 2019. 1 recurso online (156 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1637003. Acesso em: 3 set. 2024. |
url |
https://hdl.handle.net/20.500.12733/1637003 |
identifier_str_mv |
ALEGRIA, Elvis Omar Jara. Propostas para modelagem computacional on-line de dados de séries temporais e de sistemas altamente não lineares. 2019. 1 recurso online (156 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1637003. Acesso em: 3 set. 2024. |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://repositorio.unicamp.br/acervo/detalhe/1092358 Requisitos do sistema: Software para leitura de arquivo em PDF |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf 1 recurso online (156 p.) : il., digital, arquivo PDF. |
dc.publisher.none.fl_str_mv |
[s.n.] |
publisher.none.fl_str_mv |
[s.n.] |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) instname:Universidade Estadual de Campinas (UNICAMP) instacron:UNICAMP |
instname_str |
Universidade Estadual de Campinas (UNICAMP) |
instacron_str |
UNICAMP |
institution |
UNICAMP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
collection |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP) |
repository.mail.fl_str_mv |
sbubd@unicamp.br |
_version_ |
1809189148880273408 |