趋势变化识别

对于一个已知分布的随机过程,图一. 显示了一系列样本函数的基本趋势,斜率为1.0,同时一个斜率为1.3的变化(突变)移动,从时间10的地方开始出现。为了识别出样本函数随机变量的趋势变化,将Cuscore统计量定义为

图一. 样本函数

Q=Σ[y(t)-βt]t ;其中y(t)是一系列的观测值,β是斜率(也就是观察的时间序列值在每个时间单位的变化率),t为时间指数。Cuscore值形成的图形如图二所示。

图二. Cuscore统计量

这种统计识别方法揭露和展示了斜率上的变化所呈现出来的证据。当斜率从初始值1.0增加30%变为1.3,其变化的幅度应该很明显的。30%已经很接近1/3的程度,是一个很大的变化,应该引起我们的注意,但我们很难在图一中t=10的地方识别出变化趋势。

带噪声数据趋势识别

当观测值并没有落在指定的数学曲线上时,如图三加入了随机的噪声,并依然按照30%的变化率转变,Cuscore统计量比无噪声数据显现了更强的趋势增强信号。

图三. 随机噪声加入

在图四中,ABC这条线是一个趋势变化的原型。第一个线段AB的斜率为0.5,而第二个线段BC的斜率为1.5。虚线BD是直线AB的延长线。虚线AE与直线BC平行,斜率也是1.5。当斜率发生变化,观测值就会偏离基础模型(也就是没有斜率变化)的期望值。顺着直线BC,y的值超过了直线BD的期望值,随着时间地不断增加。在图五中,我们根据Q值的累计偏差,就可以得到如曲线1所示的图形。

图四. 趋势变化图

现在我们假设事先不知道直线AB与BC的斜率,也不知道在B点的斜率发生了变化。假设我们最好的理解是,从A点开始应该出现一个1.0的斜率,如直线AC所示。在图五中,Cuscore统计量显示为曲线2的图形。Cuscore统计量的图形差异极大。根据这个假设的基础模型,得到的偏差序列,可以明显看出趋势的斜率发生了变化。[1]

图五. β=0与β=1的Cuscore统计量

数据监控

对自相关数据的监控,可先对数据拟合一个合适的时间序列模型,然后运用此模型来消除自相关性,对残差进行统计过程控制 监控。 但是这些控制图都忽略了故障表征的动态特性。因此,我们使用Cuscore统计量来进行预期信号的识别。

首先,构建如下模型

ai = ai( yi,xi,γ) i = 1,2,…,l (1)

其中yi是观测值,xi是已知的输入变量,γ 是失控信号的某个未知参数,ai ~ N( 0,σ2a) ,则对数

似然函数为

刚刚查询:cuscore Moraine Kenneth costata medical Conveyor chinese cultural Jackass esbls Rhyolite Westwood Arbalest manner Albrecht Eggleton Minister Phillips Mizugumo obtained reunited Saussure Knockout info.htm Belgians Cortical Myospila GibbsCAM KGF-II fura-2 死神VS火影1.4 到不了 秭归县 UC播放器 因此而 亲爱的嫁给我 暗度陈仓 燕翔东里 Сˮ 工作上 йʳ,չ... 混沌世界 太湖石 如愿以偿 PTL97轮式突击车 直展云 江河水 ѧ˼... 朵马巴恰皇宫 谈得上 原始传奇 潞河督运图 伊慎 明堂 雾化 蚁族 蒸发 Ԭ 通讯员 惊世核武案 Teaching ӽ뼼... ͨOA 化学纤维 萨克斯 久慈川理世 红头美洲鹫 近在咫尺 cosplay 主要是 史云梅耶动画作品集 中国DV纪实频道 Wikipedia 处州白莲 穿越为触手怪 侦听员 忆故人 ëˢ�� 乔·沃尔什 永远的羽季子
友情链接: 知道 电影 百科 好搜 问答 微信 值得买 巨便宜 天天特价 洛阳汽车脚垫 女装 女鞋 母婴 内衣 零食 美妆 汽车 油价 郑州 北京 上海 广州 深圳 杭州 南京 苏州 武汉 天津 重庆 成都 大连 宁波 济南 西安 石家庄 沈阳 南阳 临沂 邯郸 保定 温州 东莞 洛阳 周口 青岛 徐州 赣州 菏泽 泉州 长春 唐山 商丘 南通 盐城 驻马店 佛山 衡阳 沧州 福州 昆明 无锡 南昌 黄冈 遵义
© 2025 haodianxin 百科 消耗时间:0.022秒 内存2.5MB