Autoregressive एकीकृत चलती - औसत - matlab

एआरआईएमए गैर-हंगामी मॉडल का परिचय। आरआइएमए पी, डी, क्यू भविष्यवाणी समीकरण एआरआईएए मॉडल, सिद्धांत में, एक समय श्रृंखला की भविष्यवाणी के लिए मॉडल का सबसे सामान्य वर्ग है, जो आवश्यक हो, शायद गैर-अक्षीय परिवर्तनों के साथ संयोजन के आधार पर अलग होने के लिए बनाया जा सकता है। जैसे कि लॉगिंग या यदि आवश्यक हो तो deflating एक यादृच्छिक चर जो एक समय श्रृंखला है, स्थिर है यदि इसकी सांख्यिकीय गुण समय के साथ सभी स्थिर होते हैं एक स्थिर श्रृंखला का कोई प्रवृत्ति नहीं है, इसके माध्य के आसपास इसके भिन्नताएं एक निरंतर आयाम होती हैं, और यह लगातार फैशन में लुप्त हो जाती है अर्थात् इसके अल्पकालिक यादृच्छिक समय पैटर्न हमेशा एक सांख्यिकीय अर्थ में एक ही दिखते हैं बाद के अवस्था का मतलब है कि इसके स्वयं के संबंधों से संबंधों से पूर्व विचलन के साथ-साथ समय-समय पर स्थिर रहता है, या समतुल्य है कि इसकी शक्ति का स्पेक्ट्रम समय के साथ स्थिर रहता है एक यादृच्छिक इस फॉर्म के वेरिएबल को सामान्य रूप से सिग्नल और शोर के संयोजन के रूप में देखा जा सकता है, और संकेत अगर एक स्पष्ट है तो एक पट्ट हो सकता है तेजी से या धीमा मतलब उत्क्रमण, या साइनसोडियाल दोलन, या संकेत में तेजी से प्रत्यावर्तन, और यह भी एक मौसमी घटक हो सकता है एक एआरआईएएमए मॉडल को फ़िल्टर के रूप में देखा जा सकता है जो शोर से संकेत को अलग करने की कोशिश करता है, और तब संकेत होता है पूर्वानुमान प्राप्त करने के लिए भविष्य में एक्सट्रपलेशन। ARIMA एक स्थिर समय श्रृंखला के लिए समीकरण का अनुमान लगा रहा है एक रेखीय अर्थात् प्रतिगमन-प्रकार का समीकरण है जिसमें भविष्यवाणियों में निर्भर परिवर्तनशील और अनुमानित त्रुटियों की गड़बड़ी शामिल होती है। यह Y का मूल्य अनुमानित है। वाई के एक या अधिक हाल के मूल्यों की एक निरंतर और या एक वेटेड योग और या त्रुटियों के एक या अधिक हाल के मूल्यों का एक भारित योग। यदि भविष्यवाणियों में वाई के केवल वही मूल्यों को शामिल किया जाता है तो यह एक शुद्ध आटोरेग्रेसिव स्व-रेग्रेडेड मॉडल है, जो सिर्फ प्रतिगमन मॉडल का एक विशेष मामला है और जो मानक प्रतिगमन सॉफ़्टवेयर के साथ लगाया जा सकता है उदाहरण के लिए, वाई के लिए एक प्रथम-ऑर्डर आटोमैरेसिव एआर 1 मॉडल एक सरल प्रतिगमन मॉडल है जिसमें स्वतंत्र चर I एस सिर्फ एक ही अवधि में लैग वाई, स्टेटैग्राफिक्स में 1 या रीलाग में YLAG1 यदि कुछ भविष्यवक्ताओं की त्रुटियों की गड़बड़ी होती है, तो एक एआरआईएएएम मॉडल यह एक रेखीय प्रतिगमन मॉडल नहीं है, क्योंकि पिछली अवधि की त्रुटि को निर्दिष्ट करने का कोई तरीका नहीं है एक स्वतंत्र चर के रूप में त्रुटियों को एक अवधि-टू-अवधि के आधार पर गणना की जानी चाहिए जब मॉडल को डेटा के लिए फिट किया जाता है एक तकनीकी दृष्टिकोण से, भविष्यवाणियों के रूप में लंबित त्रुटियों का उपयोग करने की समस्या यह है कि मॉडल की भविष्यवाणियां रेखीय कार्य नहीं हैं गुणांक्षकों हालांकि वे पिछले डेटा के रैखिक कार्य हैं, इसलिए, एआरआईएए मॉडल में गुणांक, जिनमें गड़बड़ी त्रुटियों को शामिल किया गया है, गैर-रेखीय अनुकूलन विधियों द्वारा समीकरणों की एक प्रणाली को सुलझाने की बजाय पहाड़ी-चढ़ाई से अनुमान लगाया जाना चाहिए। संक्षिप्त नाम एआरआईएए ऑटो-रिग्रेसिव इंटीग्रेटेड पूर्वानुमानित समीकरण में स्थिर श्रृंखला के औसत झुकाव को आटोमैरेसिव शब्द कहा जाता है, भविष्य की त्रुटियों की गलतियों को औसत शर्तों को चलना कहा जाता है, और एक समय श्रृंखला होती है जिसे एक स्थिर श्रृंखला के एक एकीकृत संस्करण होने के लिए कहा जाता है, यादृच्छिक-चलने और यादृच्छिक-प्रवृत्ति मॉडल, आटोमैडिव मॉडल, और घातीय चिकनाई मॉडल, एआरआईएए मॉडल के सभी विशेष मामलों हैं। एक गैर-हंगामी ARIMA मॉडल को ARIMA के रूप में वर्गीकृत किया जाता है पी, डी, क्यू मॉडल, जहां पी है। autoregressive terms. d की संख्या है, अनावश्यक अंतर के लिए आवश्यक अंतर की संख्या है, और. q भविष्यवाणी समीकरण में अनुमानित पूर्वानुमान की कमी की संख्या है। पूर्वानुमान समीकरण निम्नानुसार बनाया गया है सबसे पहले, y का मतलब y का अंतर है जो y का अर्थ है। नोट करें कि वाई 2 का दूसरा अंतर 2 अवधि से भिन्न नहीं है बल्कि इसके पहले-अंतर-पहला अंतर है एक दूसरे व्युत्पन्न के असतत अनुरूप, अर्थात स्थानीय प्रवृत्ति की बजाय श्रृंखला का स्थानीय त्वरण। वाई के संदर्भ में सामान्य पूर्वानुमान समीकरण है। यहां चलने वाले औसत मापदंडों को परिभाषित किया जाता है ताकि उनके लक्षण ईके में नकारात्मक हो। यूएएन, बॉक्स और जेनकिंस द्वारा पेश किए गए सम्मेलन के बाद कुछ प्रोग्रामर और सॉफ्टवेयर प्रोग्रामिंग भाषा सहित सॉफ्टवेयर उन्हें परिभाषित करते हैं ताकि उनके पास प्लस लक्षण हो सकते हैं जब वास्तविक संख्या को समीकरण में जोड़ा जाता है, तो कोई अस्पष्टता नहीं है, लेकिन यह जानना महत्वपूर्ण है कि कौन सी सम्मेलन जब आप आउटपुट पढ़ रहे हैं तो आपके सॉफ़्टवेयर का इस्तेमाल होता है अक्सर एआर 1, एआर 2, और एमए 1, एमए 2, द्वारा मापदंडों को चिह्नित किया जाता है। आप वाई के लिए उचित एआरआईएएएम मॉडल की पहचान करने के लिए, सीज़न को स्थिर बनाने और सीजन की सकल फीचर को दूर करने के लिए, संभवतः लॉगिंग या डिफ्लेटिंग जैसे विचरण-स्थिर परिवर्तन के संयोजन के साथ यदि आप इस बिंदु पर रुकते हैं और अनुमान लगाते हैं कि अलग-अलग सीरीज स्थिर है, तो आप केवल एक यादृच्छिक पैदल या यादृच्छिक प्रवृत्ति मॉडल हालांकि, स्थिर श्रृंखला में अभी भी त्रुटियों को स्वत: संबंधित कर सकते हैं, सुझाव दे रहे हैं कि कुछ एआर पदों पी 1 और या कुछ एमए शर्तों q 1 भी आवश्यक हैं पूर्वानुमान समीकरण में। पी, डी, और क्यू के मूल्यों का निर्धारण करने की प्रक्रिया, जो किसी निश्चित समय श्रृंखला के लिए सर्वोत्तम है, उन नोटों के बाद के खंडों में चर्चा की जाएगी जिनके लिंक इस पृष्ठ के शीर्ष पर हैं, लेकिन कुछ का पूर्वावलोकन गैर-मौसमी एआरआईएए मॉडल के प्रकार जिन्हें सामान्यतः सामना करना पड़ता है, नीचे दिया गया है। आरआईएमएए 1,0,0 प्रथम श्रेणी ऑटरेडियसिव मॉडल अगर श्रृंखला स्थिर और स्वचुनावित होती है, शायद यह अपने स्वयं के पिछला मूल्य की एक बहुमत के रूप में भविष्यवाणी की जा सकती है, प्लस ए निरंतर इस मामले में भविष्यवाणी समीकरण है। वाई एक ही समय में पीछे आ गया है, वह एक अवधि से पिछड़ गया है यह एक एआरआईएएमए 1,0,0 निरंतर मॉडल है यदि वाई का मतलब शून्य है, तो निरंतर शब्द शामिल नहीं होगा। अगर ढलान गुणांक 1 सकारात्मक और 1 परिमाण में से कम है यदि यह स्थिर है, तो यह 1 परिमाण से कम होना चाहिए, मॉडल का अर्थ-पूर्ववर्ती व्यवहार का वर्णन करता है जिसमें अगली पीढ़ी के मूल्य को 1 गुणा के रूप में अनुमानित रूप से दूर होना चाहिए इस अवधि का मान यदि 1 नकारात्मक है, तो यह भविष्यवाणी करता है कि संकेतों के प्रत्यावर्तन के साथ व्यवहार-पूर्ववर्ती व्यवहार, यानी यह भी भविष्यवाणी करता है कि अगर यह अवधि इस अवधि से ऊपर है तो Y अगली अवधि से कम होगी। एक दूसरे क्रम के आटोमैरेसिव मॉडल ARIMA 2.00 में, एक वाई टी -2 शब्द भी सही पर, और इसी तरह गुणांक के संकेतों और परिमाणों के आधार पर, एक एआरआईएएएम 2.00 मॉडल एक ऐसी प्रणाली का वर्णन कर सकता है जिसका मतलब है कि गलती की तरह, एक sinusoidally oscillating फैशन में जगह लेता है एक वसंत पर एक द्रव्यमान का जो यादृच्छिक झटके के अधीन होता है। आरआईएमए 0,1,0 यादृच्छिक चलना यदि श्रृंखला वाई स्थिर नहीं है, तो इसके लिए सबसे आसान संभव मॉडल एक यादृच्छिक चलना मॉडल है, जिसे एक सीमित मामले के रूप में माना जा सकता है एक एआर 1 मॉडल जिसमें autoregressive गुणांक 1 के बराबर है, असीम धीमा मतलब उत्क्रमण के साथ यानी सीरीज इस मॉडल के लिए भविष्यवाणी समीकरण के रूप में लिखा जा सकता है। जहां निरंतर अवधि औसत अवधि-प्रति-अवधि परिवर्तन है, जो दीर्घकालिक वाई में बहाव यह मॉडल एक न-अवरोधक के रूप में लगाया जा सकता है ग्रेसन मॉडल जिसमें वाई का पहला अंतर आश्रित चर है क्योंकि इसमें केवल एक नॉनसिजानल फर्क और एक निरंतर शब्द शामिल है, इसे एक एआरआईएएमए 0,1,0 मॉडल के रूप में वर्गीकृत किया जाता है निरंतर के साथ यादृच्छिक-चलना-बिना - डिफ्ट मॉडल होगा एक एआरआईएएमए 0,1,0 मॉडल बिना स्थिर। अरिमा 1,1,0 अलग-अलग पहले ऑर्डर आटोएरेगेसिव मॉडल यदि एक यादृच्छिक चलने की मॉडल की त्रुटियों को स्वतः समन्वयित किया जाता है, तो शायद समस्या को निर्भर चर का एक अंतर जोड़कर तय किया जा सकता है भविष्यवाणी समीकरण - यानी, वाई के पहले अंतर को एक अवधि से ही पीछे की ओर अग्रसर करके यह निम्नलिखित भविष्यवाणी के समीकरण को उत्पन्न करता है। इसे किस प्रकार पुनर्व्यवस्थित किया जा सकता है। यह गैर-मौलिक डिस्क्रिप्शन के एक ऑर्डर और एक स्थिर शब्द के साथ एक प्रथम-ऑर्डर ऑटरेहेडिव मॉडल है - एक अरिआ 1,1,0 मॉडल. राममा 0,1,1 निरंतर सरल घातीय चौरसाई के बिना एक यादृच्छिक चलने के मॉडल में स्वतः समन्वयित त्रुटियों को सुधारने के लिए एक और रणनीति सरल घातीय चिकनाई मॉडल द्वारा सुझाई गई है कि कुछ के लिए स्मरण करो नॉनस्टेशनरी टाइम सीरीज उदा जैसे धीरे-अलग अर्थ के आसपास शोर उतार-चढ़ाव का प्रदर्शन, यादृच्छिक चलने वाला मॉडल पिछले मानों की चलती औसत प्रदर्शन नहीं करता है, दूसरे शब्दों में, अगले अवलोकन के पूर्वानुमान के रूप में सबसे हालिया अवलोकन लेने के बजाय , शोर को फ़िल्टर करने और स्थानीय अर्थ का सटीक रूप से अनुमान लगाने के लिए पिछले कुछ टिप्पणियों के औसत का उपयोग करना बेहतर होता है सरल अनुमानी चिकनाई मॉडल इस प्रभाव को प्राप्त करने के लिए पिछले मूल्यों के एक तेज भारित चलती औसत का उपयोग करता है सरल घातीय चिकनाई मॉडल कई गणितीय समकक्ष रूपों में लिखा जा सकता है, जिनमें से एक तथाकथित त्रुटि सुधार प्रपत्र है, जिसमें पिछले पूर्वानुमान की गड़बड़ी की दिशा में समायोजित किया गया है.क्योंकि ई टी -1 वाई टी टी- परिभाषा के द्वारा 1 - टी -1, इसे फिर से लिखा जा सकता है। जो एक एआरआईएमए 0,1,1 है-1 के साथ निरंतर भविष्यवाणी समीकरण 1 - इसका मतलब यह है कि आप एक सरल घातीय स्मू यह एक एआरआईएमए 0,1,1 मॉडल के रूप में निरंतर बिना निर्दिष्ट करके, और एसएएस फार्मूले में अनुमानित एमए 1 गुणांक 1-शून्य से अल्फा से मेल खाती है स्मरण करो कि एसईएस मॉडल में, 1- अवधि-आगे पूर्वानुमान 1 अर्थ है कि वे प्रवृत्तियों के पीछे पीछे रहेंगे या लगभग 1 समय के अंक बदल सकते हैं। इसके बाद यह मानता है कि एआरआईएमए की 1-अवधि-आगे पूर्वानुमान में डेटा की औसत आयु 0,1 -1- बिना- निरंतर मॉडल 1 1 - 1 है, उदाहरण के लिए, यदि 1 0 8, औसत आयु 5 है 1 के रूप में 1 दृष्टिकोण, एआरआईएमए 0,1,1 - अंतर-निरंतर मॉडल एक बहुत-लंबी अवधि की चलती औसत बन जाता है, और 1 दृष्टिकोण के रूप में यह एक यादृच्छिक-चलने के बिना-बहाव मॉडल बन जाता है। एआर शब्दों को जोड़ने या एमए पदों को जोड़ने के लिए स्वत: संबंध के लिए सही तरीके का सबसे अच्छा तरीका ऊपर बताए गए पिछले दो मॉडल में, एक यादृच्छिक चलने वाले मॉडल में स्वत: दो अलग अलग तरीकों से समीकरण को अलग-अलग सीरीज के पीछे वाला मान जोड़कर या पूर्वानुमान के पीछे वाले मूल्य को जोड़कर तय किया गया था इस त्रुटि के लिए कौन सी दृष्टिकोण सबसे अच्छा है, इस बारे में अधिक विस्तार से चर्चा की जाएगी, जो बाद में अधिक चर्चा की जाएगी, यह है कि सकारात्मक आत्मसंयम आमतौर पर मॉडल के लिए एआर शब्द जोड़कर सबसे अच्छा माना जाता है और नकारात्मक आत्मसंयम आमतौर पर सबसे अच्छा इलाज होता है व्यापार और आर्थिक समय श्रृंखला में एक एमए अवधि को जोड़ना, सामान्य रूप से आदान-प्रदान के रूप में नकारात्मक आत्मसम्मान अक्सर उत्पन्न होता है, सामान्यतः विभेदकों ने सकारात्मक आत्मसंतुष्टता को कम कर दिया है और सकारात्मक भी नकारात्मक आत्मसंरचना से एक स्विच भी हो सकता है, इसलिए, ARIMA 0,1,1 मॉडल में जो differencing एक एमए अवधि के साथ है, अक्सर एक ARIMA 1,1,0 मॉडल की तुलना में प्रयोग किया जाता है। आरआईएमए 0,1,1 लगातार वृद्धि के साथ सरल घातीय चिकनाई के साथ एसईएस मॉडल को एक ARIMA मॉडल के रूप में लागू करने से, आप वास्तव में कुछ हासिल करते हैं लचीलेपन सबसे पहले, अनुमानित एमए 1 गुणांक ऋणात्मक होने की अनुमति दी जाती है, यह एसईएस मॉडल में 1 से बड़े स्कूटरिंग कारक से मेल खाती है, जो आमतौर पर एसईएस मॉडल-फिटिंग प्रक्रिया से अनुमत नहीं है ओडीडी, यदि आपके पास औसत नॉन-शून्य प्रवृत्ति का अनुमान लगाने के लिए, यदि आप चाहें तो एआरआईएए मॉडल में एक निरंतर अवधि को शामिल करने का विकल्प होता है ARIMA 0,1,1 मॉडल के साथ निरंतर में भविष्यवाणी का समीकरण होता है। एक अवधि आगे इस मॉडल से भविष्यवाणियां एसईएस मॉडल की तुलना में गुणात्मक रूप से समान हैं, सिवाय इसके कि लंबी अवधि के पूर्वानुमान की गति आमतौर पर एक ढालदार रेखा होती है जिसका ढलान क्षैतिज रेखा के बजाय म्यू के बराबर होता है.आरीमा 0,2,1 या 0, 2,2 निरंतर रेखीय घातीय चौरसाई के बिना रेखीय घातीय चौरसाई मॉडल एआरआईएए मॉडल हैं जो एमए शब्दों के साथ संयोजन के साथ दो नॉनसैसोनल मतभेद का उपयोग करते हैं एक श्रृंखला वाई का दूसरा अंतर यह नहीं है कि वाई के बीच का अंतर और दो अवधि के बीच ही अंतर होता है, बल्कि यह पहले अंतर का पहला अंतर - अवधि में वाई के परिवर्तन-इन-परिवर्तन में, इस प्रकार, y का दूसरा अंतर अवधि टी में वाई टी-वाई टी-1-वाई टी-1- वाई के समान है टी -2 वाई टी -2 वाई टी -1 वाई टी -2-असतत फ़ंक्शन का दूसरा अंतर एनालोगु है एक निरंतर कार्य का दूसरा व्युत्पन्न है, जो किसी बिंदु पर किसी बिंदु पर समारोह में त्वरण या वक्रता को मापता है। लगातार भविष्य के बिना ARIMA 0,2,2 मॉडल की भविष्यवाणी है कि श्रृंखला का दूसरा अंतर पिछले के एक रैखिक समारोह के बराबर है दो पूर्वानुमान त्रुटियां। जो कि दोबारा बदल दी जा सकती हैं। 1 और 2 एमए 1 और एमए 2 गुणांक हैं ये एक सामान्य रेखीय घातीय चिकनाई मॉडल है, जो अनिवार्य रूप से होल्ट के मॉडल के समान है, और ब्राउन का मॉडल एक विशेष मामला है, इसका उपयोग तीव्रता से भारित श्रृंखला में स्थानीय स्तर और स्थानीय प्रवृत्ति दोनों का आकलन करने के लिए औसत चलती है इस मॉडल से दीर्घकालिक पूर्वानुमान एक सीधी रेखा के साथ मिलते हैं जिनकी ढलान श्रृंखला के अंत की ओर देखते हुए औसत प्रवृत्ति पर निर्भर करता है। निरंतर भिगोना-प्रवृत्ति रैखिक घातीय चौरसाई। इस मॉडल को एआरआईएमए मॉडल पर मौजूद स्लाइडों में सचित्र किया गया है, यह श्रृंखला के अंत में स्थानीय प्रवृत्ति का विस्तार करती है, लेकिन इसे लंबे समय तक पूर्वानुमान वाले क्षितिजों में पेश करती है रूढ़िवाद के ऊट, एक अभ्यास जो अनुभवजन्य समर्थन है, लेख के बारे में लेख देखें क्यों गार्डर्ड और मैकेंजी और बांह नियम द्वारा गोल्डम नियम लेख आर्मस्ट्रांग एट अल द्वारा विवरण के लिए काम करता है। आम तौर पर उन मॉडलों में रहना उचित है जिसमें कम से कम एक पी और q 1 से बड़ा नहीं है, यानी ऐसे एआरआईएआई 2,1,2 जैसे किसी मॉडल को फिट करने की कोशिश न करें, क्योंकि यह गणित संबंधी नोट्स में और अधिक विस्तार से चर्चा की जाने वाली अधिकता वाली और आम-कारक समस्याओं का नेतृत्व करने की संभावना है। एआरआईएए मॉडल की संरचना। स्प्रैडशीट कार्यान्वयन एआरआईएए मॉडल जैसे कि ऊपर वर्णित हैं, स्प्रेडशीट पर लागू करना आसान है। भविष्यवाणी समीकरण केवल एक रैखिक समीकरण है जो मूल समय श्रृंखला के पिछले मानों और त्रुटियों के पिछले मूल्यों को दर्शाता है इस प्रकार, आप सेट अप कर सकते हैं एक एआरआईएमए स्तंभ ए में डेटा, कॉलम बी में अनुमानित सूत्र, और कॉलम सी में त्रुटि डेटा घटाव पूर्वानुमान को संग्रहित करके स्प्रेडशीट की भविष्यवाणी करता है कॉलम बी में एक विशिष्ट सेल में पूर्वानुमान सूत्र केवल एक रेखीय व्यक्तित्व होगा n ए और सी के पूर्ववर्ती पंक्तियों में मूल्यों को संदर्भित करते हुए, स्प्रेडशीट पर कहीं और कोशिकाओं में संग्रहीत उचित एआर या एमए गुणक द्वारा गुणा किया जाता है। निष्पादक फिल्टर। एआर फिल्टर क्या है, यह समझाने से पहले, मुझे सामान्य सेटिंग में एक सामान्य असतत-समय फिल्टर वह है जिसमें वर्तमान आउटपुट नमूना मौजूदा और पिछले इनपुट नमूनों और पिछले आउटपुट नमूनों की भारित राशि पर आधारित होता है। यह भी एक एआरएमए ऑटोरेग्रेसिव चलती-औसत फिल्टर के रूप में मैटलैब में पता है, आप इकट्ठा करेंगे वैक्टर ए और बीए ए 1 ए 2 ए 3 ए 4 ए 5 बी बी 1 बी 2 बी 3 बी 4 बी 5 बी 6 बी 7 में गुणांक, जहां 4 और एनबी 6 पर एन के 6 के बारे में सावधान रहें। वास्तव में मेटलैब में सिग्नल फिल्टर करने के लिए आप फ़िल्टर कमांड का उपयोग करते हैं । बी 0 81 1 -1 8596 1 ए 1 -1 6737 0 81 एन 150 टी 0 001 0 एन -1 एक्स पाप 2 पी 60 टी 0 5 रैंड एन, 1 वाई फिल्टर बी, ए, एक्स प्लॉट x y। आवृत्ति फ़िल्टर का जवाब FREQZ कमांड के साथ देखा जा सकता है। यह एक भूखंड बनाता है, जिससे आप देख सकते हैं कि फिल्टर गुणांक मैं descr टाइम-डोमेन प्लॉट से एक सरल निशान फ़िल्टर, आप देख सकते हैं कि मैंने साइनसॉयड को रद्द करने के लिए पायदान बनाया है.अब एक एआर ऑटोटेरेसेव्ह फिल्टर केवल एक फिल्टर है, जिसके लिए सभी बी गुणांकों को शून्य से शून्य माना जाता है। वर्तमान आउटपुट नमूना वर्तमान इनपुट और पिछले आउटपुट के भारित योग से प्राप्त होता है पिछले इनपुट नमूनों का उपयोग नहीं किया जाता है Matlab. b 1 14 a 1 -1 6737 0 81 एन 150 टी 0 001 0 एन -1 एक्स पाप 2 पीआई 60 टी 0 5 रैंड एन, 1 वाई फिल्टर बी, ए, एक्स प्लॉट x y यह फ़िल्टर एक गरीब कम पार्स फ़िल्टर होता है जिसे आप देखेंगे कि अगर आप freqz b का उपयोग करते हैं, तो एआर फ़िल्टर को ऑल-पोल फिल्टर भी कहा जाता है। ए एमए चलती औसत फिल्टर एक है जिसमें केवल नोजरोज़ एक गुणांक 1 में है मामला, वर्तमान आउटपुट नमूना की गणना वर्तमान और पिछले इनपुट नमूनों से की जाती है पिछले आउटपुट नमूनों का उपयोग नहीं किया जाता है एक एमए फिल्टर को एक ऑल-शून्य या एफआईआर फिल्टर भी कहा जाता है। डिजिटल सिग्नल प्रोसेसिंग पर कोई भी किताब यह जानकारी नहीं देगी, एआर शब्द विशेष रूप से, लेकिन उम्मीद है कि उपरोक्त स्पष्टीकरण आपके लिए शब्दावली का अनुवाद करने के लिए काफी स्पष्ट था, क्योंकि मैं किसी विशेष पुस्तक की सिफारिश नहीं करना चाहता हूं क्योंकि मुझे नहीं पता है कि आप क्या पढ़ना चाहते हैं, डिजिटल सिग्नल प्रोसेसिंग जानकारी के लिए वेब पर एक अच्छा संसाधन इसमें एक न्यूज़ ग्रुप भी है। मदद करने पर आशा है। पीएस नोट कई मायनों में एमए, एआर और एआरएमए का उपयोग किया जाता है जिस तरह से मैं उन्हें ऊपर वर्णित करता हूं एक सामान्य उपयोग होता है, लेकिन इसका इस्तेमाल एक फिल्टर के विपरीत संकेत भी होता है सफेद शोर वाई फ़िल्टरिंग द्वारा प्राप्त एफ 1, सभी को छोड़कर शून्य से शून्य के सभी बी शून्य, या बी 1 के अलावा सामान्य फिल्टर, मुझे लगता है कि संक्षेपण के लिए यह दूसरा अर्थ तकनीकी रूप से अधिक सटीक है, लेकिन आप व्यवहार में प्रयुक्त दोनों अर्थ देखेंगे। संदेश में लिखा है हाय, क्या किसी को पता है या कुछ अच्छा उदाहरण हैं कि एआर फ़िल्टर कैसे काम करता है, यहां तक ​​कि पुस्तकों के ISBN नंबर भी बहुत धन्यवाद हैं। धन्यवाद रिकार्डो। न्यूज़ग्रुप, न्यूज़रेडर और मैटलब सेंट्रल के बारे में। समाचार समूह क्या हैं। समाचार समूह पूरे विश्वव्यापी हैं फ़ोरम जो हर किसी के लिए खुला है, न्यूजग्रुप का इस्तेमाल विषयों की एक विशाल श्रेणी, घोषणाएं और व्यापार फ़ाइलों पर चर्चा करने के लिए किया जाता है। चर्चाएं लड़ी हुई हैं, या एक तरह से समूहीकृत की जाती हैं जिससे आप पोस्ट किए गए संदेश और उसके सभी उत्तरों को कालानुक्रमिक क्रम में पढ़ सकते हैं बातचीत के धागे का पालन करना आसान बनाता है, और यह देखने के लिए कि आपके स्वयं के उत्तर पोस्ट करने या एक नई पोस्टिंग करने से पहले क्या कहा गया है। न्यूजग्रुप सामग्री इंटरनेट संदेशों पर विभिन्न संगठनों द्वारा आयोजित सर्वरों द्वारा वितरित की जाती है खुले मानक प्रोटोकॉल कोई एक इकाई समाचार समूह का मालिक नहीं है। हजारों समाचार समूह हैं, प्रत्येक एक विषय या रुचि के क्षेत्र को संबोधित करते हैं MATLAB केंद्रीय न्यूज़रीडर पोस्ट और डिस्प्ले मी समाचार समूह में सम्बंध। मैं समाचार समूह को कैसे पढ़ें या पोस्ट करूँ? आप इस न्यूजग्रुप में मैटल वर्क्स द्वारा होस्ट की गई मैट वर्क्स में संदेश पढ़ने और पोस्ट करने के लिए MATLAB सेंट्रल वेबसाइट में एकीकृत न्यूज़रीडर का उपयोग कर सकते हैं। MATLAB सेंट्रल न्यूज़रीडर के माध्यम से पोस्ट किए गए संदेश देखे जा सकते हैं समाचार समूहों का उपयोग करते हुए हर कोई, चाहे वे समाचार समूह कैसे उपयोग करें, MATLAB केंद्रीय का उपयोग करने के कई फायदे हैं। एक खाता आपका MATLAB केंद्रीय खाता आसान पहुंच के लिए आपके MathWorks खाते से जुड़ा हुआ है। अपनी पसंद का ईमेल पता उपयोग करें MATLAB केंद्रीय न्यूज़रीडर आप अपने डाक पते के रूप में एक वैकल्पिक ईमेल पते को परिभाषित करने के लिए, अपने प्राथमिक मेलबॉक्स में अव्यवस्था से बचने और स्पैम को कम करने के लिए. पैम नियंत्रण अधिकांश न्यूजग्रुप स्पैम MATLAB केंद्रीय न्यूज़रीडर द्वारा फ़िल्टर किया जाता है। किसी भी साइन-इन द्वारा एक प्रासंगिक लेबल के साथ टैगिंग टैग किया जा सकता है उपयोगकर्ता टैग ब्याज की विशेष फ़ाइलों को खोजने के लिए कीवर्ड के रूप में, या आपकी बुकमार्कयुक्त पोस्टिंग को वर्गीकृत करने का एक तरीका के रूप में इस्तेमाल किया जा सकता है आप अनुमति देने के लिए चुन सकते हैं दूसरों को अपने टैग देखने के लिए, और आप बड़े टैगिंग पर समुदाय के साथ-साथ अन्य टैग देख सकते हैं या खोज सकते हैं, दोनों बड़े रुझानों और छोटे, अधिक अस्पष्ट विचारों और अनुप्रयोगों को देखने का तरीका प्रदान करता है। आपको लेखक, धागे, या किसी भी खोज चर द्वारा चयनित पोस्टिंग में किए गए अपडेट के बारे में सूचित किया जाना चाहिए, आपकी वॉच सूची की सूचना दैनिक दैनिक डाइजेस्ट या तत्काल ईमेल द्वारा भेजी जा सकती है, मेरे न्यूज़रीडर में प्रदर्शित की जाती है, या आरएसएस फ़ीड के माध्यम से भेजी जाती है। समाचार समूहों तक पहुंचने के अन्य तरीकों अपने स्कूल, नियोक्ता, या इंटरनेट सेवा प्रदाता के माध्यम से न्यूज़रीडर का उपयोग करें। एक वाणिज्यिक प्रदाता से समाचार समूह की पहुंच के लिए भुगतान करें। Google समूह का उपयोग करें। समाचार समूह में प्रवेश के साथ एक न्यूज़रीडर प्रदान करता है। अपने खुद के सर्वर को चलाने के लिए, विशिष्ट निर्देशों के लिए, देखें। अपने देश का चयन करें। अरिमा वर्ग. रिमा स्थिर या इकाई रूट नॉनस्टेशनरी रैखिक समय श्रृंखला मॉडल के लिए मॉडल ऑब्जेक्ट बनाता है इसमें शामिल औसत एमए, ऑटोरेग्रेसिव एआर, मिश्रित आटोमैरेजिव और चल औसत एआरएमए, एकीकृत एआरआईए, गुणक मौसमी, और रेखीय समय श्रृंखला मॉडल जिसमें प्रतिगमन घटक ARIMAX शामिल हैं। ज्ञात गुणांक के साथ मॉडल को निर्दिष्ट करें, डेटा के साथ गुणांक का आकलन करें या अनुकरण के साथ मॉडल का अनुमानण डिफ़ॉल्ट रूप से, नवाचारों का विचरण होता है एक सकारात्मक स्केलर, लेकिन आप किसी भी समर्थित सशर्त विचरण मॉडल को निर्दिष्ट कर सकते हैं, जैसे कि GARCH मॉडल। एमएलएल अरिमा डिग्री के एक एआरआईएएएम मॉडल बनाता है। एमडीएल अरिमा पी, डी, क्यू ऑटोरेग्रेसिव डिग्री पी डिफरेंसिंग डिलीवरी का उपयोग कर गैर-हंगामी रेखीय समय श्रृंखला मॉडल बनाता है डी और चलती औसत डिग्री q. Mdl arima नाम, मान अतिरिक्त विकल्प specifi का उपयोग कर एक रैखिक समय श्रृंखला मॉडल बनाता है एक या एक से अधिक नाम, मान जोड़ी आर्गुमेंट्स नाम गुण नाम है और मान संगत मान है नाम एकल उद्धरण के अंदर दिखना चाहिए आप नाम 1 के रूप में किसी भी क्रम में जोड़ी तर्क निर्दिष्ट कर सकते हैं, Value1 NameN, ValueN. Input Arguments। नोट आप केवल गैर-मौसमी मॉडल के लिए इन तर्कों का उपयोग कर सकते हैं मौसमी मॉडल के लिए, नाम-मान सिंटैक्स का उपयोग करें। लैग ऑपरेटर। एलएजी ऑपरेटर एल को एल iytyti के रूप में परिभाषित किया जाता है। आप लैग ऑपरेटर बहुपदों का उपयोग करके उन्हें संरेखित करने और रैखिक अंतर समीकरण को हल करने के लिए उपयोग कर सकते हैं। रैखिक समय श्रृंखला मॉडल परिभाषाओं में अंतराल ऑपरेटर बहुपद हैं। एल 1 एल 2 एल 2 पी एल पी, जो डिग्री पी ऑटरेगेडिव बहुपक्षीय है। एल 1 एल 2 एल 2 एल एल एल क्यू, जो डिग्री क्यू चलती औसत बहुपद है। एल 1 पी 1 एल पी 1 पी 2 एल पी 2 पी एल पी एस, जो डिग्री पी के मौसमी आटोरेसेजिव बहुपद है। एल 1 क्यू 1 एल क्यू 1 क्यू 2 एल क्यू 2 क्यू एल एल क्यूएस जो कि डिग्री क्यूएस मौसमी चलती औसत बहुपंजी है। लाइटर टाइम सीरीज मॉडल। प्रतिक्रिया प्रक्रिया के लिए एक रैखिक समय श्रृंखला मॉडल और नवाचार टी एक स्टेचैस्टिक प्रोसेस है जो फॉर्म. आईटीसी 1 yt 1 pytpt 1 t 1 qt q. अंतराल ऑपरेटर नोटेशन में, यह मॉडल है। सामान्य समय श्रृंखला मॉडल, जिसमें differencing, multiplicative ऋतुमान और मौसमी भिन्नता शामिल है, है एल 1 एलडीएल 1 एल एस डी सिटक एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल एल डी एल और एसएमए इन बहुपदों की डिग्री क्रमशः q और qs हैं। बहुपद 1 एलडी और 1 एल एस डी के क्रमशः गैर-मौसमी और मौसमी एकीकरण डी और डी के क्रमशः हैं, ध्यान दें कि एस मॉडल की संपत्ति से मेल खाती है मौसमी डी एस 1 अगर सीजनियलिटी नोजरोजो है, और यह 0 है अन्यथा ऐसा है, यदि सॉफ़्टवेयर पहले ऑर्डर के मौसमी डिस्परिंग पर लागू होता है, यदि सीजनैलिटी 1. आप भविष्यवाणकर्ता डेटा का एक मैट्रिक्स भी शामिल करके इस मॉडल का विस्तार कर सकते हैं, विवरण के लिए, एआरआईएएएमए मॉडल को एक्सोजेन्सिअस कॉवारेट्स देखें। इसका मतलब 0, भिन्नता 2 और सी ओव्स 0 स्थिर है यदि श्रृंखला के तत्वों के बीच अपेक्षित मूल्य, विचरण और सह-संबंध समय से स्वतंत्र हैं उदाहरण के लिए, एमए क्यू मॉडल सी 0 किसी भी क्ष के लिए स्थिर है क्योंकि.वी एरीट 2 आई 1 क्यूई 2 और सभी समय बिंदुओं के लिए टी से मुक्त है 1. समय श्रृंखला ytt 1 T एक इकाई रूट प्रक्रिया है अगर इसकी अपेक्षित मूल्य, विचरण, या सहकारिता बढ़ती है समय बाद में, समय श्रृंखला स्थिर नहीं है 1 बॉक्स, जी ई पी जी एम जेनकींस, और जी सी रीनसेल टाइम सीरीज विश्लेषण पूर्वानुमान और कंट्रोल 3 डी एंग्लुउड क्लिफ्स, एनजे प्रेंटिस हॉल, 1 99 4। 2 एंडर्स, डब्ल्यू एप्लाइड इकोनोमेट्रिक टाइम सीरीज हॉबॉकन, एनजे जॉन विले सन्स, इंक। 1995. अपने देश का चयन करें