Título: Modelagem computacional de dados estocásticos multivariáveis no espaço de estado de séries temporais e de sistemas dinâmicos por decomposição ortogonal
Otros títulos: Modelado computacional de datos estocásticos multivariables en espacio de estados de series temporales y de sistemas dinámicos por descomposición ortogonal
Asesor(es): Pascoli Bottura, Celso
Campo OCDE: https://purl.org/pe-repo/ocde/ford#2.02.03
Fecha de publicación: 15-dic-2015
Institución: Universidade Estadual de Campinas
Resumen: Este trabajo trata en primer lugar el problema del modelado computacional en espacio de estados
de datos de serie temporal multivariada a través de la teoría de realización estocástica; para este
problema aplicamos el método de realización estocástica basado en el análisis de correlación
canónica propuesto por Akaike. En segundo lugar, trata el problema del modelado computacional
en espacio de estados de datos estocásticos de un sistema multivariable a través de la teoría de
realización estocástica con entradas exógenas; para este problema de identificación se utilizó la
técnica de descomposición ortogonal desarrollada por Picci y Katayama, en que los datos son
descompuestos en sus componentes determinístico y estocástico a través de la proyección
ortogonal de los datos en el espacio de Hilbert generado por las entradas exógenas y de la
utilización de la proyección complementaria, respectivamente. Finalmente, se presentan
aplicaciones numéricas a través de “Benchmarks” y sus resultados son analizados y evaluados.
Este trabalho trata em primeiro lugar do problema de modelagem computacional no espaço de estado de dados de série temporal multivariada através da teoria de realização estocástica; para este problema aplicamos o método da realização estocástica baseada na análise da correlação canônica proposta por Akaike. Em segundo lugar trata do problema de modelagem computacional no espaço de estado de dados estocásticos de sistema multivariável através da teoria da realização estocástica com entradas exógenas; para este problema de identificação utilizamos a técnica de decomposição ortogonal desenvolvida por Picci e Katayama, em que os dados são decompostos em suas componentes determinística e estocástica através da projeção ortogonal dos dados no espaço de Hilbert gerado pelas entradas exógenas e da utilização da projeção complementar, respectivamente. Finalmente, aplicações numéricas são apresentadas através de "Benchmarks" e seus resultados são analisados e avaliados.
Nota: Descargue el texto completo en el repositorio institucional de la Universidade Estadual de
Campinas: https://hdl.handle.net/20.500.12733/1627587
Disciplina académico-profesional: Ingeniería Eléctrica en el área de Automatización
Institución que otorga el grado o título: Universidade Estadual de Campinas. Faculdade de Engenharia Elétrica e de Computação
Grado o título: Magíster en Ingeniería Eléctrica en el área de Automatización
Jurado: Pascoli Bottura, Celso; Camino dos Santos, Juan Francisco; Giesbrecht, Mateus
Fecha de registro: 5-jul-2023