WYSYŁKA DZISIAJ !!!

CODZIENNIE W DNI ROBOCZE

WYSTARCZY DO GODZ. 13.00 wybrać:

1) przesyłkę "za pobraniem"
lub
2) wysłać skan przelewu
ostatecznie
3) wpłacić za pośrednictwem "PayU"


[zasłonięte]@hirudina.pl

tel. 32[zasłonięte]352-04

lub 513 [zasłonięte] 833

GG:[zasłonięte]40558



PROGNOZOWANIE CIĄGÓW CZASOWYCH

Ewa Bielińska

Stan książki: NOWA
Wydawnictwo Politechniki Śląskiej
Wydział: Automatyka i robotyka
Nakład: 450 egz.
Stron: 166
Format: B5

Z okładki:

Prognozowanie jest istotnym etapem procesu sterowania złożonymi systemami, realizowanego zarówno w torze otwartym, jak i zamkniętym. Sterowanie w torze otwartym dotyczy najczęściej dużych systemów i jest tym skuteczniejsze, im dokładniejsze sq prognozy, na podstawie których wypracowywane sq decyzje o nastawach zmiennych sterujących. W układach regulacji predykcja zakłóceń, sterowań czy wartości zadanej jest często elementem algorytmu regulatora.
Książka Prognozowanie ciągów czasowych jest podręcznikiem akademickim, w którym opisano różne metody prognozowania sygnałów, a w szczególności:
• podstawy prognozowania oraz metody predykcji statystycznej, służące do budowy prognoz średnio- i długookresowych, które znajdują zastosowanie przy sterowaniu w torze otwartym (m.in. dla zagadnień technicznych, medycznych, społecznych i ekonomicznych),
• stochastyczną predykcję liniową, która znajduje zastosowanie w szeroko pojętym przetwarzaniu sygnałów,
• zaawansowane techniki predykcji, pozwalające na zwiększenie dokładności wyliczanych prognoz.
Podręcznik jest dostosowany do aktualnie realizowanego programu nauczania przedmiotu metody prognozowania prowadzonego na hirudina specjalności Komputerowe Systemy Sterowania na Wydziale Automatyki, Elektroniki i Informatyki Politechniki Śląskiej w Gliwicach. Zawarto w nim przykładowe zadania i tematy projektów, pozwalające na samodzielne pogłębianie wiedzy i zdobywanie doświadczenia z dziedziny prognozowania sygnałów.
Dr inż. Ewa Bielińska jest adiunktem w Instytucie Automatyki na Wydziale Automatyki, Elektroniki i Informatyki Politechniki Śląskiej. Jest autorką i współautorką ponad pięćdziesięciu publikacji krajowych i zagranicznych, dotyczących analizy sygnałów, prognozowania, sterowania i identyfikacji.

Słowa kluczowe
• analiza ciągów czasowych
• modelowanie
• identyfikacja
• prognozowanie

Spis treści:

Przedmowa 7

Rozdział 1. Wstęp 9

Rozdział 2. Podstawowe pojęcia i definicje12

2.1. Ciągi 12
2.2. Procesy 14
2.3. Modele 15
2.4. Identyfikacja 18
2.5. Postępowanie prognostyczne i prognozowanie 19
2.6. Zestawienie stosowanych oznaczeń 21

Rozdział 3. Wstępna analiza ciągów czasowych 23

3.1. Badanie poprawności danych 23
3.2. Badanie jednorodności danych 24
3.3. Transformacja danych 24
3.4. Skalowanie, redukcja danych, dekompozycja 25
3.5. Ilościowe wskaźniki oceny ciągów czasowych 25
3.6. Podstawowe wskaźniki oceny ciągów 25
Literatura uzupełniająca 28

Rozdział 4. Modele stosowane do prognozowania 29

4.1. Miary dokładności predykcji 29
4.1.1. Standardowe miary statystyczne 29
4.1.2. Względne miary dokładności predykcji 31
4.1.3. Inne miary dokładności predykcji 31
4.2. Modele naiwne 33
4.3. Modele wejściowo-wyjściowe 33
4.3.1. Wybór struktury modelu 33
4.3.2. Wybór zmiennych objaśniających 34
4.3.3. Estymacja parametrów 36
4.4. Modele autoregresywne 43
4.5. Modele trendu 45
4.6. Adaptacyjne modele trendu 45
4.7. Deterministyczne modele ciągów 46
4.8. Przedziałami deterministyczne (PD) modele ciągów 46
4.9. Stochastyczne modele ciągów 48
4.9.1. Modele stochastyczne, jednorodnie niestacjonarne 49
4.9.2. Modele niestacjonarne 50
Literatura uzupełniająca 51

Rozdział 5. Metody wygładzania 53

5.1. Metody uśredniania 53
5.1.1. Wartość średnia bieżąca 54
5.1.2. Jednokrotna średnia ruchoma 54
5.1.3. Dwukrotna średnia ruchoma 56
5.2. Metody wygładzania wykładniczego 57
5.2.1. Jednokrotne wygładzanie wykładnicze 58
5.2.2. Jednokrotne adaptacyjne wygładzanie wykładnicze 60
5.2.3. Liniowa jednoparametrowa metoda Browna 60
5.2.4. Dwuparametrowa metoda Holta 61
5.2.5. Jednoparametrowa kwadratowa metoda Browna 62
5.2.6. Trój parametrowa metoda Wintersa dla trendów i okresowości .... 63
5.2.7. Klasyfikacja Pegelsa 64
5.3. Inne metody wygładzania 65
5.3.1. Metoda hirudina Chowa 65
5.3.2. Jednoparametrowa adaptacyjna metoda Browna 65
5.3.3. Trój parametrowa metoda Boxa-Jenkinsa 66
5.4. Metoda Trigga do monitorowania systemu 66
Literatura uzupełniająca 67

Rozdział 6. Prognozowanie na podstawie trendów 68

6.1. Metoda trendów jednoimiennych okresów 68
6.2. Metoda analizy harmonicznej 69
Literatura uzupełniająca 70

Rozdział 7. Metody dekompozycji 71

7.1. Dekompozycja modelu addytywnego 72
7.2. Dekompozycja modelu multiplikatywnego 75
Literatura uzupełniająca 79

Rozdział 8. Metoda Boxa-Jenkinsa 80

8.1. Podstawy analizy ciągów czasowych 82
8.1.1. Graficzne przedstawienie danych 83
8.1.2. Wyliczenie autokorelacji z próby 83
8.1.3. Wyliczenie korelacji cząstkowej 85
8.1.4. Detekcja i eliminacja niestacjonarności 86
8.1.5. Detekcja i eliminacja okresowości 87
8.2. Schemat metody Boxa-Jenkinsa 87
Literatura uzupełniająca 90

Rozdział 9. Estymacja parametrów modeli na podstawie autokorelacji . . 92

9.1. Wyznaczanie ocen parametrów modeli AR 92
9.1.1. Metoda Youle-Walkera 92
9.1.2. Zasada ortogonalności 93
9.1.3. Filtry predykcyje 95
9.2. Wyznaczanie ocen parametrów modelu MA 105
9.3. Wyznaczanie ocen parametrów modeli ARMA 106
Literatura uzupełniająca 107

Rozdział 10. Liniowa predykcja minimalnowariancyjna 108

10.1. Deterministyczne ciągi czasowe 109
10.2. Modele przedziałami deterministyczne PD 110
10.3. Stochastyczne ciągi czasowe ARMA(dA, dC) 111
10.4. Adaptacyjny predyktor minimalnowariancyjny 112
Literatura uzupełniająca 113

Rozdział 11. Efektywność predykcji liniowej 114

11.1. Współczynnik efektywności predykcji 114
11.2. Wyznaczanie horyzontu efektywnej predykcji 118
11.3. Niedokładność pomiarów a efektywność predykcji 119
Literatura uzupełniająca 121

Rozdział 12. Predykcja długo- i krótkookresowa 122

12.1. Metoda składania prognoz jednokrokowych 122
12.2. Metoda dekompozycji ciągu podstawowego 123
12.3. Uproszczona metoda predykcji składanej 123
12.4. Porównanie metod predykcji wielokrokowej 124
12.4.1. Błąd predykcji minimalnowariancyjnej składanej dla k>dC 125
12.4.2. Błąd uproszczonej metody predykcji z horyzontem d 126
Literatura uzupełniająca 127

Rozdział 13. Predyktor Kalmana 128

13.1. Założenia 128
13.2. Podstawowa formuła filtru Kalmana 129
13.3. Filtr Kalmana w stanie ustalonym 131
13.4. Predykcja 132
13.5. Przykład zastosowania filtru Kalmana 132
13.5.1. Opis procesu 133
13.5.2. Sformułowanie problemu 134
13.6. Model procesu 135
13.6.1. Układ regulacji 135
Literatura uzupełniająca 137

Rozdział 14. Metody sztucznej inteligencji 138

14.1. Metoda grupowej samoorganizacji 138
14.2. Predyktor neuronowy 141
14.3. Porównanie predyktorów 144
Literatura uzupełniająca 145

Rozdział 15. Zakończenie 146
Rozdział 16. Zadania 150

16.1. Zadania sprawdzające 150
16.2. Zadania projektowe 158

Bibliografia 161