Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/258833
Type: TESE DIGITAL
Title: Modelagem computacional de dados estocásticos multivariáveis no espaço de estado de séries temporais e de sistemas dinâmicos por decomposição ortogonal
Title Alternative: Computational modeling of multivariable estochastic data in the state space of time series and dynamic systems by orthogonal decomposition
Author: Charagua Javier, Marleny Alicia, 1982-
Advisor: Bottura, Celso Pascoli, 1938-
Abstract: Resumo: 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

Abstract: This work deals first with the state-space computational modeling problem of data of multivariate time series through the stochastic realization theory; for this problem we apply the stochastic realization method based in the canonical correlation analysis due to Akaike. Secondly it deals with the state-space computational modeling problem of stochastic data of multivariate systems through the stochastic realization theory with exogenous inputs; for this identification problem we use the orthogonal decomposition technique developed by Picci and Katayama, in which the data are decomposed into their deterministic and stochastic components through the orthogonal projection of data onto the Hilbert space spanned by exogenous inputs and by the use of its complementary projection, respectively. Finally, numerical applications are presented through "Benchmarks" and their results are analyzed and validated
Subject: Identificação de sistemas
Sistemas estocásticos
Editor: [s.n.]
Date Issue: 2015
Appears in Collections:FEEC - Tese e Dissertação

Files in This Item:
File SizeFormat 
CharaguaJavier_MarlenyAlicia_M.pdf668.14 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.