یک روش محاسباتی کارآمد برای شناسایی حالت پایدار در داده‌های سری زمانی از پایش کشتی

عنوان فارسی مقاله:یک روش محاسباتی کارآمد برای شناسایی حالت پایدار در داده‌های سری زمانی از پایش کشتی

چکیده

بیشتر سری‌های زمانی اعمال‌شده غیر مانا (ایستا) هستند، یا نوعی غیرایستایی را حداقل برای بخش‌هایی از سری‌های زمانی نشان می‌دهند. برای تجزیه و تحلیل سری‌های زمانی یا اهداف مدل سازی ریاضی، حل نامانایی یا غیر ایستایی‌ها می‌تواند دشوار باشد. بنابراین، شناسایی رفتار ثابت و غیر ایستا از اهمیت عملی زیادی در تحلیل سری‌های زمانی برخوردار است. در این مطالعه یک روش قوی و محاسباتی کارآمد برای شناسایی بخش‌های حالت پایدار داده‌های سری زمانی ارائه شده است. این روش مبتنی بر کلاس مدل‌های روند قطعی با استفاده از یک پنجره کشویی است و بر روی سهولت پیاده‌سازی، کارآمد و کاربردی بودن در استفاده و حفظ کامل بودن داده متمرکز است. برای نشان دادن عملکرد شناسه حالت پایدار، این روش بر روی مجموعه‌های مختلف داده‌های سری زمانی از دو کشتی مجهز به سیستم‌هایی پایش در حین خدمت اعمال می‌شود. نتایج نشان داد که این روش برای شناسایی بخش‌های حالت پایدار داده‌های سری زمانی قابل اعتماد و کاربردی است و می‌تواند به عنوان یک ابزار پیش پردازش عملی برای تجزیه و تحلیل داده‌های سری زمانی عمل کند.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: A computationally efficient method for identification of steady state in time series data from ship monitoring

Abstract

Most applied time series are non-stationary, or exhibit some kind of non-stationarity for at least parts of the time series. For time series analyses or mathematical modeling purposes, the non-stationarities can be difficult to handle. Therefore, identification of stationary and non-stationary behavior is of great practical interest in time series analysis. In this study a robust and computationally efficient method to identify steady state parts of time series data is presented. The method is based on the class of deterministic trend models using a sliding window, and is focused towards being easy to implement, efficient and practical in use and to preserve data completeness. To demonstrate the performance of the steady state identifier, the method is applied on different sets of time series data from two ships equipped with systems for in-service monitoring. The method is shown to be reliable and practical for identifying steady state parts of time series data, and can serve as a practical preprocessing tool for time series data analysis.