Autoregressive Mobile Average Estimation

Accueil / Home Imprimer / Print Contact / Contact Envoyer le lien de cette référence Imprimer / Print Retour / Back Modélisation moyenne mobile autorégressive pour l 'estimation des paramètres spectraux à partir d' D. AU - Stafford, R. Jason N2 - Les auteurs ont étudié la performance de l'algorithme itératif Steiglitz-McBride (SM) sur un modèle de moyenne mobile autorégressive (ARMA) de signaux provenant d'une acquisition rapide, peu échantillonnée, Ex vivo et in vivo, en mettant l'accent sur son utilisation potentielle dans les interventions guidées par résonance magnétique (MR). Le modèle de signal ARMA a facilité un calcul rapide du déplacement chimique, du temps de relaxation spin-spin apparent (T2) et des amplitudes complexes d'un système multipasse à partir d'un nombre limité d'échos (16). Des simulations numériques des systèmes à un et deux pics ont été utilisées pour évaluer la précision et l'incertitude des paramètres spectraux calculés en fonction des paramètres d'acquisition et des paramètres tissulaires. Les incertitudes mesurées de la simulation ont été comparées à la limite inférieure Cramer-Rao théorique (CRLB) pour l'acquisition. Les mesures effectuées dans les fantômes ont été utilisées pour valider les estimations T2 et pour valider les estimations d'incertitude établies à partir du CRLB. Nous avons démontré l'application à des interventions guidées par RM en temps réel ex vivo en utilisant la technique pour surveiller une injection percutanée d'éthanol dans un foie de bovin et in vivo pour surveiller un traitement thermique thermique induit par laser dans un cerveau canin. Les résultats de la simulation montrent que les incertitudes de changement chimique et d'amplitude ont atteint leur CRLB respectif à un rapport signal sur bruit (SNR) 5 pour les longueurs de train d'écho (ETL) 4 en utilisant un espacement d'écho fixe de 3,3 ms. Les estimations T2 du modèle de signal possédaient des incertitudes plus élevées mais ont atteint le CRLB à des SNRs ou des ETLs plus importants. Des estimations très précises pour le déplacement chimique (lt0.01 ppm) et l'amplitude (lt1.0) ont été obtenues avec 4 échos et pour T2 (lt1.0) avec 7 échos. Nous concluons que, sur une gamme raisonnable de SNR, l'algorithme SM est un estimateur robuste de paramètres spectraux à partir d'acquisitions rapides de CSI qui acquièrent 16 échos pour des systèmes à un et deux crêtes. Des expériences préliminaires ex vivo et in vivo corroborent les résultats des expériences de simulation et indiquent en outre le potentiel de cette technique pour les interventions interventionnelles guidées par RM avec une résolution spatiotemporale élevée de 1,61,64 mm3 dans 5 s. 2009 Association américaine des physiciens en médecine. Les auteurs ont étudié la performance de l 'algorithme itératif Steiglitz - McBride (SM) sur un modèle de moyenne mobile autorégressive (ARMA) de signaux provenant d' une acquisition rapide, peu échantillonnée, Vivo et in vivo avec un accent sur son utilisation potentielle dans les interventions guidées par résonance magnétique (MR). Le modèle de signal ARMA a facilité un calcul rapide du déplacement chimique, du temps de relaxation spin-spin apparent (T2) et des amplitudes complexes d'un système multipasse à partir d'un nombre limité d'échos (16). Des simulations numériques des systèmes à un et deux pics ont été utilisées pour évaluer la précision et l'incertitude des paramètres spectraux calculés en fonction des paramètres d'acquisition et des paramètres tissulaires. Les incertitudes mesurées de la simulation ont été comparées à la limite inférieure Cramer-Rao théorique (CRLB) pour l'acquisition. Les mesures effectuées dans les fantômes ont été utilisées pour valider les estimations T2 et pour valider les estimations d'incertitude établies à partir du CRLB. Nous avons démontré l'application à des interventions guidées par RM en temps réel ex vivo en utilisant la technique pour surveiller une injection percutanée d'éthanol dans un foie de bovin et in vivo pour surveiller un traitement thermique thermique induit par laser dans un cerveau canin. Les résultats de la simulation montrent que les incertitudes de changement chimique et d'amplitude ont atteint leur CRLB respectif à un rapport signal sur bruit (SNR) 5 pour les longueurs de train d'écho (ETL) 4 en utilisant un espacement d'écho fixe de 3,3 ms. Les estimations T2 du modèle de signal possédaient des incertitudes plus élevées mais ont atteint le CRLB à des SNRs ou des ETLs plus importants. Des estimations très précises pour le déplacement chimique (lt0.01 ppm) et l'amplitude (lt1.0) ont été obtenues avec 4 échos et pour T2 (lt1.0) avec 7 échos. Nous concluons que, sur une gamme raisonnable de SNR, l'algorithme SM est un estimateur robuste de paramètres spectraux à partir d'acquisitions rapides de CSI qui acquièrent 16 échos pour des systèmes à un et deux crêtes. Des expériences préliminaires ex vivo et in vivo corroborent les résultats des expériences de simulation et indiquent en outre le potentiel de cette technique pour les interventions interventionnelles guidées par RM avec une résolution spatiotemporale élevée de 1,61,64 mm3 dans 5 s. 2009 Association américaine des physiciens en médecine. KW - Mesure de la moyenne mobile autorégressive (ARMA) KW - Analyse chimique par décalage (CSI) KW - Mesures guidées par MR KW - Mesure de l'écho multi-gradientParamètres Estimation de la moyenne mobile autorégressive et des modèles de moyenne mobile intégrée Autoregressive Mohammad Valipour, Mohammad Ebrahim Dans cette étude, la capacité de la moyenne mobile autorégressive (ARMA) et de la moyenne mobile autorégressive (ARIMA) des modèles dans la prévision de l'afflux mensuel du réservoir du barrage de Dez situé à Teleh Zang La station de Dez en amont est estimée. ARIMA modèle a trouvé une application répandue dans de nombreuses sciences pratiques. De plus, la prévision d'afflux de réservoirs de barrage est effectuée par certaines méthodes telles que la régression linéaire ordinaire, l'ARMA et les réseaux neuronaux artificiels. D'autre part, l'application des modèles ARMA et ARIMA simultanément afin de comparer leur capacité à la prévision autorégressive de l'afflux mensuel de réservoir de barrage n'a pas été effectuée dans des recherches antérieures. Le présent article tente donc de prévoir l'afflux du réservoir du barrage de Dez en utilisant les modèles ARMA et ARIMA tout en augmentant le nombre de paramètres afin d'augmenter la précision des prévisions à quatre paramètres et de les comparer. Dans les modèles ARMA et ARIMA, le polynôme a été dérivé respectivement avec quatre et six paramètres pour prévoir l'afflux. En comparant l'erreur quadratique moyenne du modèle, on a déterminé que le modèle ARIMA pouvait prévoir l'afflux vers le réservoir de Dez à partir de 12 mois avec une erreur inférieure à celle du modèle ARMA. Copie 2012 Mohammad Valipour, Mohammad Ebrahim Banihabib et Seyyed Mahmood Reza Behbahani. Cet article est un article d'accès libre distribué sous les termes de la licence Creative Commons Attribution. Qui permet l'utilisation, la distribution et la reproduction sans restriction dans n'importe quel support, à condition que l'auteur original et la source soient crédités. Estimation basée sur le rankement pour les modèles de séries temporelles moyennes autorégressives Beth Andrews affiliation non fournie au SSRN Nous établissons une normalité et une cohérence asymptotiques Estimateurs des paramètres du modèle moyen autorégressif-mobile. Les estimateurs sont obtenus en minimisant une fonction de dispersion résiduelle basée sur le rang similaire à celle donnée par L. A. Jaeckel Ann. Math. Stat. Vol. 43 (1972) 1449-1458. Ces estimateurs peuvent avoir la même efficacité asymptotique que les estimateurs de maximum de vraisemblance et sont robustes. La qualité des approximations asymptotiques pour les échantillons finis est étudiée par simulation. Nombre de pages dans le fichier PDF: 23 Date de publication: 11 décembre 2007 Citation suggérée Andrews, Beth, Estimation basée sur le rang pour les modèles de la série temporelle moyenne mobile autorégressive (0000). Journal of Time Series Analysis, vol. 29, numéro 1, pp. 51-73, janvier 2008. Disponible au SSRN: ssrnabstract1067149 ou dx. doi. org10.1111j.1467-9892.2007.00545.x Coordonnées