A Unified Analysis of Proposed Wavelet Transform Domain LMS-algorithm for ARMA Process

Rahman, Suryaia; Rashid, Md. Mamunur; Alam, Zahangir

doi:10.1109/icaee48663.2019.8975625

Cited by 4 publications

(1 citation statement)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…O vetor de pesos de um modelo ARMA pode ser obtido, por exemplo, através de algoritmos adaptativos baseados em gradiente descendente estocástico. Para estimac ¸ão do vetor de pesos de um modelo ARMA alguns algoritmos adaptativos baseados em gradiente descendente estocástico têm sido utilizados, podendo-se citar os mais tradicionais como os algoritmos LMS (do inglês, Least Mean Square) [9] e o NLMS (do inglês, Normalized Least Mean Square) [10]. O presente trabalho é delimitado a estudar o algoritmo NLMS para a estimac ¸ão do vetor de pesos de um modelo ARMA, uma vez que ele apresenta uma menor sensibilidade às variac ¸ões da potência do sinal de entrada e tem um bom desempenho em sinais correlacionados [11].…”

Section: Introduc ¸ãOunclassified

Predição de Séries Temporais Caóticas baseada em Modelo ARMA via Algoritmo Adaptativo FVSS-NLMS

Noronha¹

2021

Anais Do 15. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

Neste trabalho é utilizado o modelo ARMA (do inglês, AutoRegressive Moving Average) para a predição de séries temporais caóticas. A estimativa do vetor de pesos do modelo ARMA pode ser obtida através de um algoritmo de otimização baseado em gradiente descendente estocástico, de tal forma que o desempenho de predição de uma série temporal caótica realizada pelo modelo ARMA é influenciado pelo valor do tamanho de passo. Para isto, neste trabalho é proposta uma nova versão do algoritmo NLMS (do inglês, Normalized Least Mean Square) com o tamanho de passo adaptado por um MFIS (do inglês, Mamdani Fuzzy Inference System) para atualização da estimativa do vetor de pesos do modelo ARMA. O desempenho do modelo ARMA para a predição de séries temporais caóticas foi comparado com os resultados obtidos pelas versões tradicionais dos algoritmos LMS (do inglês, Least Mean Square) e NLMS.

show abstract

Section: Introduc ¸ãOunclassified

Predição de Séries Temporais Caóticas baseada em Modelo ARMA via Algoritmo Adaptativo FVSS-NLMS

Noronha¹

2021

Anais Do 15. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

show abstract

Chaotic Lorenz Time Series Prediction via NLMS Algorithm with Fuzzy Adaptive Step Size

Noronha¹

2022

Modeling, Simulation and Optimization

View full text Add to dashboard Cite

GA-LSTM-ARMA Neural Network Based on Wavelet Transform for Ship Fuel Consumption Prediction

Yang,

Chen,

et al. 2024

Lecture Notes in Electrical Engineering

View full text Add to dashboard Cite

A Unified Analysis of Proposed Wavelet Transform Domain LMS-algorithm for ARMA Process

Cited by 4 publications

References 4 publications

Predição de Séries Temporais Caóticas baseada em Modelo ARMA via Algoritmo Adaptativo FVSS-NLMS

Predição de Séries Temporais Caóticas baseada em Modelo ARMA via Algoritmo Adaptativo FVSS-NLMS

Chaotic Lorenz Time Series Prediction via NLMS Algorithm with Fuzzy Adaptive Step Size

GA-LSTM-ARMA Neural Network Based on Wavelet Transform for Ship Fuel Consumption Prediction

Contact Info

Product

Resources

About