• 물과 미래
• /
• 제18권1호
• /
• pp.75-83
• /
• 1985

초기연구단계에 있는 ARMA(1, 1) 다계절모형에 의해 계절유량을 발생시키기 위한 모형의 변수결정방법과 유량발생 및 발생유량계열의 통계학적분석을 실시하였으며 타모형과의 비교를 위해 Thomas-Fiering 모형, Matalas AR(1) 다계절모형도 사용하였다. 다계절모형에 의해 발생시킨 계절유량을 연도별로 합산하여 얻은 연유량계열의 통계학적 특성치를 년모의발생모형에 의해 발생시킨 년유량계열의 통계특성치와 비교함으로써 ARMA(1, 1) 다계절모형에 의해 계절 및 년유량자료계열을 한꺼번에 모의발생시킬 수 있는 가능성을 평가하였다.

• Journal of the Korean Data and Information Science Society
• /
• 제18권1호
• /
• pp.211-218
• /
• 2007

Nonlinear ARMA model $X_n\;=\;h(X_{n-1},{\cdots},X_{n-p},e_{n-1},{\cdots},e_{n-p})+e_n$ is considered and easy-to-check sufficient condition for strict stationarity of {$X_n$} without some irreducibility or continuity assumption is given. Threshold ARMA(p, q) and momentum threshold ARMA(p, q) models are examined as special cases.

• 정보기술응용연구
• /
• 제1권3_4호
• /
• pp.69-90
• /
• 1999

본 논문은 시계열자료의 ARMA 모형화를 위해 계층적(Hierarchical) 문제해결 방식인 인공신경망 기초 의상결정트리분류기상의 인공신경망 구조를 개선하여 지역문제(Local Problem)를 해결하는 복수개의 인공신경망 결과를 Dempster's rule of combination을 이용하여 종합하는 병행적인 (Parallel) ARMA 모형활르 위한 방법론을 제시함으로써 의사결정트리분류기에 근거한 방법론의 단점을 보완하였다. 본 논문에서 제시한 ARMA 모형화를 위한 방법론은 세 단계로 구성되어 있다: 1) ESACF 특성 벡터 추출단계; 2) 개별 인공신경망에 의한 부분적 모델링 단계; 3) Conflict Resolution 단계, 제시한 방법론을 검증하기 위해 모의실험용 자료와 실제 시계열자료를 이용하여 제시된 방법론을 검증하였으며 실험결과 기존 연구에 비해 ARMA 모형화와 정확도가 높은 것으로 나타났다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2015년도 학술발표회
• /
• pp.462-462
• /
• 2015

이 논문에서는 시 공간적 토양수분 변화를 파악하기 위해 다년간 축적된 실측 토양수분 데이터를 이용하여 단변량 시계열 분석을 하였다. 지형에 따른 토양수분 변화를 알아보기 위해 경기도 파주에 위치한 설마천 유역의 산지사면 중 한 단면을 선정하였으며, 깊이에 따른 변동성은 깊이 10cm와 30cm에서 측정한 토양수분 데이터를 이용하여 분석하였다. 또한, 연도별 토양수분의 변화를 파악하고 토양수분을 예측하기 위해 2010-2013년의 토양수분 데이터를 일단위로 단변량 모델링을 시도하였다. 그 결과, 연도별 변화에 따른 경향성은 보이지 않았으며 대부분의 지점에서 ARMA(1, 1) 또는 ARMA(1, 0) 모형으로 모의되었다. 2시간 간격의 1-2개월 단기간 토양수분 데이터를 모의한 선행연구와 달리 본 연구에서는 낮은 차수의 모형을 보였다. 지형적 토양수분 거동을 살펴보면 상부사면에 위치하고 있는 지점에서는 모두 ARMA(1, 1)로 표현되지만 하부사면에 위치한 지점들은 연도나 심도에 따라 ARMA(1, 0)으로 모의된다. 단변량 모형의 정확도를 알아보기 위해 R2와 RMSE를 비교하였다. 10cm 깊이에서는 경향성을 보이지 않으나, 30cm 깊이에서는 사면하부로 갈수록 R2는 작아지고 RMSE는 커져, 하부사면에서의 모델링이 상부사면에 비해 정확도가 낮음을 보였다. 또한 2012년 토양수분 자료를 이용하여 2013년 토양수분을 예측하기 위해 2012년 매개변수와 2013년 전일 데이터를 이용하여 예측하고자 하는 일단위 토양수분을 구하였다. 그 결과 $R^2=0.646-0.807$, RMSE=1.758-4.802의 정확도를 나타냈다.

• 한국음향학회지
• /
• 제11권1호
• /
• pp.67-79
• /
• 1992

적응방식이나 실시간 처리에 적합한 온라인 ARMA 계수추정을 위하여 공분산형 ARMA 고속 transversal 필터 알고리즘을 제안하였다. 제안된 알고리즘은 ARMA 모델의 경우 상관함수 행렬의 이동불변 특성이 각 블록 별로 만족함을 이용하여 ELS(Extended Least Squares)를 공분산형의 경우에 대해 고속 시갱신 알고리즘으로 구현한 것으로서, 알고리즘의 유도에는 사영연산자를 이용한 기하학적 접근방식을 사용하였다. 제안된 알고리즘은 13N+37 MADPR의 연산량을 필요로 하며, AR부분과 MA부분의 차수를 달리할 수 있다.

• Journal of the Korean Data and Information Science Society
• /
• 제18권1호
• /
• pp.237-245
• /
• 2007

Nonlinear asymmetric time series models have the growing interest in econometrics and finance. Threshold model is one of the successful asymmetric model. We consider a smooth transition ARMA model which converges a.s. to a threshold ARMA model and show that the smooth transition ARMA model admits a stationary measure, provided a suitable condition on the coefficients of the autoregressive parts of the different regimes is satisfied. Stationarity of a smooth transition GARCH model is also obtained.

• Asia pacific journal of information systems
• /
• 제1권1호
• /
• pp.63-86
• /
• 1991

In this paper, our concern is the artificial neural network-based patten classification, when can resolve the difficulties in the Autoregressive Moving Average(ARMA) model identification problem To effectively classify a time series into an approriate ARMA model, we adopt the Multi-layered Backpropagation Network (MLBPN) as a pattern classifier, and Extended Sample Autocorrelation Function (ESACF) as a feature extractor. To improve the classification power of MLBPN's we suggest an integrated neural network system which consists of an AR Network and many small-sized MA Networks. The output of AR Network which will gives the MA order. A step-by-step training strategy is also suggested so that the learned MLBPN's can effectively ESACF patterns contaminated by the high level of noises. The experiment with the artificially generated test data and real world data showed the promising results. Our approach, combined with a statistical parameter estimation method, will provide a way to the automation of ARMA modeling.

• Journal of Advanced Marine Engineering and Technology
• /
• 제41권1호
• /
• pp.56-61
• /
• 2017

본 논문은 시간지연이 있는 데이터의 예측기법과 햅틱기반의 원격조작시스템에서의 응용방법을 다룬다. 일반적으로 네트워크 환경은 데이터 전송에 따른 시간지연이 필수적으로 동반되며, 햅틱기반의 원격조작시스템이 이러한 네트워크 환경에 구현되는 경우 시간지연으로 인해 전체 시스템의 성능저하를 피할 수 없다. 이러한 상황을 고려하여, 본 논문은 ARMA모델을 기반으로 모델파라미터의 학습방법과 실시간 예측을 위한 재귀적 알고리즘을 제안한다. 제안된 방법은 가상공간에 놓인 물체에 대하여 양방향 햅틱 상호작용의 상황에서 5ms의 샘플링 주기로 획득한 햅틱데이터에 적용되며, 그 결과로서 100ms 이후의 값을 예측함에 있어 위치수준 오차 1mm이내의 예측성능을 보였다.

• 한국자동차공학회논문집
• /
• 제1권3호
• /
• pp.55-62
• /
• 1993

Autoregressive moving average(ARMA) model which is a time domain parametric modeling method is implemented for modeling and reproducing characteristics of exhaust noise of an automobile in various RPM range. Experiments have been carried out using 9 set of exhaust noise signals measured at 1,000-3,000 RPM range. Characteristics of sampled signals were estimated using ARMA modeling and Akaike's FPE(final prediction error) criterion to define exact model structure and for model validation. The digital filter consisted of the esitmated ARMA(70,1) model parameters was programed to reproduce exhaust noise. The spectral analysis of reproduced noise is very close to original. The results show that our approaching technique for reproducing acoustic characteristics is valid and feasible to apply in the field of noise quality control.

• Journal of applied mathematics & informatics
• /
• 제4권1호
• /
• pp.135-135
• /
• 1997

Times series modeling plays an important role in the field of engineering, Statistics, Biomedicine etc. Model identification is one of crucial steps in the modeling of an AutoRegreesive Moving Average(ARMA(p, q)) process for real world problems. Many techniques have been developed in the literature (Salas et al., McLeod et al. etc.) for the identification of an ARMA(p, q) Model. In this paper, a new technique called The Generalised Parameters Technique is formulated for seasonal and non-seasonal ARMA model identification. This technique is very simple and can e applied to any given time series. Initial estimates of the AR parameters of the ARMA model are also obtained by this method. This model identification technique is validated through many theoretical and simulated examples.