Resumen

Se propone un algoritmo de regresión cuantílica compuesta bayesiana de aproximación de spline cúbico para estimar los parámetros y la estructura del modelo Wiener con ruido interno. En primer lugar, se toma un modelo ARX con un orden alto para representar el bloque lineal; mientras tanto, el bloque no lineal (reversibilidad) se aproxima mediante una función de spline cúbico. Luego, los parámetros se estiman utilizando el algoritmo de regresión cuantílica compuesta bayesiana. Para reducir la carga computacional, se introduce el algoritmo de Monte Carlo de Cadena de Markov para calcular la expectativa de la distribución posterior de los parámetros. Para determinar el orden de la estructura, se utilizan el Error de Salida Final y el Criterio de Información de Akaike en el bloque no lineal y el bloque lineal, respectivamente. Finalmente, una simulación numérica y un caso industrial verifican la efectividad del algoritmo propuesto.

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Spline cúbico; Algoritmo de regresión cuantílica compuesta bayesiana; Parámetros; Modelo Wiener; Algoritmo de Monte Carlo de Cadena de Markov; Simulación numérica
• Keywords:Cubic spline; Bayesian composite quantile regression algorithm; Parameters; Wiener model; Markov Chain Monte Carlo algorithm; Numerical simulation