Término:   Tipo de documento:     Página Principal
Consulta por: Publicación seriada
Autor: Escalona Pérez, Jhonny Otilio (Comienzo)
2 registros cumplieron la condición especificada en la base de información PCYT. ()
Registro 1 de 2, Base de información PCYT
Portada
Artículos de éste númeroArtículos de éste número
Autor: Escudero, Nestor nestj2803@gmail.com
Oprima aquí para enviar un correo electrónico a esta dirección; Ortega , Joaquín ; Escalona Pérez, Jhonny Otilio ; Ortega , Joaquín ; Escalona Pérez, Jhonny Otilio
Título: ANÁLISIS ESPECTRAL DE OLAS MARINAS: MODELOS UNIVARIADOS
SPECTRAL ANALYSIS OF WAVE SEA: UNIVARIATE MODELS
ISSN: 1856-8890
Fecha: 2015
Páginas/Colación: pp.123-138
En:/ Publicaciones en Ciencias y Tecnología Vol. 9 Nro. 2 Julio- Diciembre 2015
Información de existenciaInformación de existencia
Categoría Temática: Palabras: DCYT01 DCYT01
Palabras Claves del Autor: Palabras: DOMINIO DE FRECUENCIAS DOMINIO DE FRECUENCIAS, Palabras: ESPECTRO ESPECTRO, Palabras: MODELOS AUTORREGRESIVOS MODELOS AUTORREGRESIVOS
Documentos asociados
Oprima aquí para visualizar el documento PDF:Documento a texto completo pdf Documento a texto completo pdf

RESUMEN
El análisis espectral, es el proceso técnico de la descomposición de una señal compleja en partes más simples. Muchos procesos físicos se describen mejor como una suma de muchas componentes de frecuencias individuales, alternativamente una señal puede dividirse en segmentos cortos y el análisis del espectro puede aplicarse a estos segmentos individuales. Desde el punto de vista del estudio de olas marinas, el espectro juega un rol fundamental y es interpretado como la energía presente en la serie de tiempo durante el periodo. Este estudio se basa en el análisis del espectro asociado a datos del mar del Norte en el ano de 1999 en la plataforma North Alwyn almacenados en la Universidad Heriot-Watt de Edimburgo, separados en periodos de 20 minutos, el total a estudiar son 244 periodos. Para ello, se determinó que existe información que no aporta al problema, representa ruido y es el 3% de la energía, la cual no fue tomada para el estudio. Se dividió el espectro en 12 subintervalos y se ajustaron modelos autorregresivos bajo el esquema de Box-Jenskin and Reinsel, estudiados estos hasta encontrar la mejor aproximación posible para cada subintervalo mediante las propiedades estadísticas obtenidas por cada modelo, junto con los pronósticos respectivos.

Palabras clave: Espectro, análisis espectral, dominio de frecuencias, modelos autorregresivos

SPECTRAL ANALYSIS OF WAVE SEA: UNIVARIATE MODELS

Abstract

Spectral analysis is the technical process of a complex signal decomposition into simpler parts. Many physical processes are better described as a sum of many individual frequency components; alternatively a signal can be divided into short segments and the spectrum analysis can be applied to these individual segments. From the point of view of the study of Waves Sea, the spectrum plays a vital role and it is interpreted as the energy in the time series during the period. This study is based on analysis of the spectrum associated to data from the North Sea in the year of 1999, taken in North Alwyn platform, stored in the Heriot-Watt University in Edinburgh, separated in periods of 20 minutes. The total of the studied periods is 244. Thus, it was determined that there is information that does not add information to the problem, and it represents noise, which is the 3% of energy and it was not taken for the study. The spectrum was divided into 12 subintervals. Autoregressive models were fitted under the scheme Box-Jenskin and Reinsel. The model was studied until the best possible approximation for each subinterval was found by the statistical properties obtained by each model, together with the respective forecasts.

Keywords: Spectrum, spectral analysis, frequency domain, autoregressive, models.

REFERENCIAS BIBLIOGRAFICAS
Brockwell, P. y Davis, R. (2002). Time introduction to time series and forescasting.S pringer.
Cowpertwait, P. S., y Metcalfe, A. V. (2008). Introductory time series analysis with R. Springer.
Lindgren, G. (2006). Lectures on stacionary stochastic processes. A course for phd student in mathematical statistic and other fields. En Lund university. Centre for Mathematical Science. Mathematical Statistic.
Ochi, M. K. (2005). Ocean waves. The stochastic approach. Cambridge University.
Ortega, J. (2001). Estudio de algunas propiedades del mar usando modelos aleatorios. Boletín de la Asociación Matemática Venezolana, VIII (2).
Shumway, R. H., y Stoffer, D. S. (2006). Time series analysis and its aplications with R examples. Springer.

Registro 2 de 2, Base de información PCYT
Portada
Artículos de éste númeroArtículos de éste número
Autor: Acuña Sosa, Anaís Frangeline anais.frangeline@gmail.com
Oprima aquí para enviar un correo electrónico a esta dirección; Escalona Pérez, Jhonny Otilio ; Escalona Pérez, Jhonny Otilio
Título: UN ALGORITMO SAEM PARA EL PROBLEMA DE COMPLETACIÓN DE MATRICES
A SAEM ALGORITHM FOR MATRIX COMPLETION PROBLEMS
ISSN: 1856-8890
Fecha: 2015
Páginas/Colación: pp. 11-26
En:/ Publicaciones en Ciencias y Tecnología Vol. 9 Nro. 1 Enero- Junio 2015
Información de existenciaInformación de existencia
Categoría Temática: Palabras: DCYT01 DCYT01
Palabras Claves del Autor: Palabras: ALGORITMO EM ALGORITMO EM, Palabras: ALGORITMO SAEM ALGORITMO SAEM, Palabras: ANÁLISIS DE COMPONENTES PRINCIPALES ANÁLISIS DE COMPONENTES PRINCIPALES, Palabras: COMPLETACION DE MATRICES COMPLETACION DE MATRICES, Palabras: FILTRADO COLABORATIVO FILTRADO COLABORATIVO
Documentos asociados
Oprima aquí para visualizar el documento PDF:Documento a texto completo pdf Documento a texto completo pdf

RESUMEN
En este trabajo estudiamos el problema de completación de matrices. Este problema se presenta en diversas áreas como la teoría de sistemas y control, procesamiento de imágenes y filtrado colaborativo. Considerando un modelo de factorización probabilística de matrices, establecemos una propuesta basada en estadística Bayesiana y un algoritmo EM estocástico para recubrir una matriz de datos a partir de una muestras de sus entradas. El método propuesto no requiere de parámetros de regularización y da un estimado del rango de la matriz, en contraste con el método BPMF. Los resultados muestran que el algoritmo propuesto da mejores estimados del rango de la matriz en comparación con un algoritmo basado en lagrangeanos aumentados y es más eficiente que el método BPMF.

Palabras clave: Completación de matrices, algoritmo EM, algoritmo SAEM, filtrado colaborativo, análisis de componentes principales.

ABSTRACT
In this work we dealt with matrix completion problem. This problem arises in different fields, for example, systems and control theory, image processing and collaborative filtering. Given a probabilistic matrix factorization model, we present an approach based on Bayesian statistics and a stochastic expectation maximization algorithm to retrieve an array of data from a sample of its inputs. The proposed method does not require regularization parameters and estimates the rank of the matrix, in contrast to the BPMF method. The results show that the proposed method outperforms the rank of the matrix comparing to an augmented lagrangian algorithm and it is more efficient than the BPMF method.

Keywords: Matrix completion, EM algorithm, SAEM algorithm, collaborative filtering, principal components analysis

REFERENCIAS BIBLIOGRAFICAS
Cand`es, E., y Recht, B. (2009). Exact matrix completion via convex optimization. Foundations of Computational Mathematics, 9(6), 717-772.
Chen, M., Lin, Z., y Ma, Y. (2010). The augmented lagrange multiplier method for exact recovery of corrupted low-rank matrices. arXiv preprint arXiv:1009.5055.
Delyon, B., Lavielle, M., y Moulines, E. (1999). Convergence of a stochastic approximation version of the em algorithm. The Annals of Statistics, 27(1), 94-128.
Dempster, A., Laird, N., y Rubin, D. (1977). Maximum likelihood from incomplete data via the em algorithm. Journal of the Royal Statistical Society. Series B (Methodological)., 39(1), 1- 38.
Hassan, R. (2009). Problemas de completaci´on de matrices parcia- les (Tesis Doctoral no publicada). Universidad Polit´ecnica de Valencia.
Kuhn, E., y Lavielle, M. (2004). Coupling a stochastic approximation version of em with an mcmc procedure. ESAIM: Probability and Statistics, 9, 115-131.
Lara, H., Oviedo, H., y Yuan, J. (2014). Matrix completion via a low rank factorization model and an augmented lagrangean succesive overrelaxation algorithm. CompAMa, 2(2), 21-46.
Lawrence, N., y Urtasun, R. (2009). Non-linear matrix factorization with gaussian processes. En Proceedings of the 26th annual international conference on machine learning (pp. 601–608).
L´eger, F., Yu, G., y Sapiro, G. (2010). Efficient matrix completion with gaussian models. arXiv preprint arXiv:1010.4050.
Salakhutdinov, R., y Mnih, A. (2008a). Bayesian probabilistic matrix factorization using markov chain monte carlo. Proceedings of the International Conference in Machine Learning. ACM, 880- 887.
Salakhutdinov, R., y Mnih, A. (2008b). Probabiltic matrix factorization. Advances in neural information processing systems, 1257-1264.
Wen, Z., Yin, W., y Zhang, Y. (2012). Solving a low-rank factorization model for matrix completion by a nonlinear successive over-relaxation algorithm. Mathematical Programming Compu- tation, 4(4), 333–361.


 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

** Back-end Alejandría BE 7.3.0b3 *