scholarly journals Determination of Postural Control Mechanism in Overweight Adults Using The Artificial Neural Networks System and Nonlinear Autoregressive Moving Average Model

2020 ◽  
Vol 9 (0) ◽  
pp. 154-166
Author(s):  
Thunyanoot Prasertsakul ◽  
Warakorn Charoensuk
Keyword(s):  
Neural Networks ◽  
Control Mechanism ◽  
Moving Average ◽  
Autoregressive Moving Average ◽  
Average Model ◽  
Autoregressive Moving Average Model ◽  
Moving Average Model ◽  
Overweight Adults ◽  
Nonlinear Autoregressive

scholarly journals Identificação não-linear caixa-cinza: uma revisão e novos resultados

2004 ◽  
Vol 15 (2) ◽  
pp. 109-126 ◽  
Author(s):  
Marcelo V. Corrêa ◽  
Luis A. Aguirre
Keyword(s):  
Moving Average ◽  
Autoregressive Moving Average ◽  
Average Model ◽  
Autoregressive Moving Average Model ◽  
Moving Average Model ◽  
Nonlinear Autoregressive

Este artigo apresenta uma breve revisão da literatura enfocando recentes desenvolvimentos na área de identificação caixa-cinza. Os diversos métodos são agrupados dependendo de como a informação auxiliar é utilizada no processo de identificação. Discutem-se propriedades da representação NARMAX (nonlinear autoregressive moving average model with exogenous inputs) polinomial aplicando-se identificação caixa-cinza. Mecanismos de utilização de informação auxiliar na seleção de estrutura e na estimação de parâmetros de modelos NARMAX polinomiais são discutidos e ilustrados usando dois exemplos numéricos, um simulado e outro com dados medidos. Em ambos os casos obtêm-se modelos via procedimentos caixa-preta e caixa-cinza. As características dos modelos assim obtidos são comparadas de forma a ilustrar aspectos importantes da identificação caixa-cinza.

Determination of True Cutting Signal by Separation of Instrumentation Dynamics From Measured Response

1979 ◽  
Vol 101 (3) ◽  
pp. 264-268 ◽  
Author(s):  
E. Garcia-Gardea ◽  
F. A. Burney ◽  
S. M. Wu
Keyword(s):  
Moving Average ◽  
Autoregressive Moving Average ◽  
Order Model ◽  
Average Model ◽  
Autoregressive Moving Average Model ◽  
Moving Average Model ◽  
Fourth Order Model ◽  
Measured Response ◽  
Order Continuous

The Dynamic Data System (DDS) methodology is used for the separation of the cutting signal from the dynamics of a dynamometer. A sixth order continuous Autoregressive Moving Average model is fitted to a milling machine’s cutting force signals. The dynamics of the dynamometer are separated as a second order model and the true milling signals are constructed using the resultant parameters of a fourth order model. It is shown that with the constructed signal, an explanation of the pertinent characteristics such as the location errors in the cutter insert may be obtained. The technique to separate the dynamics of the instrument from the cutting signal can be used for the dynamic calibration of the instrumentation.

Sign in / Sign up

Export Citation Format

Share Document