¿Cuál es la mejor manera de actualizar los datos, mientras que el uso de Descomposición Empírica de Modo de analizar

Question

Tengo una pregunta acerca de EMD actualización de los nuevos puntos de datos. Para toda una serie de tiempo, desde el principio hasta el final, el EMD preformas muy buen uso de la interpolación cúbica de la función.

El problema ocurre cuando los nuevos puntos de datos de alimentación, a continuación, después de recalcular EMD (incluyendo los nuevos datos) los números de salida de la Fitim sido el cambio (el FMI serie de datos antes y después de la actualización de todas cambiado ligeramente).

Sospecho que el spline cúbico funciones no tienen memoria. ¿Cuál es la mejor manera de evitar este problema, y el cálculo de EMD y mantener los resultados no cambian.

Mejor!

Answer 1

Disculpas si no es una respuesta definitiva, pero quisiera compartir mi experiencia en este tema.

He estado investigando EMD para los últimos 2 años, ahora después de leer varios de un paso por delante de previsión de papeles financieros de las series de tiempo. He estado interesado en el uso de cada FMI por separado a la regresión con la Relevancia de las máquinas de Vectores y NNs. He utilizado NI-EMD, EEMD, Estadística-EMD (paquete de R), CEEMDAN, NLMS-EMD y algunos otros. He implementado diferentes versiones con diferentes formas de evitar el modo de mezcla y extrapolando el punto final de la cuestión. El FMI no sólo volver a pintar (sin memoria). También a causa de las estrías, todos los artefactos extrapolar a prevenir que cualquier paso delante de predicción como estamos haciendo suposiciones acerca de la dirección últimos datos están proyectando . Incluso tuve un investigador que trabaja en el DEPARTAMENTO de codificación para mí esta última aplicación de Derivados-optimizado-EMD, pero fracasó estrepitosamente en un paso por delante de previsión. Abajo está el enlace para el papel:

faculty.nps.edu/pcchu/web_paper/jcam/demd.pdf

He tenido una conversación con investigadores como Flandrin y me han dicho que el EMD es adecuado para la eliminación de ruidos pero muy inestable para hacer la predicción de las Imf en el futuro como los modos de repintar y el punto final es siempre incorrecto.

Espero que esta ayuda.

Answer 2

Así que es una muy buena pregunta. Una vez que me di cuenta de que el problema con EMD he investigado todas las transformadas wavelets podía tener acceso a en Matlab, todo parecía sufrir algún punto final distorsion o lo que se llama el Tiempo de la fase de distorsion para todos un paso por delante de previsión donde un desfase de una muestra de aparecer en el pronóstico en algunos segmentos de los datos de prueba.

Que se trata de una aplicación de los Haar Un Trou que apareció en docenas de papeles, pero a pesar de que uno no podía conseguir decente un paso por delante de predicción. Podría ser que mi programa de aprendizaje tenido alguna limitación, pero todavía se sospecha de la multiescala de descomposición, fue el problema, no a la máquina de aprendizaje de algo (yo uso Relevancia Vectorial de la Máquina con la validación cruzada y no-lineal de los núcleos).

Todavía tengo que probar la SSA, que creo que podría funcionar, no es un R aplicación con una previsión esquema implementado. También he descubierto recientemente "codificación dispersa", que creo que podría ser utilizado para la serie de tiempo del evento aunque no he visto implementaciones. Espero que esta ayuda y feliz de poder colaborar en algo, me acaba de enviar el mensaje.