Mostrar el registro sencillo del ítem
dc.contributor.author | Medel J., Jesús![]() |
es_ES |
dc.contributor.author | Urbieta P., Romeo![]() |
es_ES |
dc.contributor.author | García I., Juan C.![]() |
es_ES |
dc.date.accessioned | 2020-05-22T18:30:58Z | |
dc.date.available | 2020-05-22T18:30:58Z | |
dc.date.issued | 2014-10-05 | |
dc.identifier.issn | 1697-7912 | |
dc.identifier.uri | http://hdl.handle.net/10251/144168 | |
dc.description.abstract | [EN] This paper presents the estimation considering the Second Probability Moment applied to a simplified Third Order Stochastic Process. Model commonly used to describe smoothing systems as a synchronous motor. Its values used into the model describe and estimate the Black Box system behavior. In the design three parameters based on covariance Pk and Qk are calculated The stochastic variable depends on the three gains and three functional estimation errors, respectively, developing the stochastic identification by a reference model that converges in almost all points with 10 iterations in recursive estimation. The results demonstrate a theoretical experiment using the Matlab obtaining the parameters and the third order model to converge in accordance to the reference signal. The accuracy achieved in thousandths was in a Supermartingale sense and implementation performed as a function of recursive estimation. | es_ES |
dc.description.abstract | [ES] En este artículo se propone un estimador basado en el segundo momento de probabilidad aplicado a un modelo estocástico de tercer orden en diferencias finitas. Modelo que comúnmente es usado para describir sistemas con amortiguamiento como es el caso de los motores síncronos. Los valores que se consideran en el modelo son resultado de la estimación con respecto a la señal de referencia. En el diseño se realiza el cálculo de los tres parámetros usando las covariancias Pk y Qk. Es así como la variable estocástica observable está en función sus ganancias y del proceso de innovación, lo que permite el desarrollo de un identificador con convergencia en casi todos los puntos a la señal de referencia. Para contar con los resultados en línea así como lograr una implementación se realiza la estimación recursiva. En la sección de resultados se presenta un experimento teórico utilizando la herramienta de Matlab® para determinar los parámetros y lograr la convergencia del modelo de tercer orden con la señal de referencia, lo cual se logró en menos de diez iteraciones. La convergencia se puede observar a través del funcional del error. La aproximación del identificador con la estimación recursiva hacia la referencia fue de milésimas y es descrita como una supermartingala. | es_ES |
dc.description.sponsorship | Este trabajo ha sido realizado gracias al apoyo del IPN, al CIC, a la ESIME Unidad Culhuacán y del Conacyt, sin los cuales no se hubiera logrado la conjunción de los profesores y con registro ante la Secretaria de Investigación y Posgrado SIP: 20140728. | es_ES |
dc.language | Español | es_ES |
dc.publisher | Elsevier | es_ES |
dc.relation.ispartof | Revista Iberoamericana de Automática e Informática industrial | es_ES |
dc.rights | Reserva de todos los derechos | es_ES |
dc.subject | Probability | es_ES |
dc.subject | Identification | es_ES |
dc.subject | Filtering | es_ES |
dc.subject | Recursive Algorithm | es_ES |
dc.subject | Estimación | es_ES |
dc.subject | Probabilidad | es_ES |
dc.subject | Identificación | es_ES |
dc.subject | Filtrado | es_ES |
dc.subject | Algoritmo | es_ES |
dc.subject | Recursivo | es_ES |
dc.title | Estimador para un Proceso Estocástico de Tercer Orden | es_ES |
dc.title.alternative | Estimation Applied to a Third Stochastic Process Order | es_ES |
dc.type | Artículo | es_ES |
dc.identifier.doi | 10.1016/j.riai.2014.09.003 | |
dc.relation.projectID | info:eu-repo/grantAgreement/IPN//20140728/ | es_ES |
dc.rights.accessRights | Abierto | es_ES |
dc.description.bibliographicCitation | Medel J., J.; Urbieta P., R.; García I., JC. (2014). Estimador para un Proceso Estocástico de Tercer Orden. Revista Iberoamericana de Automática e Informática industrial. 11(4):389-394. https://doi.org/10.1016/j.riai.2014.09.003 | es_ES |
dc.description.accrualMethod | OJS | es_ES |
dc.relation.publisherversion | https://doi.org/10.1016/j.riai.2014.09.003 | es_ES |
dc.description.upvformatpinicio | 389 | es_ES |
dc.description.upvformatpfin | 394 | es_ES |
dc.type.version | info:eu-repo/semantics/publishedVersion | es_ES |
dc.description.volume | 11 | es_ES |
dc.description.issue | 4 | es_ES |
dc.identifier.eissn | 1697-7920 | |
dc.relation.pasarela | OJS\9430 | es_ES |
dc.contributor.funder | Instituto Politécnico Nacional, México | es_ES |
dc.contributor.funder | Consejo Nacional de Ciencia y Tecnología, México | es_ES |
dc.description.references | Alok, S., 2007. Taylor & Francis Group, Optimal and Robust Control CRC Press, 179-228. DOI: 10.1109/TAC. 2008.918772. | es_ES |
dc.description.references | Armando, J., Graciela, G., Ramón, M., 2001, Un procedimiento práctico para estimar el parámetro de forma de la distribución Gaussiana Generalizada. Centro de Investigación de Matemáticas. México, 6. | es_ES |
dc.description.references | Rengifo, C., 2004. Una Herramienta para Identificación Recursiva de Sistemas Dinámicos, 1-12. | es_ES |
dc.description.references | Christian, H., Andre, Ran., Freek, Schagen., 2007. Introduction to Mathematical System Theory. Linear Systems, Identification and Control,. Springer, Germany, 115-132. | es_ES |
dc.description.references | Daniel, W., 1994. Probability Theory, an Analytic View. Cambridge. University Press, USA, 193-256. | es_ES |
dc.description.references | David, S., 2002. La Matriz Fundamental y la Matriz esencial. Conceptos y. aplicaciones, 3-38. | es_ES |
dc.description.references | Frank. L., Liua, X., Dan, Popa., 2008. Optimal Estimation and Robust. Estimation. CRC Press, pp. 423-442. | es_ES |
dc.description.references | Isabelle, R., Léon, P., 1996. Black Box Modeling with State Space Neural. Networks. Neural Adaptive Control Technology, 237-264. | es_ES |
dc.description.references | Justino, A., 2007. Estimación de Parámetros en Ecuaciones Diferenciales. Ordinarias: Identificabilidad y Aplicaciones a Medicina. UNAM. México. 1-34. | es_ES |
dc.description.references | Kailath, T., Ali, H., Babak H., 2000. Linear Estimation, Prentice Hall, USA. | es_ES |
dc.description.references | Lagunas M., 2007. Procesos Estocásticos y Estimación de Parámetros. | es_ES |
dc.description.references | Lokenath, D., Piotr, M., 2005. Hilbert Spaces with Applications. Elsevier. Academy Press, USA, 93-135. | es_ES |
dc.description.references | Paul, G., Sidney, C., Charles, Stone., 1971. Introduction to Probability. Theory. Editorial Houghton Mifflin Company, USA, 92-95. | es_ES |
dc.description.references | Pérez A., Romeo Y., Pérez S., 2007. Identificación de los parámetros deun. modelo de tercer orden para una máquina síncrona utilizando mediciones. en línea, Revista Scientia Et Technica, 13, 67-71. | es_ES |
dc.description.references | Rao, D., 2006. Analysis and Design of Control Systems Using Matlab. New Age International, USA. | es_ES |
dc.description.references | Robert, J., Lakhdar, A., John, Moore., 2008. Hidden Markov Models. Estimation and Control. Springer. 19. | es_ES |