On Automatic Boundary Corrections Using Empirical Mode Decomposition

Mohamed Jaber, Abobaker (2016) On Automatic Boundary Corrections Using Empirical Mode Decomposition. PhD thesis, Universiti Sains Malaysia.

[img]
Preview
PDF
Download (357Kb) | Preview

    Abstract

    Penghuraian mod empirik (EMD) sangat berguna dalam menganalisis siri masa tak pegun dan tak linear. Namun EMD mengalami masalah batasan yang disebabkan oleh penggunaan EMD untuk isyarat yang terhingga. Akibatnya, kepincangan besar terjadi dipinggir dan pergerakan buatan berlaku ketika andaian batasan klasik tidak terpenuhi. Kajian ini memperkenalkan dua kaedah baru dengan dua tahap untuk mengurangkan secara automatik kesan batasan yang hadir dalam EMD iaitu gabungan penghuraian mod empirik dengan regresi linear kuantil tempatan, EMD-LLQ dan gabungan peng-huraian mod empirik dengan dengan regresi linear tempatan, EMD-LL. Kejituan kae-dah ini ditunjukkan melalui kajian simulasi dan contoh sebenar dengan dibandingkan dengan kaedah imputasi lain yang sedia ada. Pada bahagian simulasi, pada tahap perta-ma, regresi linear kuantil tempatan (LLQ) dan regresi linear tempatan (LL) digunakan bertujuan untuk memberikan keperihalan yang cekap dari data yang tidak bagus dan hingar. Empirical mode decomposition (EMD) is particularly useful in analyzing nonstationary and nonlinear time series. Yet EMD struggle from boundary problems caused by the application of the EMD to a finite signal. Consequently, large bias at the edges and artificial wiggles happen when the classical boundary assumptions are not met. This study introduces two new two-stage methods to automatically decrease the boundary effects present in EMD namely Empirical Mode Decomposition combined with local linear quantile regression, EMD-LLQ and Empirical Mode Decomposition combined with local linear regression, EMD-LL. The accuracy of the method is shown by simulation studies and real example with comparison to other existing imputation methods. For simulation part: at the first stage, local linear quantile regression (LLQ) and local linear regression are applied to provide an efficient description of the corrupted and noisy data.

    Item Type: Thesis (PhD)
    Subjects: Q Science > QA Mathematics > QA1 Mathematics (General)
    Divisions: Pusat Pengajian Sains Matematik (School of Mathematical Sciences)
    Depositing User: Mr Noorazilan Noordin
    Date Deposited: 02 Feb 2017 15:50
    Last Modified: 02 Feb 2017 15:50
    URI: http://eprints.usm.my/id/eprint/31887

    Actions (login required)

    View Item
    Share