Методы и алгоритмы обработки информации в условиях неоднородности данных тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Авшалумов, Александр Шамаилович

• Авшалумов, Александр Шамаилович
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Авшалумов, Александр Шамаилович

Введение.

Глава 1. Систематизация и анализ основных методов обработки неоднородных данных.

1.1. Понятие неоднородности данных и классификация их основных разновидностей.

1.2. Методы и алгоритмы анализа неоднородных данных.

1.3. Основные парадигмы искусственных нейронных сетей.

1.4. Уточнение основных направлений исследования.

Выводы по главе 1.

Глава 2. Медианные методы обработки временных рядов.

2.1 Исходный алгоритм медианной обработки данных.

2.2. Методика анализа характеристик медианного фильтра при 49 случайных воздействиях.

2.3. Результаты анализа характеристик медианного фильтра при случайных воздействиях.

2.4. Анализ свойств медианного фильтра при детерминированных воздействиях.

2.5. Анализ свойств медианного фильтра при обработке неоднородных сигналов.

Выводы по главе 2.

Глава 3. Алгоритмы анализа коррелированных временных рядов.

3.1. Обнаружение аномальных наблюдений в коррелированных временных рядах.

3.2. Алгоритмы обнаружения аномальных наблюдений в коррелированных временных рядах.

3.3. Анализ импульсных потоков на фоне коррелированной помехи.

Выводы по главе 3.

Глава 4. Развитие нейросетевых методов как средства обработки неоднородных данных.

4.1. Основная идея и область применения.

4.2. Каскадные персептронные сети как средство классификации неоднородных данных.

4.3. Каскадные сети со сжатием информации.

4.4. Каскадные ИНС для целей построения математической модели объекта г ~-------ашми переменными.

Выводы по главе 4.

Глава 5. Применение разработанных методов анализа неоднородных данных.

5.1. Медицинский КВЧ-диагностический комплекс.

5.2. Обработка периодограмм с применением медианной фильтрации при спектральном анализе сигналов.

5.3. Каскадный нейросетевой классификатор функционального состояния органов и тканей человека.

5.4. Алгоритм выделения аномальных наблюдений как средство анализа ритмограмм сердца.

5.5 Разработка нейросетевой модели прогноза содержания радона в атмосфере горных выработок.

Выводы по главе 5.

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы обработки информации в условиях неоднородности данных»

Решение современных задач управления сложными системами и объектами, широкомасштабное внедрение информационных технологий, необходимость повышения достоверности и качества исходной информации, лежащей в основе формирования эффективных управленческих воздействий настоятельно требуют дальнейшего развития методов и алгоритмов обработки экспериментальных данных, анализа и моделирования процессов (сигналов), характеризующих свойства изучаемого объекта. Одним из направлений такого развития является создание эффективных методов и алгоритмов, учитывающих неоднородность исходной информации. Такая неоднородность может носить различный характер и объективно обуславливаться разными причинами, связанными с особенностями конкретного объекта и/или со спецификой постановки задачи исследования.

При анализе процессов неоднородность может обуславливаться спонтанным изменением их характеристик, наличием в сигнале стохастической и детерминированной компонент, появлением аномальных наблюдений. При исследовании поведения многофакторных объектов зачастую приходится учитывать присутствие влияющих факторов как количественного, так и качественного характера, а в задачах управления такими объектами - возможные вариации их свойств во времени или в зависимости от режима функционирования. В задачах классификации неоднородность данных, их кластеризация является предпосылкой успешного решения данной задачи.

Работы по указанной проблематике велись многими учеными, начиная с трудов классиков математической статистики (Р. Фишера, Г. Шеффе, Дж. Бокса и др.), основоположников теории оптимальной фильтрации (Н. Винера, Р. Калмана, Л. Заде и др.), специалистов отечественной школы ( ЯЗ. Цыпкин, Р.Л. Стратонович, В.В. Налимов, Г.К. Круг, Е.В. Маркова, Э.К. Лецкий и др.). В их работах, а также в трудах их многочисленных последователей рассмотрены самые разные постановки задачи с учетом специфических особенностей конкретных областей применения (управление, радиотехника и теория связи, фильтрация, анализ стохастических процессов, статистический анализ, задачи классификации и пр.). По своей сути в большинстве случаях речь идет об обработке именно неоднородных данных, хотя впрямую это, как правило, не отмечается.

Несмотря на обилие работ в данной области многие вопросы обработки неоднородных данных либо исследованы недостаточно глубоко, либо нуждается в пересмотре сама исходная постановка задачи. Кроме того, в последнее время все большее применение получают алгоритмы, основанные на использовании искусственных нейронных сетей (ИНС). Такие алгоритмы могут оказаться весьма эффективными именно при анализе неоднородных данных. Все это в целом и определяет актуальность тематики данной работы.

Целью диссертационной работы является создание, развитие и исследование эффективных статистических и нейросетевых методов обработки информации в условиях различных видов неоднородностей экспериментальных данных, имея в виду повышение ее достоверности и качества как основы для принятия эффективных управленческих решений.

В соответствии с указанной целью в рамках диссертационной работы поставлены и решались следующие задачи:

1. Уточнение понятия и классификация разновидностей неоднородности данных, систематизация и анализ имеющихся методов и алгоритмов их обработки.

2. Исследование свойств медианной фильтрации как средства обработки неоднородных временных рядов и изучение возможности получения дополнительной информации о свойствах таких рядов путем сопоставления сигналов на выходах медианного фильтра и аналогичного фильтра скользящего среднего.

3. Разработка алгоритмов обнаружения аномальных наблюдений в коррелированных случайных последовательностях и исследование возможности их применения для задачи выделения маломощных импульсных потоков на фоне интенсивной коррелированной помехи.

4. Развитие нейросетевого подхода для решения ряда типовых задач классификации и построения математических моделей многофакторных объектов в условиях существенной структурной неоднородности экспериментальных выборок.

5. Применение полученных теоретических результатов при решении практических задач из области медицинской техники, химико-фармацевтической и горной промышленности.

Полученные результаты исследования базируются на использовании методов и средств теории вероятностей и математической статистики, теории случайных процессов, математического (имитационного) моделирования, теории искусственных нейронных сетей.

На защиту выносятся следующие научные положения, обладающие новизной:

1. Выявленные характерные свойства скользящей медианной фильтрации при обработке стохастических, детерминированных и смешанных процессов как средства повышения достоверности информации.

2. Доказательство возможности получения дополнительной информации при анализе процессов с временной неоднородностью путем сопоставления сигналов на выходах медианного фильтра и аналогичного фильтра скользящего среднего.

3. Новый критерий обнаружения аномальных наблюдений в коррелированных временных рядах, базирующийся на идее выявления нарушений гладкости их траекторий, и алгоритмы такого обнаружения.

4. Методика выявления и анализа маломощных импульсных потоков на фоне интенсивной коррелированной помехи на основе разработанных алгоритмов обнаружения аномальных наблюдений.

5. Оригинальные каскадные искусственные нейронные сети, предназначенные для эффективного решения задач классификации и построения математических моделей многофакторных объектов в условиях структурной неоднородности данных.

Обоснованность и достоверность научных положений, выводов и рекомендаций подтверждается корректным использованием методов математической статистики, теории случайных процессов, аппарата теории искусственных нейронных сетей, результатами имитационного моделирования и практического использования разработанных алгоритмов и методов обработки неоднородной информации.

Научная значимость работы состоит в разработке новых подходов, методов и алгоритмов обработки информации в условиях различного вида неоднородностей, где традиционные методы анализа становятся малоэффективными.

Результаты исследований, выполненных в диссертационной работе, могут быть использованы при создании программно-алгоритмического обеспечения систем поддержки принятия управленческих решений, автоматизированных систем научных исследований, компьютизированных научных приборов и диагностических комплексов, информационно-измерительных систем и АСУ ТП в различных отраслях промышленности.

Результаты работы использованы при разработке медицинского КВЧ-диагностического комплекса, для построения математической модели установки химико-фармацевтического назначения и модели прогнозирования содержания радона в атмосфере горных выработок шахты 45 Джезказганцветмет по экспериментальным данным .

Результаты работы и ее основные положения докладывались на Всероссийской научно-практической конференции «Информационные и управляющие системы» (Тула, 2005г.), XXXII, XXXIII, XXXIV Международных конференциях «Информационные технологии в науке, образовании, телекоммуникации, бизнесе» - 1Т+8Е'2005, 1Т+8Е'2006, 1Т+8Е'2007 (Ялта-Гурзуф, 2005 г., 2006 г., 2007 г.), Второй международной научно-практической конференции «Исследование, разработка и применение высоких технологий в промышленности» (Санкт-Петербург, 2006 г.), 52-ом Международном научном коллоквиуме (1\¥К) - (Ильменау, Германия, 2007 г.), на заседании кафедры «Автоматизированные системы управления» (АСУ) Московского государственного горного университета.

Основные положения и результаты диссертационной работы опубликованы в 9 печатных изданиях [77-85], в том числе в 2 изданиях, рекомендуемых ВАК РФ, а также в трудах 5 международных и 1 Всероссийской конференциях.

Диссертационная работа состоит из введения, пяти глав, заключения и списка литературы.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Авшалумов, Александр Шамаилович

Выводы по главе 5

1. Приведены результаты успешного практического применения медианной фильтрации как способа сглаживания периодограмм стохастических процессов и каскадных нейронных сетей в задаче классификации функционального состояния органов и тканей организма человека. Соответствующие алгоритмы включены в состав программно-алгоритмического обеспечения медицинского КВЧ-диагностического комплекса, эффективно используемого в медицинской практике.

2. Рассмотрена возможность применения алгоритмов выделения аномальных наблюдений ритмограмм сокращений сердца на основе критерия гладкости наблюдаемых реализаций. Показано, что такой способ анализа ритмограмм может оказаться полезным с точки зрения получения дополнительной диагностической информации.

3. Доказана возможность и эффективность применения двухкаскадной ИНС для построения модели прогнозирования содержания радона в атмосфере горных выработок шахты 45 Джезказганцветмет по экспериментальным данным.

Заключение

В диссертационной работе осуществлено законченное исследование в области обработки и анализа информации в условиях неоднородности экспериментальных данных и получены следующие основные результаты:

1. Уточнено исходное понятие неоднородности наблюдаемых данных, предложена классификация видов неоднородности, дан критический анализ известных постановок задачи обработки неоднородных данных, методов и алгоритмов ее решения.

2. Исследованы свойства медианной фильтрации при анализе стохастических, детерминированных и смешанных процессов и выявлены ее специфические особенности как средства обработки неоднородных временных рядов.

3. Исследована возможность получения дополнительной информации о свойствах неоднородных временных рядов путем сопоставления сигналов на выходах медианного фильтра и аналогичного фильтра скользящего среднего.

4. Предложен новый критерий обнаружения аномальных наблюдений в коррелированных временных рядах, базирующийся на идее выявления нарушений гладкости их траекторий, и осуществлена разработка соответствующих алгоритмов обнаружения.

5. Разработана методика выделения маломощных импульсных потоков на фоне интенсивной коррелированной помехи, основанная на использовании алгоритмов обнаружения аномальных наблюдений.

6. Предложен новый вариант искусственных нейронных сетей -каскадные ИНС и продемонстрирована их эффективность для решения ряда типовых задач классификации и идентификации в условиях существенной структурной неоднородности экспериментальных выборок.

7. Полученные теоретические результаты применены при решении практических задач из области медицинской техники, химико-фармацевтической и горной промышленности.

Список литературы диссертационного исследования кандидат технических наук Авшалумов, Александр Шамаилович, 2007 год

1. Айвазян С. А., Мхитарян В. С. Прикладная статистика и основы экономики. Учебник для вузов. - М.: ЮНИТИ, 1998. 1022 с.

2. Андерсон Т. Введение в многомерный статистический анализ. Перев. с англ. под ред. Б. В. Гнеденко, М., Физматгиз, 1963.

3. Андре-Обрехт Р. Сегментация речевых сигналов в реальном масштабе времени. В сб. «Обнаружение изменения свойств сигналов и динамических систем», М.: МИР, 1989, с.226-251.

4. Андерсон Т. Статистический анализ временных рядов. М.: МИР, 1976.

5. Бакут П. А., Жулина Ю. В., Иванчук Н. А. Обнаружение движущихся объектов. М.: Советское Радио, 1980.

6. Бард И. Нелинейное оценивание параметров. М.: Статистика, 1979.

7. Бахвалов JLA. Моделирование систем. Учебное пособие для вузов. Изд-во МГГУ, 2006.

8. Бен дат Дж. Основы теории случайных шумов и ее применение. М.: «Наука», 1965.

9. Бендат Дж., Пирсол А. Прикладной анализ случайных данных. М.: МИР, 1989.

10. Ю.Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. Вып. 1. М.: МИР, 1973.

11. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. Вып. 2. М.: МИР, 1974.

12. Болыпев JI.H., Смирнов Н.В. Таблицы математической статистики. М.: Наука, 1965.

13. З.Боровиков В.П., Боровиков И.П. STATISTICA -статистический анализ и обработка данных в среде Windows. М.: Информационно-издательский дом «Филинъ», 1998.

14. Бородюк В.П., Лецкий Э.К. Статистическое описание промышленных объектов. М.: Энергия, 1971.

15. Ван Трисс Е. Теория обнаружения. Оценок и модуляции. М.: Советское радио, 1972.

16. Вилски A.C. Обнаружение резких изменений в динамических системах. В сб. «Обнаружение изменения свойств сигналов и динамических систем», М.: МИР, 1989, с. 28-61.

17. П.Виноградова H.A., Филаретов Г.Ф., Леньшин В.Н., Свиридов В.Г. и др. Основы построения информационно-измерительных систем. М.: изд-во МЭИ, 2004.

18. Галушкин А.И. Нейрокомпьютеры. Кн.З: Учебное пособие для вузов. М.: ИПРЖР, 2000.

19. Головко В.А. Нейронные сети: обучение, организация и применение. М.: ИРПЖР, 2001.

20. Гольденберг П.М., Матюшкин Б.Д., Поляк М.Н. Цифровая обработка сигналов. М.: Радио и связь, 1985.

21. Гумбель Э. Статистика экстремальных значений. М.: МИР, 1965.

22. Дженкинс Г., Ватте Д. Спектральный анализ и его приложения. Выпуск1.М.: МИР, 1971.

23. Дженкинс Г., Ватте Д. Спектральный анализ и его приложения. Выпуск2. М.: МИР, 1972.

24. Ершов A.A. Стабильные методы оценки параметров. АиТ, 1978, №8. 25.3айдель А.Н. Элементарные оценки ошибок измерения. Наука, Ленингр.отд., 1968.

25. Каллан Роберт. Основные концепции нейронных сетей.: Пер. с англ. -М.: Издательский дом «Вильяме», 2001.

26. Кендалл М.Дж., Стьюарт А. Статистические выводы и связи. М.: Наука, 1973.

27. Кендалл М.Дж., Стьюарт А. Теория распределений. М.: Наука, 1966.

28. Клигене Н., Тельскнис Л. Методы обнаружения моментов изменения свойств случайных процессов. АиТ, 1983, №10.

29. Кокс Д., Льюис П. Статистический анализ последовательности событий. М.: МИР, 1969.

30. Крамер Г., Лидбеттер М. Стационарные случайные процессы. М.: Мир, 1969.

31. Круг Г.К., Лисенков А.Н. Планирование эксперимента в условиях непрерывного временного дрейфа. Тр. МЭИ, 1966. вып. 67.

32. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия-телеком, 2001

33. Кудряшов В.К., Филаретов Г.Ф. Построение и моделирование адаптивного фильтра Калмана. В сб. «описание научных принципов.», Пущино, 1980.

34. Куликов Е.И., Трифонов А.П. Оценка параметров сигналов на фоне помех. М.: Советское радио, 1978.

35. Ли Р. Оптимальные оценки, определение характеристик и управление. М.: Наука, 1966.

36. Маркова Е.В. Лисенков А.Н. Планирование эксперимента в условиях неоднородностей.М.: Наука, 1973.

37. Марпл-мл. С. Цифровой спектральный анализ и его приложения. М.: МИР, 1990.

38. Мердок Дж. Контрольные карты (Предисл. Адлера Ю. П.). М.: Финансы и статистика, 1986.

39. Мирский Г .Я. Аппаратурное определение характеристик случайных процессов. М.: Энергия, 1972.

40. Миттаг Ч.-Й., Ринне Ч. Статистические методы обеспечения качества. М.: Машиностроение, 1995.

41. Михайлов В. М. Вариабельность ритма сердца: опыт практического применения метода. Изд. второе, перераб. и доп.: Иваново: Иван. гос. мед. академия, 2002.

42. Налимов В.В. Применение математической статистики при анализе вещества. М.: Физматгиз, 1960

43. Нидеккер И. Г. Проблема математического анализа сердечного ритма. // Физиология человека 1993; №3.

44. Никифоров И.В. Применение последовательного анализа к процессам авторегрессии. АиТ, 1975, №8, с. 174-177.

45. Никифоров И.В. Модификация и исследование процедуры кумулятивных сумм. АиТ, 1980, №9, с. 74-80.

46. Никифоров И.В. Последовательное обнаружение изменения свойств временных рядов. М.: Наука, 1983.

47. Поляк В.Т., Цыпкин ЯЗ. Помехоустойчивая идентификация. В сб. трудов IV симпозиума ИФАК «Идентификация и оценка параметров систем», 1976.

48. Поляк Ю.Г. Вероятностное моделирование на электронных вычислительных машинах. М.: Советское Радио, 1971.

49. Прэтт У. Цифровая обработка изображений. Кн. 2.М.: МИР, 1982.

50. Пугачёв В. С. О распределении числа выбросов случайного процесса. -В кн.: нелинейные и оптимальные системы. М.: Наука, 1971, с. 374 381.

51. Радченко Ю.С. Эффективность приема на фоне комбинированной помехи с дополнительной обработкой в медианном фильтре. «Журнал радиоэлектроники», 2001, №7.

52. Сб. «Введение в теорию порядковых статистик» М.: Статистика, 1970.

53. Себер Дж. Линейный регрессионный анализ. М.: МИР, 1980.

54. Сергиенко А.Б. Цифровая обработка сигналов. СПб.: Питер, 2003.

55. Сосулин Ю.Г., Фишман М.М. Оптимальное обнаружение сигналов со случайным моментом появления. Изв. АН СССР, Техн. кибернетика, 1977, №3.

56. Тихонов В.И., Кульман Н.К. Нелинейная фильтрация и квазикогерентный прием сигналов. М.: Советское радио, 1972.

57. Торговицкий И.Ш. Методы определения момента изменения характеристик случайных величин (обзор). Зарубежная электроника, №1, 1976.

58. Уоссерман Ф. Нейрокомпьютерная техника. М.: МИР, 1992.

59. Филаретов Г.Ф., Общая процедура построения контролирующих алгоритмов, Тезисы докладов IV Всесоюзной конференции «Перспективные методы планирования и анализа экспериментов при исследовании случайных полей и процессов», Петрозаводск, 1991.

60. Филаретов Г. Ф., Джордан Б. Применение автоассоциативных нейронных сетей для сжатия информации. XXX международная конференция. Информационные технологии в науке, образовании, телекоммуникации, бизнесе. Украина, Крым, Ялта-Гурзуф, 19-28 мая 2003 г.

61. Фомин Я. А. Теория выбросов случайных процессов. М.: Связь, 1980.

62. Фу К. Последовательные методы распознавания образов и обучения машин. М.: Наука, 1971.

63. Хазен Э. М. Методы оптимальных статистических решений и задачи оптимального управления. М.: Советское Радио, 1968.

64. Хан Г. Шапиро С. Статистические модели в инженерных задачах. М.: МИР, 1969.

65. Хартман К., Лецкий Э., Шеффер В. И др. Планирование эксперимента в исследовании технологических процессов. М.: МИР, 1977.

66. Химмельблау Д. Анализ процессов статистическими методами. М.: МИР, 1973.

67. Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968.71.111еффе Г. Дисперсионный анализ. М.: Физматгиз, 1963.

68. Ширяев А. Н. Обнаружение спонтанно возникающих эффектов. Докл. АН СССР, 1961,138, №4.

69. Ширяев А. Н. Задача скорейшего обнаружения нарушения стационарного режима. Докл. АН СССР, 1961, 138, № 5.

70. Яноши А. Теория и практика обработки результатов измерений. М.: МИР, 1968.75. http://revlab.bidmc.harvard.edu/DvnaDx/case-studv/hrv/76.www.ssga.ru/erudietes-info/info technology/comp model (цифровая обработка изображений на ЭВМ).

71. А.Ш. Авшалумов, К.В. Судаков, Г.Ф. Филаретов. Новая информационная технология системной диагностики функциональной активности органов человека. Медицинская техника, 2006, №3, с. 13 — 18.

72. А.Ш. Авшалумов, Г.Ф. Филаретов. Медианная фильтрация стохастических сигналов. Материалы XXXIII Международной конференции «Информационные технологии в науке, образовании, телекоммуникации, бизнесе» IT+SE'2006, с. 408 -411.

73. А.Ш. Авшалумов, Г.Ф. Филаретов. Каскадирование искусственных нейронных сетей при решении задач классификации. «Высокие технологии, фундаментальные и прикладные исследования». Т. 5:

74. Сборник трудов Второй международной научно-практической конференции «Исследование, разработка и применение высоких технологий в промышленности», Санкт-Петербург, 2006, с. 93-95.

75. А.Ш. Авшалумов, Г.Ф. Филаретов. Искусственные нейронные сети для обработки неоднородных данных. Материалы XXXIV Международной конференции «Информационные технологии в науке, образовании, телекоммуникации, бизнесе» IT+SE'2007, с. 429 - 432.

76. А.Ш. Авшалумов, Г.Ф. Филаретов. Алгоритмы обнаружения аномальных наблюдений в коррелированных временных рядах // Вестник Московского энергетического института. 2007. №3.

77. A. Avshalumov, G. Filaretov. Detection and Analysis of Impulse Point Sequences on Correlated Disturbance Phone. 52. Internationales Wissenschaftliches Kolloquium, 10-13.09.2007, TU Ilmenau. Conference Proceedings, Volume 1.

78. А.Ш. Авшалумов, Г.Ф. Филаретов. Методы выделения неоднородностей временных рядов. Сборник тезисов докладов VI Международной Крымской конференции «Космос и биосфера», 2005, с. 211-212.

79. Robbins Н., Monro S. // Ann. math, statist. 1951. Т. 22. p. 400.

80. Tukey J.W. Exploratory Data Analysis. Addison- Wesley, Reading Mass., 1971.

81. Bourland H., Kamp Y. Auto-association by Multilayer Perceptrons and singular Value Decomposition. Biological Cybernetics, 59,1988, p. 291-294.

82. Lomnicki A.A., Zaremba S.K. On estimating the spectral density function of a stochastic process. Y.Roy.Stat.Soc., В19,13,1957.

83. Elman J. Finding structure in time/ Cognitive Science, 1990, №14, p. 179211.

84. Tenney R., Hebbert R., sandel N. A tracking filter for maneuvering sources, IEEE Trans. Aut. Control, AC-22,246-251 (april 1977).

85. Tugnait J, haddad A. A detection- estimation scheme for state estimation in switching environments, Automatica, 15,477-481 (july 1979).

86. Tugnait J. Adaptive estimation and identification for discrete systems with Markov jamp parameters. IEEE Trans. Aut. Control, AC-27, 1054-1065 (oct. 1982).

87. Glasser M. Linear regression analysis with missing observations among the independent variables. J. Amer. Statist. Assoc., v. 59,1964, №307.

88. Haitovsky Y. Missing data in regression analysis. J. Roy. Statist. Soc., ser. B, v. 30,1968, №1.

89. Huber P.J. Robust statistics: A Review, Ann. Math. Stat., v.43,1972, №4.

90. Rao C.R. Estimation of heteroscedastic variances in linear models. J. Amer. Statist. Assoc., v. 65,1970.

91. Simon Haykin. Neural Networks: A Comprehensive Foundation. Second Edition. McMaster University. Prentice-Hall. 1999.

92. Willsky A.S. A servey of design methods for failure detection in dynamic systems, Automatica, 12,601-611,1976.

93. Winer N. Extrapolation, interpolation and smoothing of stationary time series. New York. 1949.