食品原料預處理機械與設(shè)備-資料下載頁

【導讀】1—提升機；2—翻果輪；3—洗槽；4—噴淋水管；5—檢選臺；6—滾筒輸送機；洗果機是中小型企業(yè)較為理想的果品清洗機，其結(jié)構(gòu)緊湊，清洗質(zhì)量好，造價低，使用方便。及機架、傳動裝置等組成，結(jié)構(gòu)如下圖所示。中的水產(chǎn)生劇烈的翻動，對果蔬原料進行清洗。裝置、支架及電動機、傳動系統(tǒng)等組成。風壓，然后查鼓風機的性能曲線選擇合適的規(guī)格型號。般取1平方米水面面積需空氣量每秒。噴射高壓水來沖洗翻動的原料，達到清洗的目的。分為浸泡、噴射和刷洗三種。溶解粘附于瓶上的不清潔物，并加以殺菌。中浸瓶時間對清洗效果的影響較大。利用NaOH浸泡玻璃容器時，其最高濃度為5%，溫度差必須在25℃以下。失效并污染其他凈瓶；此種浸泡的目的是消毒和去除刷。瓶子倒置于瀝干器上，瀝干瓶內(nèi)殘留水分。瀝干器有兩種形式。射等過程進行洗滌。運動時的沖擊較大。罩內(nèi)的來回碰撞，從而減少瓶子母線的磨損及瓶子破裂，

　　

【正文】 ?2), ?0=1 如果 AR(2)穩(wěn)定，則由 ?1+?21知 |?k|衰減趨于零，呈拖尾狀。 至于衰減的形式，要看 AR(2)特征根的實虛性， 若為實根，則呈單調(diào)或振蕩型衰減，若為虛根，則呈正弦波型衰減。 一般地 ， p階自回歸模型 AR(p)： Xt=?1Xt1+ ?2Xt2 +… ?pXtp + ?t k期滯后協(xié)方差為 : pkpkktptpttKtk XXXXE?????????????????????????????22112211 ))((從而有 自相關(guān)函數(shù) : pkpkkk ??? ???? ??????? ?2211 可見， 無論 k有多大， ?k的計算均與其１到p階滯后的自相關(guān)函數(shù)有關(guān) ，因此 呈拖尾狀 。 如果 AR(p)是穩(wěn)定的，則 |?k|遞減且趨于零 。 事實上，自相關(guān)函數(shù) ： pkpkkk ??? ???? ??????? ?2211是一 p階差分方程，其通解為： ???pikiik zC1? 其中： 1/zi是 AR(p)特征方程 ?(z)=0的特征根 ， 由 AR(p)平穩(wěn)的條件知 ， |zi|1。 因此 ， 當 1/zi均為實數(shù)根時 ， ?k呈幾何型衰減（ 單調(diào)或振蕩 ） ； 當存在虛數(shù)根時 ， 則一對共扼復根構(gòu)成通解中的一個阻尼正弦波項 ， ?k呈正弦波衰減 。 （ 2）偏自相關(guān)函數(shù) 自相關(guān)函數(shù) ACF(k)給出了 Xt與 Xt1的總體相關(guān)性，但總體相關(guān)性可能掩蓋了變量間完全不同的隱含關(guān)系。 例如，在 AR(1)隨機過程中， Xt與 Xt2間有相關(guān)性可能主要是由于它們各自與 Xt1間的相關(guān)性帶來的 : )()( 2112122 ?????? tttt XXEXXE???即自相關(guān)函數(shù)中包含了這種所有的 “ 間接 ” 相關(guān)。 與之相反 ， Xt與 Xtk間的 偏自相關(guān)函數(shù)(partial autocorrelation，簡記為 PACF)則是消除了中間變量 Xt1， … ， Xtk+1 帶來的間接相關(guān)后的直接相關(guān)性，它是在已知序列值 Xt1， … ，Xtk+1的條件下， Xt與 Xtk間關(guān)系的度量。 從 Xt中去掉 Xt1的影響，則只剩下隨機擾動項 ?t，顯然它與 Xt2無關(guān)，因此我們說 Xt與 Xt2的偏自相關(guān)系數(shù) 為零， 記為 ： 在 AR(1)中， 0),( 2*2 ?? ?tt XC o r r ?? 同樣地 ， 在 AR(p)過程中 ， 對所有 的 kp， Xt與 Xtk間的 偏自相關(guān)系數(shù) 為零 。 AR(p)的一個主要特征是 :kp時，?k*=Corr(Xt,Xtk)=0 即 ?k*在 p以后是截尾的。 一隨機時間序列的識別原則： 若 Xt的偏自相關(guān)函數(shù)在 p以后截尾 ， 即 kp時 ，?k*=0， 而它的自相關(guān)函數(shù) ?k是拖尾的 ， 則此序列是自回歸 AR(p)序列 。 在實際識別時，由于樣本偏自相關(guān)函數(shù)rk*是總體偏自相關(guān)函數(shù) ?k*的一個估計，由于樣本的隨機性，當 kp時， rk*不會全為 0，而是在 0的上下波動。但可以證明，當 kp時，rk*服從如下漸近正態(tài)分布 : rk*~N(0,1/n) 式中 n表示樣本容量。 需指出的是 ， 我們就有 %的把握判斷原時間序列在 p之后截尾。 nr k 2|| * ?因此，如果計算的 rk*滿足： 對 MA(1)過程 ： MA(q)過程 1??? tttX ???可容易地寫出它的 自協(xié)方差系數(shù) ： 0)1(3221220??????????????????于是 ， MA(1)過程的 自相關(guān)函數(shù) 為 ： 0)1(3221????????????可見， 當 k1時， ?k0，即 Xt與 Xtk不相關(guān)， MA(1)自相關(guān)函數(shù)是截尾的。 MA(1)過程可以等價地寫成 ?t關(guān)于無窮序列Xt， Xt1， … 的線性組合的形式： ????? ?? 221 tttt XXX ???或 ： tttt XXX ??? ????? ?? ?221（ *） (*)是一個 AR(?)過程，它的偏自相關(guān)函數(shù)非截尾但卻趨于零，因此 MA(1)的偏自相關(guān)函數(shù)是非截尾但卻趨于零的。 注意 : (*)式只有當 |?|1時才有意義，否則意味著距 Xt越遠的 X值，對 Xt的影響越大，顯然不符合常理。 因此，我們 把 |?|1稱為 MA(1)的可逆性條件（ invertibility condition）或可逆域。 其 自協(xié)方差系數(shù) 為 ： 一般地， q階移動平均過程 MA(q) qtqtttX ?? ???? ????? ?11??????????????????? ???qkqkkXXEr qkqkkqkttk當當當01)(0)1()( 112222212??????????????相應(yīng)的 自相關(guān)函數(shù) 為： ? ? ? ? ? ? ? ?k k k k q k q qrrkk qk q? ??? ? ? ? ? ? ? ? ???????? ?01 1 12 21 01 10當當當( ) / ( )? ? 可見 ， 當 kq時 ， Xt與 Xtk不相關(guān) ， 即存在截尾現(xiàn)象 ， 因此 ， 當 kq時 ， ?k=0是 MA(q)的一個特征 。 于是： 可以根據(jù)自相關(guān)系數(shù)是否從某一點開始一直為 0來判斷 MA(q)模型的階 。 與 MA(1)相仿，可以驗證 MA(q)過程的偏自相關(guān)函數(shù)是非截尾但趨于零的。 MA(q)模型的識別規(guī)則： 若隨機序列的自相關(guān)函數(shù)截尾，即自 q以后， ?k=0（ kq）；而它的偏自相關(guān)函數(shù)是拖尾的，則此序列是滑動平均MA(q)序列。 同樣需要注意的是 ： 在實際識別時，由于樣本自相關(guān)函數(shù) rk是總體自相關(guān)函數(shù) ?k的一個估計，由于樣本的隨機性，當 kq時， rk不會全為 0，而是在 0的上下波動。但可以證明，當 kq時， rk服從如下漸近正態(tài)分布 : rk~N(0,1/n) 式中 n表示樣本容量。 因此 ， 如果計算的 rk滿足： nr k2|| ?我們 就有 %的把握判斷原時間序列在 q之后截尾 。 ARMA(p,q)的自相關(guān)函數(shù) ， 可以看作MA(q)的自相關(guān)函數(shù)和 AR(p)的自相關(guān)函數(shù)的混合物。 當 p=0時，它具有截尾性質(zhì) ； 當 q=0時，它具有拖尾性質(zhì)； 當 p、 q都不為 0時，它具有拖尾性質(zhì) ARMA(p, q)過程 從識別上看，通常： ARMA(p， q)過程的偏自相關(guān)函數(shù)（ PACF） 可能在 p階滯后前有幾項明顯的尖柱（ spikes），但從 p階滯后項開始逐漸趨向于零； 而 它的自相關(guān)函數(shù)（ ACF） 則是在 q階滯后前有幾項明顯的尖柱，從 q階滯后項開始逐漸趨向于零。 表 9 . 2 . 1 A R M A ( p , q ) 模型的 A C F 與 P A C F 理論模式 模型 A C F P A C F 白噪聲 0?k? 0*?k? AR ( p ) 衰減趨于零（幾何型或振蕩型） P 階后截尾： 0*?k? ， k p M A ( q ) q 階后截尾：， 0?k? ， k q 衰減趨于零（幾何型或振蕩 型） A R M A ( p , q ) q 階后衰減趨于零（幾何型或振蕩型） p 階后衰減趨于零（幾何型或振蕩型） 圖 9 . 2 . 2 A R M A ( p , q ) 模型的 ACF 與 P A C F 理論模式 A C F P A C F 模型 1 ： tttXX ???? 10 . 00 . 20 . 40 . 60 . 81 2 3 4 5 6 7 8A C F 10. 00. 20. 40. 60. 81 2 3 4 5 6 7 8P A CF 1 模型 2 ： tttXX ????? 1 模型 3 ： 1???tttX ?? 0 . 8 0 . 6 0 . 4 0 . 20 . 00 . 20 . 40 . 61 2 3 4 5 6 7 8A C F 2 0 . 8 0 . 6 0 . 4 0 . 20. 01 2 3 4 5 6 7 8P A CF 2 0. 5 0. 4 0. 3 0. 2 0. 10 . 01 2 3 4 5 6 7 8A C F 3 0. 5 0. 4 0. 3 0. 2 0. 10 . 01 2 3 4 5 6 7 8P A CF 3 模型 4 ：ttttXXX ?????? 21 模型 5 ： 11??????ttttXX ?? 0. 4 0. 20 . 00 . 20 . 40 . 61 2 3 4 5 6 7 8A CF 4 0. 4 0. 20 . 00 . 20 . 40 . 61 2 3 4 5 6 7 8P A C F 4 1 . 2 0 . 8 0 . 40 . 00 . 40 . 81 2 3 4 5 6 7 8A C F5 1 . 0 0 . 8 0 . 6 0 . 4 0 . 20 . 01 2 3 4 5 6 7 8P A C F 5四、隨機時間序列模型的估計 AR(p)、 MA(q)、 ARMA(p,q)模型的估計方法較多 ， 大體上分為 3類： （ 1） 最小二乘估計； （ 2） 矩估計； （ 3） 利用自相關(guān)函數(shù)的直接估計 。 下面有選擇地加以介紹 。 結(jié)構(gòu) 階數(shù) 模型 識別 確定 估計 參數(shù) ⒈ AR(p)模型的 Yule Walker方程估計 在 AR(p)模型的識別中，曾得到： pkpkkk ??? ???? ??????? ?2211利用 ?k=?k，得到如下方程組 ： kppppppppp????? ????????????????????????????????????12112211211211 此方程組被稱為 Yule Walker方程組 。 該方程組建立了 AR(p)模型的模型參數(shù) ?1,?2,?,?p與自相關(guān)函數(shù) ?1,?2,?,?p的關(guān)系， 利用實際時間序列提供的信息 ， 首先求得自相關(guān)函數(shù)的估計值： 然后 利用 Yule Walker方程組，求解模型參數(shù)的估計值： ? , ? , , ?? ? ?1 2 ? p? , ? , , ?? ? ?1 2 ? p???? ? ?? ? ?? ? ???????? ? ?? ? ?? ? ????120 1 11 0 21 2 0112??????pppp p p?????????????????????????????????????????????? ?? 由于： ptpttt XXX ?? ???? ??? ?11 于是 , ???????pjiijjitE1,022 ??????? ?從而可得 ??2的估計值 ?????pji