یک مدل arma خطی بصورت زیر را در نظر بگیرید. xt+?1xt-1+...+?kxt-k?+?t+?1?t-1+...+?l?t-l همانطور که می دانیم، در مدل پارامترها ثابت فرض می شوند، در صورتی که در کلاس بزرگی از سریهای زمان غیرخطی، پارامترها بصورت تابعی از گذشته خود می باشند. پریستلی با قرار دادن xt-1(?t-1,...,?t-l,xt-1,...,xt-k)?؟ به عنوان بردار حالت ?xt-1 هستند یک مدل کلی به نام مدل وابسته به حالت (sstate dependent model) را بصورت زیر ارائه داد. xt+?1(xt-1)xt-1+...+?k(xt-1)xt-k?(xt-1)+?t+?1(xt-1)?t-1+...+?2(xt-1)?t-l همچنین او نشان داد که با انتخاب شکلهای خاص برای پارامترها، این مدل قابل تبدیل به مدلهای غیرخطی می باشد. در این رساله ساختار کلیه sdm و ارتباط بین این مدل و دیگر مدلها سریهای زمانی بررسی می شود همچنین مسائل مربوط به برآورد پارامترهای این الگو برای سریهای زمانی شبیه سازی شده از الگوهای خطی و غیرخطی مورد ملاحظه قرار خواهد گرفت . در فصل اول مروری کوتاه بر مفاهیم اساسی و بعضی تعاریف کلی در سریهای زمانی می کنیم و بطور مختصر مسائل مربوط به الگوهای غیرخطی را یادآور می شویم. فصل دوم شامل معرفی انواع مختلف الگوهای sdm می پردازیم و با استفاده از الگوریتم فیلتر کالمن، پارامترهای این الگو را برآورد می کنیم و در انتها، در فصل چهارم برای اینکه موثر بودن تکنیک برآورد sdm آزمایش شود، به چند مثال عددی از داده های شبیه سازی شده می پردازیم که نتایج بدست آمده در آن بوسیله دو برنامه تهیه شده به نامهای arsdm و armasdm بدست آمده اند.

این مجموعه سعی دارد کاربردهای مختلف جستجوگر تصویر را به نمایش بگذارد. همانطور که می دانید کار بر روی دادهای چندمتغیره در ابعاد بالا از اهمیت فراوانی برخوردار است ، آنالیز این داده ها و تعیین تابع چگالی آنها و همین طور یافتن ارتباطی بین متغییرهای مستقل و وابسته مشکلی است که همواره در اینگونه مسائل مطرح بوده است . جستجوگر تصویر روش جدیدی است که می تواند با غلبه بر کلیه مشکلات و محدودیت های روشهای پارامترهای و ناپارامتری موجود نتایج مطلوبی را به صورت نااریب ارائه دهد. این روش با رسم داده ها در ابعاد پایین تر نتایج قابل درکی را برای تجزیه و تحلیل داده ها در اختیار ما می گذارد و همین طور روش ناپارامتری جدیدی را در رگرسیون چند متغیره بیان دارد که می تواند به صورت رگرسیون را به صورت مجموع توابع همواری از ترکیبات خطی متغیرهای پیشگو تنظیم کند و همچنین می تواند تابع چگالی احتمال چند متغیره را نیز به صورت ناپارامتری برآورد کند.