混沌时间序列介绍.pptVIP

1 时间序列分析模型【ARMA模型 】简介 3、参数估计 在阶数给定的情形下模型参数的估计有三种基本方法：矩估计法、逆函数估计法和最小二乘估计法，这里仅介绍矩估计法 （1）AR（ ）模型 白噪声序列 的方差的矩估计为 1 时间序列分析模型【ARMA模型 】简介 （2）MA（ ）模型 （3）ARMA 模型的参数矩估计分三步： i）求 的估计 1 时间序列分析模型【ARMA模型 】简介 ii）令 ，则 的自协方差函数的矩估计为 iii）把 近似看作MA（ ）序列，利用（2） 对MA（ ）序列的参数估计方法即可 科学的目的就是要挖掘出事物的因果关系。一个理论能否被接受，很重要的一个条件在于它能否对事物的客观规律作出一定的预测。 根据混沌系统提取的非线性时间序列对系统的未来进行预测，是一个十分重要的方向。 从时间序列研究混沌，始于Packard等1980提出的重构相空间理论。 对于决定系统长期演化的任一变量的时间演化，均包含了系统所有变量长期演化的信息。因此，我们可以通过决定系统长期演化的任意单变量时间序列来研究系统的混沌行为。 由时间序列恢复原系统最常用的方法利用Takens 的延迟嵌入定理： 对于一个非线性系统,通过观测,可以得到一组测量值 x ( n)，n=1,2,…N 利用此测量值可以构造一组m 维向量 X( n) = ( x ( n) , x ( n +τ) , ?,x ( n +( m - 1)τ) ) n= 1,…N- ( m - 1)τ 如果参数τ, m 选择恰当,则X( n) 可描述原系统。 τ称为延迟时间，m称为嵌入维数。由x(n)构造X(n) 称为相空间重构。 相空间重构例 Henon 映射 该系统虽然有两个状态变量，但如果观测到状态变量 Xn的信息，我们可以从Xn建立原系统的模型 对状态变量Xn进行相空间重构:Zn=(Xn,Xn-1) 由Zn 可以重构原来的系统 　延迟时间间隔τ的选取 主要方法 线性自相关函数法 平均互信息法（课后自行查阅） 线性自相关函数法 定义自相关函数为 选择使得自相关函数C(τ)第一次为零时的τ的值为延迟时间 嵌入维数m的选取 主要方法（课后查阅） 虚假邻点法 关联积分法 奇异值分解法 Lorenz系统 Lorenz系统的吸引子(x-y-z） 如果只观测到变量x的值，利用x作相空间重构取延迟时间为9，嵌入维数为3即令 (x(1),y(1),z(1))=(x(19),x(10),x(1)) (x(2),y(2),z(2))=(x(20),x(11),x(2)) (x(3),y(3),z(3))=(x(21),x(12),x(3)) …… 重构后的相图(x-y-z) 原始系统相图(x-y-z) 时间序列分析模型 1 时间序列分析模型简介 一、时间序列分析模型概述 1、自回归模型 2、移动平均模型 3、自回归移动平均模型 非线性时间序列预测 基本思想 设时间序列来自确定性系统 X(n)=F(X(n-1)),F(.)为连续函数。 若 X(n)和X(j)距离很小，则F(X(n))和F(X(j))距离也应很小，即X(n+1)和X(j+1)间的距离很小，从而 可以用X(j+1)作为X(n+1)的预测值。 1 时间序列分析模型【ARMA模型 】简介 ARMA模型是一类常用的随机时间序列模型，是一种精度较高的时间序列短期预测方法，其基本思想是：某些时间序列是依赖于时间 的一族随机变量，构成该时间序列的单个序列值虽然具有不确定性，但整个序列的变化却有一定的规律性，可以用相应的数学模型近似描述. 通过对该数学模型的分析研究，能够更本质地认识时间序列的结构与特征，达到最小方差意义下的最优预测. ARMA模型有三种基本类型： 自回归（AR：Auto-regressive）模型 移动平均（MA：Moving Average）模型 自回归移动平均（ARMA：Auto-regressive Moving Average）模型 一、概 述 1 时间序列分析模型【ARMA模型 】简介 1、自回归【 AR 】模型 自回归序列 ： 如果时间序列 是它的前期值和随机项的线性函数，即可表示为 【1】 【1】式称为 阶自回归模型，记为AR（ ） 注1：实参数 称为自回归系数，是待估参数.随机项 是相互独立的白噪声序列，且服从均值为0、方差为 的正态分布.随机项与滞后变量不相关。