动态相关介绍.pptVIP

7.6.1　非齐次马尔科夫链 本书在第6章比较详细地讨论了与马尔科夫序列有关的问题，介绍了状态转移概率矩阵P的概念。并且指出，为了强调P是系统从t时刻状态过渡到t+1时刻的状态转移概率矩阵，把它记为tP 式中，n表示状态空间的维数；pij(t)表示在t时刻到t+1时刻之间对象从状态i转向状态j的概率。 当tP不随时间变化，即tP≡P时，就构成齐次马尔科夫链。齐次马尔科夫链的建模问题在第6章已经进行了比较详细的讨论。本小节主要介绍非齐次马尔科夫链的建模问题。 第7章　动态相关分析 7.1　原理7.2　参数跟踪7.3　变参数回归方程7.4　二次回归分析 7.5*　变参数ARMA模型7.6*　非齐次马尔科夫链和时变图表7.7　小结 7.1　原理 7.1.1　一般概念7.1.2　基本定理7.1.3　数据处理方法 7.1.1　一般概念 图7-1　时变系统的映射关系 7.1.2　基本定理  设所研究的系统为 zn＝f(Zn-1,Ｕn,θn)+ξn，　n∈Ｎ(7-3) 式中，zi表示时刻i的系统观测值，且Zn-1＝［zn-1，zn-2，…，zn-s］Ｔ；Un＝［un,un-1，…，un-m］Ｔ，ui表示时刻i的系统输入值；θn是r维参数向量，且θn＝［α１n,α２n,…，αrn］Ｔ，αjn为n时刻的第j个参数，j＝1，2，…，r；ξn是零均值弱平稳随机序列，它表示系统所受的干扰。 7.1.3　数据处理方法 1.增长记忆法2.渐消记忆法3.限定记忆法 1.增长记忆法  当样本长度为n时，所估计的参数值记为θn，那么θn中应该包含n组样本的有用信息。若样本容量增加为n+1，则相应的参数估计值记为θn+1，它包含着n+1组样本的信息，对于时变系统模型，E(θn)≠E(θn+1)。这种差异是由于新增加了一组样本而引起的，也体现了新息对参数的修正作用。由于每次增加样本容量时，所有过去时刻的信息都保留在参数估计值中，因此称这种信息取用的方式为增长记忆法。 用增长记忆法处理数据时，“老”的信息总是包含在所估计的参数中。这对于描述时变系统完全没有必要。因为老的样本信息实际上在抵制新息对参数的修正作用，妨碍了参数对现实系统的跟踪作用。特别是当参数估计中对老的信息记忆过多时，甚至于会“淹没”新息对参数的影响。新息不能修改参数估计值的现象称为“数据饱和”，如果参数估计时出现了数据饱和，则新息不再对参数估计值有修正作用。所以，动态相关分析不宜采用增长记忆法来处理数据。 2.渐消记忆法  由于系统是时变的，很容易想象：样本越老，那么它偏离系统的现实情况越远。因此，为了充分反映系统当前的情况，应该重视新的样本而将老样本“遗忘”。遗忘的方法就是对样本进行加权处理，让新样本对新参数估计值作较大的贡献。也就是通过权重来强调当前样本的作用，逐渐消去老样本数据对新参数估计值的影响。这种信息的取用方式称为渐消记忆法。 设μ为一个小于1而大于0的实数，用μ组成加权矩阵 W＝μn-1μn-2?1 使用加权最小二乘法，其准则函数为 Jw＝eＴWe＝∑ni=1μn-ie２(i)(7-17) 由式(7-17)得到的参数估计值就可以体现渐消记忆的效果。通常称μ为遗忘因子。 3.限定记忆法 在渐消记忆法中，遗忘因子对模型参数有一定的影响，特别是对于残留在参数序列中的随机噪声，影响更为明显。一般来讲，用增长记忆法或渐消记忆法所得到的参数序列，其中的随机噪声不会是弱平稳的。这种缺陷常常增加了建立参数模型的复杂性，或者使第二代参数模型得不到好的估计值。采用限定记忆法在一定程度上能弥补这一缺陷。 限定记忆的概念主要指事先规定每次进行参数估计的样本长度m(即记忆区间)，在参数估计过程中，每增加一组新样本就去掉一组老样本。这样一来在任何时候估计参数时所使用的样本都是最新的m个样本。本书所讨论的动态相关分析主要采用这种数据处理方法。 7.2　参数跟踪 7.2.1　线性时变系统7.2.2　非线性时变系统7.2.3　多层递阶模型 7.2.1　线性时变系统  当式(7-18)中的函数f(·)具有线性形式时，它可以写成如下形式的线性时变系统： z(k)＝ΦＴkθk+ξ(k)(7-19) 式中，ΦＴk＝［Zk-1，Uk］。 对于式(7-19)描述的系统，根据第2章讲述的最小二乘法参数估计迭代计算的原理，可以构成迭代计算公式 P－１k＝P－１k-1＋ΦkΦＴkθ^k＝θ^k－１＋PkΦk［z(k)-ΦＴkθ^k-1］(7-20) 为了讨论方便，把修正矩阵Pk记为 Pk＝δ‖Φk‖２(7-21) 式中，δ为由新息引起的修正系数，它可以由式(7-20)和式(7-21)计算出来。 这样，就得到时变参数θk的参数估计值跟踪公式 θ^k＝θ^k-1+δ‖Φk‖２Φk［z(k)-ΦＴk