第6讲谱估计3模型法.pptVIP

4.12 模型谱估计 由于传统谱估计中隐含着窗外的数据未观察到或相关函数值为零，因此加窗的结果使谱估计值变得模糊。实际中有可能利用先验信息 或假设 对数据样本随机过程选择一个准确的或至少与实际过程非常接近的模型。 模型谱估计分三步进行：（1）选择模型； （2）从给出的数据样本估计假设模型的参数； （3）将估出的模型参数代入模型的理论功率谱公 式中，得出谱估计值。 由于模型谱估计不需要加窗，因而可以消除窗函数的畸变影响，得到比传统谱估计更高的频率分辨率，尤其是对短记录数据。 4.12.1 有理系统函数模型 为白噪声， 为u n 的平均功率，于是 从而功率谱估计就转化为估计 ，设 的函数形式已知，只是其中的若干参数未知，则估计 就转化为参数估计。分辨率和谱保真度改善的程度取决于模型拟合的程度。 设线性系统具有如下形式的系统函数： 其中 ，称为系统的AR 自回归 分支。 其中 ，称为系统的MA 滑动平均 分支。 ARMA模型的多重性：指不同的模型具有相同的功率 谱，也称为功率谱等价或相关函数等价。 为了保证模型唯一性，要求滤波器是因果的，并且 可逆。只有最小相位系统才能保证其逆系统是一个 稳定的系统。因此一般考虑平稳过程是因果的和最 小相位的。即A z 0和B z 0的根全部在单位圆内。 z在单位圆上取值，可得 令a0 b0 1，模型称为自回归－滑动平均模型，简记 为ARMA p,q 模型。即令输入为u n ，输出为x n ，系统可由如下差分方程描述： 如果除a0 1之外，其它ak 0，即有 称为MA q 过程（全零点模型），其功率谱为： 如果除b0 1之外，其它bk 0，即有： 称为AR p 过程（全极点模型），其功率谱为： 4.12.2 三种模型之间的关系 AR模型和MA模型是ARMA模型的两个特例。 MA和ARMA模型参数估计方法要比单纯的AR模型参数估计困难，并常借助于AR模型参数估计方法。 由于可用的数据有限，不论采用何种参数估计法，待估计的参数愈多，估计的精度就愈差。 模型间转化的理论基础是 Kolmogorov定理，即任何ARMA p,q 过程或MA q 过程都能用无限阶的AR ∞ 过程表示；同样，任何ARMA p,q 过程或AR p 过程也可用一个MA ∞ 过程表示。这说明即使对于待研究过程选用了不太合适的模型，只要它的阶数足够高，就可作为过程的很好近似。 ARMA p,q 及MA q 与AR ∞ 模型间的等效关系： 1 ARMA p,q 模型可等效成AR ∞ 模型 其中， ， 令输入为白噪声过程u n ，输出为x n ，则 故x n 为AR ∞ 过程。 例题（自己看） 2 MA q 模型可等效成MA ∞ 模型 MA模型 求逆Z变换，得 故可等效成AR ∞ 模型。 同样可将ARMA p,q 模型或AR p 模型表示成MA ∞ 模型。 4.12.3 模型的选定 模型选定的原则： 1 节俭 Parsimony 原理。指模型应包括尽可能少的 参数，并根据实际情况加以调节，因为在相当多的 模型中，用最少的模型参数可能并不是有效的。 2选定模型要考虑模型能表示谱峰、谱谷等方面的能力。 对具有尖峰的谱，需要具有极点的模型（AR或ARMA 模型），如果用MA模型去估计其功率谱密度，结果 将很差。ARMA模型适合于功率谱中既有尖峰又有凹 谷的过程。MA模型则适合于真实谱中仅含有陡窄凹 谷的过程。 4.12.4 滑动平均谱估计及阶数确定 1 滑动平均谱估计 由于MA q 过程的功率谱： 令m l-k，l k＋m，可得 又MA过程的自相关函数是： 因此功率谱 恒等于BT谱估计，但意义不同 MA q 过程的相关函数具有截尾特性，即当m q时， 相关函数为零。这一特性对判断模型的性质十分重 要。 2 滑动平均模型阶数的确定 Durbin提出可将MA q 过程转换为AR过程，然后用 Yule-Walker方程去估计MA参数。 Chow提出利用无偏自相关估计，并在若干项后检 验此估计量是否迅速逼近于零。因为当延迟m q，Rx m 0。 逐次延迟确定的假设检验：若延迟为q的Rx q 相对 于延迟小于q的自相关函数，变化是充分接近零的， 则MA过程的阶认为是q。 4.12.5 自回归滑动平均谱估计及阶数确定 1 自回归滑动平均谱估计 a ARMA谱分析法一 ARMA模型功率谱： 设 ， ，系数满足：Ck C-k 于是有 由于 ，得到 求ARMA p,q 模型AR部分参量ai的方法： 由于 两边乘x* n-m ，并取数学期望，得 其中 设ARMA模型为