用PSO方法搜索基于MLE的ARMA模型参数.pdfVIP

第 39卷 第 】期 电 子 科 技 大 学 学 报 、，o1-39 NO．1 2010年1月 JournalofUniversityofElectronicScienceandTechnologyofChina Jan．2O1O 用PSO方法搜索基于MLE的A A模型参数 罗 航，黄建国，龙 兵，王厚军 (电子科技大学 自动化工程学院 成都 610054) 【摘要】针对小样本条件下用矩估计(ME)方法获取ARMA模型参数粗略的缺点，将粒子群优化算法(Ps0)用于小样本 ARMA~型参数的极大似然估计(MLE)，以获得概率上最优的数字解。在分析基于ARMA~型似然函数的基础上，详细分析 了PSO的思想、方法和评价指标。以实际例证显示 了联合Ps0优化方法估计 模型参数的优 良特性，并从算法和似然函数 角度分别阐释 了形成利弊的原 因。 关 键 词 MA模型；极大似然估计；粒子群：参数：小子样 中图分类号 TP274 文献标识码 A doi：10．3969~．issn．1001．0548．2010．O1．016 SearchingARM AM odelParametersM LE-Based byApplyingPSOAlgorithm LUOHang，HUANGJian—guo，LONGBing，andWANGHou-jun (SchoolofAutomationEngineering，UniversityofElectronicScienceandTechnologyofChina Chengdu 610054) Abstract Ontheconditionofsmallsamples．itisdifficultto achieveARM A modelparma etersby only usingmomentestimation(ME)．InthisPaper，aparticleswarm．optimization(PS0)algorithm isusedtoobtain optimalnumericsolutionsofsmallsma pleARMAmodelinthesenseofmaximum likelihoodestimationrMIE)． TheprincipleandevaluationindexOfPSO raediscussedindetail．whichisbasedonanalyzniglikelihoodfunction ofAR Amode1．Actualexampleshowsthathtei0nitPS0 optimizationmehtodusedforestimatingAMARmodel praametershasbettercharacteristicsni comparisonwithohtermethods．Athtesanletime，someadvnatagesand disadvnatagesraeexpatiatedandanalyzedfrom perspectivesofalgorihtm nadlikelihoodfunction． Keywords ARMA model； maximum likelihoodestimation； particleswarm optimization； praameter； smal1sma ple ARMA模 型参数 的矩估计可 以通过联合解 常使用 目标函数的导数信息，容易陷入局部最优。 Yule．waIker方程…~flNewton．Raphsond迭代 2【』I陕速求 PSO算法的显著优势在于它不依赖于 目标函数的解 得相应的参数 。但是该方法存在 明显的弊端，因为 析性质，是在似然方程的基础上确定适应度函数， 它仅用到了P+口个样本的自相关系数，而失效数据 进而 以并行方式搜索全局和局部极值求其数字解 。 的其他有用信息被忽略。对于小子样失效数据而言， 而与此同时，基