第6章自适应过滤.docxVIP

第六章 自适应过滤法教学目标：通过本章学习，使学生能掌握自适应过滤法的基本原理及其应用过程。教学内容：第一节 自适应过滤法的基本原理自适应过滤法和移动平均法、指数平滑法一样，也是一种时间序列预测技术，即它是建立在时间序列的原始数据基础之上，通过对历史观察值进行某种加权平均来预测的。这种方法在原始数据的基本模式比较复杂时使用（具有长期趋势性变动或季节性变动的确定型时间序列），常常可以取得优于指数平滑法和移动平均法的预测结果。一、自适应过滤法的基本原理　　设为某一时间序列，则有如下有关时间序列的一般预测模型：　　　　　　　6－1式中，是期的预测值，是第期的观察值，（）是权数，是权数的个数。第五章中所讨论的移动平均法和指数平滑法以及本章所讨论的自适应过滤法，实际上都可以用上述模式来概括，如：对于一次移动平均法：　（）　　对于一次指数平滑法：不同的是，上述两种方法的权数都是固定的，而自适应过滤法中的权数则是根据预测误差的大小不断调整修改而获得的最佳权数。自适应过滤法的基本原理就在于通过其反复迭代以调整加权系数的过程，“过滤”掉预测误差，选择出“最佳”加权系数用于预测。整个计算过程从选取一组初始加权系数开始，然后计算得到预测值及预测误差（预测值和实际值之差），再根据一定公式调整加权系数以减少误差，经过多次反复迭代，直至选择出“最佳”加权系数。由于整个过程和通信工程中过滤传输噪声的过程极为接近，故被称为“自适应过滤法”。运用自适应过滤法调整权数的计算公式为：　　　　　　　　　　　　　6－2式中（）是调整后的权数；（）是调整前的权数，为调整系数，也称学习常数；是第期的预测误差；是第期的观测值。（6－2）式表明，调整后的一组权数应等于旧的一组权数加上误差调整项，这个调整项包括预测误差、原观察值和学习常数三个因素。二、自适应过滤法的计算步骤下面通过介绍权数调整的具体步骤来说明自适应过滤法的应用过程。设时间序列为。㈠确定加权平均的权数个数一般来说，如果时间序列原始数据具有明显的季节性变动特征，则可确定权数个数为季节周期长度。当数据以1年为周期进行季节变动时，若数据以月份统计，则取；若数据以季度统计，则取。一般地，取在这两者之间即可。应当注意，越大，要达到“最佳”权数的迭代次越多。因此，选择恰当的值对整个计算过程十分重要。㈡确定初始权数一般情况下，初始权数取为，即以简单的算术平均数作为初始的加权平均数。有时也可以根据时间序列数据的自相关系数，利用Yule-Walker方程来求得，即：　　　　　　　6－3其中，是自回归系数。用矩阵形式可表示为：即：可由时间序列数据得到样本自相关系数，且系数矩阵可逆，则初始权数可得：　　　　　　　　　　　　　　　6－4说明：在自适应过滤法中，尽管权数的初始值一般取，能够满足的条件，然而按照(6－2)式调整权数后，就无法保证了。因此，自适应过滤法对权数的处理可以说是突破了一切约束，不但可以出现负数，而且还允许权数之和不等于1。㈢计算预测值利用(6－1)式，选取数据样本中前个数据，计算第期的预测值。　　　　　　　6－5㈣计算预测误差第期的预测误差的计算公式为：　　　　　　　　　　　　　6－6㈤权数调整利用(6－2)式对权数进行调整：　　　　　　6－7其中，学习常数的选取直接影响到了权数调整的速度，在一定程度上还影响了最终的预测效果。所以，这里着重讨论一下的取值条件。必须注意到，要使初始权数经过(6－2)式的调整逐步向最佳权数逼近，从而使模型的MSE向一最小值收敛，的取值是有一定条件的。为了使权数迅速逼近最佳值，的取值应尽量接近于1，这样可以减少迭代次数。然而，太大的值也可能导致误差序列的发散性，从而使得最终的均方差有所增大，影响了预测效果。因此，值存在一定的取值范围。根据美国B.Widrow(1966)的研究证明，按照(6－2)式调整权数的自适应过滤法收敛的充分条件是：　　　　　　　　　　　　　　　　6－8为了提高模型逼近最佳权数的速度，应取较大的值，但必须满足。即取：㈥进行迭代调整利用第五步得到的新一组权数，返回第三步，进行第期预测值计算，并产生预测误差，再按公式(6－2)进行再一次的权数调整。考虑这种不断迭代的过程，可以将公式(6－5)式、(6－6)式、(6－7)式调整为以下公式：⑴；⑵；⑶。这样反复进行下去，┅┅当权数调整进行到第期，这时循环迭代调整的计算已经使用了全部的原始数据，若预测的均方误差为0，则系数的调整过程即告结束；若预测的均方误差不为0时，这时需将最后得到的一组权数作为新的初始值，再重新进行新一轮的调整过程。当新一轮调整结束后，若预测的均方误差为0，则系数的调整过程即告结束。否则，继续迭代。然而，大多数情况下，最终的预测的均方误差无法降到零，此时使用的衡量标准为：当我们继续迭代时，预测的均方误差没有