北航 时间序列与谱估计(2017-L6)0.ppt

模型阶次的选择 对于AR(p)过程，预测误差满足： 预测误差可估计AR(p)模型的阶，由于数据的有限，由预测误差估计AR模型的阶会有较大误差。 模型阶次的选择 如果模型阶数的估计低于实际模型阶数，则谱估计将损失有用谱信息； 如果模型阶数的估计高于实际模型阶数，则谱估计的方差增大。 模型阶次的选择 阿凯克最终预测误差(FPE)准则:极小化FPE(k) 阿凯克信息准则(AIC)：极小化AIC(k) 短数据，使用AIC；长数据，两种方法将得到相同的模型阶次估计。 模型阶次的选择 对于长数据，两者性能相近： 阿凯克信息准则(AIC)推导 模型阶次的选择 自回归传递函数准则(CAT):极小化CAT(k) CAT选择AR模型阶次，使得由该模型估计出的预测误差滤波器最接近于最佳无限长滤波器。（CAT是对基于任意数据组的AR谱估计导出的，并不是仅对纯AR过程） 噪声AR过程的谱估计 观测数据： x[n]是AR过程，数据y[n]的功率谱为： 噪声AR过程的谱估计 常用谱估计方法 ARMA模型估计，可看成ARMA(p,p)模型； 数据预滤波，减小观测噪声； 补偿AR参数由于噪声引起的偏差： 使用高阶AR模型 计算机仿真举例 实AR(4)过程，参数如下表： 计算机仿真举例 极点分布如下图 计算机仿真举例 对于所有仿真，记录数据长度为N=256个实数据点，所用的模型阶为真实模型阶p=4，每种数据有50个长度为256样本实现。 把每种方法的50次估计的平均与真实谱比较（在一个图中画出）。 把每数据的50个长度为256样本实现在一个图中画出。 把每种方法的50次估计的谱在一个图中画出。 时间序列与谱估计 第七章 自回归谱估计：方法 第七章 自回归谱估计：方法 自相关法 协方差法 修正协方差法 伯格法 递推极大似然估计器 模型阶次的选择 噪声AR过程的谱估计 计算机仿真举例 概述 AR过程的特性，参数及谱估计的统计特性 AR过程的特性 与预测滤波器的关系 三种等价表示 参数及谱估计 隐含相关函数延拓 最大熵延拓 最大谱平坦度（白化预测误差） 概述 AR过程的特性，参数及谱估计的统计特性 参数及谱估计 AR谱估计的界 极大似然估计 参数及反射系数的统计特性 谱估计的统计特性 概述 实用谱估计算法 自相关法 协方差法 修正协方差法 伯格法 递推MLE法 这些方法是近似MLE，长数据，性能相似；短数据，存在一些显著差别 概述 对于短数据，这些算法仍有较好性能，计算量适中 除递推MLE外，均应用预测误差功率最小的方法，是基于极大似然的观点 递推MLE试图通过递推极大化似然函数来获得较好的MLE近似值，但此处递推仅适合于实数据。 自相关法 MLE(§6.5.1) 极大化条件PDF 预测误差功率极小，即极小化下式 自相关法 观测数据 预测误差功率 自相关法 自相关法 关于a[k]微分，得 矩阵形式为 自相关法 自相关法 其中 (7.4)式是有偏估计，自相关矩阵是Hermitian, Toeplitz，且是正定的；与基于有偏ACF估计的Yule-Walker方程等价，可由Levinson算法求解，最小相位特性保证极点在单位圆内。 自相关法 自相关法 白噪声方差估计为 自相关法 自相关法 白噪声方差估计也可由Levsinson算法，得 自相关法与其它将要讨论的算法比较，谱估计的分辨率差，对于短记录数据，通常不使用自相关法。 如果对于(7.4)式采用无偏ACF估计，得到的自相关矩阵不能保证正定性，矩阵可能奇异或接近奇异，谱估计产生较大方差。 协方差法 协方差法 预测误差功率 求预测误差功率不需数据补零，得参数方程 协方差法 协方差法 其中 白噪声估计为 系数矩阵是Hermitian和半正定，不能保证极点在单位圆内。例如，当p=1,N=2时，a[1]的估计为 ，它的幅度可大于或等于1。 修正协方差法 前向预测 后向预测 修正协方差法 修正协方差法：使前后向预测误差平均值达极小方法 平均预测误差功率： 其中 修正协方差法 修正协方差法 关于参数微分，得 修正协方差法 令 参数方程为 修正协方差法 白噪声方差估计为 最后，有 修正协方差法不能保证建立一个稳定的全极点滤波器。 伯格法 基本思想 先估计反射系数，采用递推，使各阶前后向预测误差极小 利用Levinson算法递推得到AR参数估计 如果已求 ，则AR参数估计为 伯格法 对于k=2,3,…,p AR参数的估计为 白噪声估计为 对上述各步求反射系数关于前后向预测误差最小解。 伯格法 伯格方法 设