AR模型的正则方程与参数计算.pptVIP

§3.3 AR 模型的正则方程 与参数计算 Yule-Walker方程 Levinson-Durbin快速递推法 预测误差格型滤波器及Burg算法 X 第 * 页 * 正则方程：均方误差（MSE）最小准则下建立的模型参 数与相关函数的关系。 AR模型是三种模型中，实际应用最广泛的一种。因为 (1) AR模型的参数可以借助解线性方程获得，而MA和 ARMA模型的参数涉及到解非线性方程。 (2) 三种模型在一定条件下可以相互转换。 (3) 实际中很多物理系统可以直接采用或经变换后采用 AR模型。 一. Yule-Walker方程 正则方程：AR模型参数ak与x(n)自相关函数之间的关系。 P阶AR模型的系统函数： 系统差分方程 （1） 因果稳定系统 （2） 由(1)(2)得： 可定一个，求另一个 写成矩阵形式 系数矩阵对称，且与主对角线平行的对角线上的元素均相等，此称Toeplitz矩阵。 上述两式为AR模型的正则方程，即Yule-Walker 方程。 一个p阶AR模型有p+1个参数： 若知前p+1个自相关系数 ，由正则 方程即可求出这p+1个参数。 即可以得到： AR模型与线性预测的关系 P个数据的线性组合 误差 总预测误差功率 均方误差 由线性最小均方误差估计的正交原理 即 此时 即为线性预测的wiener-hopf方程。 比 较 AR模型的输出是同阶预测器所预测的x(n)，那么该AR模 型的系数应是线性预测器的系数。 AR模型 线性预测器 等价 AR模型是在最小均方意义上对数据的线性拟合。 设G=1，则 P阶预测误差滤波器的输出 预测误差滤波器 AR模型 二. Levinson-Durbin快速递推法 Yule-Walker方程中自相关矩阵是对称的(半)正定Toplitz矩阵。 方法： 矩阵求逆 高斯消去法 Levinson-Durbin递推法 以后的推导过程中，假设G=1 递推过程 Yule-Walker方程 （1）一阶AR模型 由 式得 由 式得 （2）二阶AR模型 由 － 　得 解得 由 得 （3）由p-1阶参数求p阶AR模型参数的递推公式 若令递推中不断变化的阶次记为m，则 得递推关系式如下： Levinson关系式 m阶AR模型 所以 可见 （3）综合 一个p阶AR过程x(n)可用三组参数等效表示 上述三组参数可以相互推导出来。 三.预测误差格型滤波器及Burg算法 1. 预测误差格型滤波器 线性预测：由随机序列的一些已知值的线性组合去估计 序列的未来值。 前向预测：由过去估计现在或未来值。 后向预测：由现在估计过去值。 P阶前向预测值： 误差： P阶后向预测值： 误差： 由前后向预测误差表达式可画出p阶前向、后向预测误差 横截型滤波器结构。 P69 图3.4 横截型滤波器的缺点： 2）若阶数增加，则ap(i)系数改变，需要重新计算。 1）控制不方便， ap(i)是方程的系数，而不是零极点。 预测误差格型滤波器 前向预测误差递推公式 n时刻的p -1阶前向预测误差 （*）式 （*）式= n-1时刻的p -1阶后向预测误差 P阶前后向预测误差递推公式 m阶预测误差格型滤波器结构 P71 图3.5 格型滤波器的参数是各阶反射系数km, 自相关函数可以由观测数据估计得到，若数据短，则误差 大，效果不好。即已知数据的长短影响滤波器的效果。 2. Burg算法 依据：使前后向预测均方误差之和最小，来求取km。 将 代入上式得 于是有 对于平稳各态历经随机过程，可用时间平均代替集合平均， 所以 Burg算法 是对已知数据段前后加窗，不对已知数据段以外的数据作 假设，防止人为带来的不合理假设，前后预测均方误差之 和最小，保证滤波器是最小相位稳定的，保证AR模型是 稳定系统。 X 第 * 页