现代数字信号处理2线性模型.ppt

。 。 。 。 。 。 本章小结 一、功率谱匹配意义下随机过程的建模 二、AR(p)模型 广义平稳条件；自相关序列特性； Yule-Walker方程 三、MA(q)模型 广义平稳条件； 相关长度；非线性； 四、ARMA(p, q) 模型 广义平稳条件； 广义Yule-Walker方程 五、一般线性表示 通过对平稳随机过程功率谱进行正则分解，可以求得具有最小相位特性的生成系统。 上机实验 上机实验 上机实验 上机实验 补充实验：ARMA参数估计、数据预测方法仿真 采用MATLAB编程 (1) 利用计算机语言的[0,1]区间均匀分布随机数产生函数 生成两个相互独立的序列 { u1(n)|n=1,2,…,100000}， { u2(n)|n=1,2,…,100000} (2) 生成均值为m=0，根方差?=0.8的白色正态分布序列 { e(n)|n=1,2,…,100000} 根据集合统计验证其平均值是否逼近0.5,方差是否逼近1/12 根据集合统计验证其平均值是否逼近0,根方差是否逼近1 上机实验 (3) 假设 ARMA模型的特征方程为 特征根都在复平面上的单位圆内,对应的ARMA模型稳定,按如下ARMA模型生成仿真数据: 上机实验 零点也在单位圆内，MA部分不导致误差发散 (4) 对于p=4,q=2;计算x的自相关函数序列 假设数组的下标只能从1开始 将平均值与8.3102比较 上机实验 (5) 构造4?4的矩阵R以及4?1的矢量P,估计AR系数 上机实验 (6) 构造序列z,并计算其自相关函数 采用矩阵求逆函数以及矩阵乘积函数,将得到的a1, a2, a3, a4与0, -1.62, 0, 0.6561比较,是否基本一致 上机实验 将按上式计算得到的3个自相关函数值与按下式计算得到的相关函数值进行比较 (7) 估计MA部分的参数 上机实验 给定初始值b1(0)=0.7,b2(0)=0.1, 对j=1,2,… 迭代计算 如果 则继续上述迭代运算 ,否则退出迭代运算. q=2情况的矩估计方法的简化形式 (参见MA模型参数估计) 上机实验 将按上述迭代过程计算得到的b2 , b1与0.8,0.16进行比较,是否基本一致;将最终得到的d与正态随机过程e(n)的方差0.64进行比较,是否基本一致. 验证 的两个根是否都在单位圆外；如果不是，则改变初始估计值b1(0)、 b2(0) ，重新迭代计算。 尝试用新息方法计算MA部分参数，并进行比较 上机实验 (8) 功率谱估计与理想功率谱的比较 设数字角频率?的采样间隔为0.001?，计算 注意复数的加减乘除运算 理想功率谱为 上机实验 对理想功率谱进行同样的采样计算,得到 以k为横坐标,功率谱采样值为纵坐标,画出估计得到的功率谱图以及理想的功率谱图,观察是否基本一致. (9) 基于ARMA模型的简化逐步递推预测方法 根据a1=0, a2=-1.62, a3=0, a4=0.6361, b1=0.8, b2=0.16, ??2=0.64 ；按如下步骤计算相关函数rX(m) 上机实验 从n=6开始进行简化的递推预测 上机实验 按照第4节的ARMA过程的预测方法求出最佳线性预测 n?5的x(n)的预测直接采用已经估计出来的ARMA模型以及在n时刻以前的已经得到的观测值与预测值. 计算平均预测误差功率 以n为横坐标,数据值为纵坐标,画出n=99500至100000的x(n)和 的波形图,观察预测值与实际值的相似性及差异 注:对于预测应用而言,均值未知,需要根据已经获取的数据进行估计和更新 上机实验 第四节 ARMA模型 令r=0,1,…,max(p,q); 构造方程组，可以求得 利用递推公式可以求得 需要区分pq以及p?q的情况 并利用rx(-m)=rx(m) 容易证明:此时正好是max(p,q)+1个方程, max(p,q)+1个未知参数 第四节 ARMA模型 举例: p=4,q=2 递推得到 代入通式 求系数 练习: 验证 第四节 ARMA模型 (自学为主)假设平稳随机过程满足ARMA(p,q)模型，如何 根据观测数据 {xn|n=1,2,…,N}估计模型的参数？ 方法1： 矩估计方法 步骤1： 去均值 步骤2： 估计样本的自协方差函数 只介绍一种，其他方法(自回归逼近\最大似然)请参见有关文献 第四节 ARMA模型 根据前面得到的方程 令: r=q+1,q+2,…,q+p, 得到Yule-Walker方程 求解上述线性方程组,得到a1,a2,…,ap 第四节 ARMA模型 定义新的离散随机过程 是一个MA(q)过程,容易证明,其样本自协方差函数满足 参照第三节介绍的MA模型的参数估计