平稳随机信号线性模型.pptVIP

3.5 一类非平稳随机序列信号模型—ARIMA模型ARIMA——Autoregressive Integrated Moving Average 随机序列{x(n)}并不是平稳的。但如果对其进行有限次差分处理，其所得的差分序列{s(n)}可近似看做平稳，可用平稳序列信号模型描述。——这种非平稳随机序列的模型称为ARIMA模型。 例如：下列序列信号模型 由于模型Z变换后，其系数多项式 设{X(n)}为一非平稳随机序列，其一次，二次…(d-1)次的差分 ， ， 非平稳，但 =s(n). n0 3.6谐波过程（谐波模型） 在阵列处理等应用中，信号含有周期分量，常用谐波过程表示 1）随机相位正弦信号是一个宽平稳谐波过程 2）若幅度A也是随机变量，且与 不相关，则 4）对负数信号.一阶形式为 其自相关序列为 例题 例1 已知信号样值为 ，用Burg算法求二阶格型预测误差滤波器的各级反射系数K1和K2。 例2 有一基于MMSE准则的格型滤波器，已知其 各级反射系数为 ，试求AR(2)的参 例3 已知某序列满足AR(1)模型，模型参数为 a1=-0.2，又设白噪声过程均值为0，方差 ，求 ： (1) x(n)的自相关序列Rx(m)的表达式（只要 的情况） (2) 该模型的传递函数H(z) (3) 该模型的冲击响应h(n) 解： 1）m0 对因果系统H(z)，n时刻的输出与 n时刻之后的ω(n+m)无关，上式第二项 为0 。 所以 Rx(m)=0.2 Rx(m-1) ，m0 2) m=0 Rx(0)=0.2 Rx(-1)+E[x(n)ω(n)] 将x(n)代入，有 (2) 该模型的传递函数为 3、MA模型的自相关函数 因为i0和iq时, 所以有： MA模型的尤拉-沃克方程 模型已知时，可根据尤拉-沃克方程组求出随机时间序列的自相关函数； 模型未知时，可由观察数据估计自相关函数，再由尤拉-沃克方程组求模型参数，进一步对模型做z域变换可得功率谱估计。 研究ARMA、AR、MA模型自相关函数的意义是： 例3-3 求AR(1)模型的自相关函数 : 解：由尤拉-沃克方程可知 有： 令： 由等式两边同次的系数相等，可导出： 所以有： 3.3.3 功率谱密度 所以 系统的输入 为强度为 的 信号， 则输出 实际上为系统的 冲激响应乘 ，其功率谱为 ——为 的有理函数 例4-6 求AR(2)模型的功率谱 : 解： 3.4 ARMA、AR 、MA模型之间的关系 一个无限阶的AR模型可以表示任意阶MA，ARMA模型 一个无限阶的MA模型可以表示任意阶AR，ARMA模型 1、Wold分解定理 任何广义平稳随机过程都可以分解为完全随机的分量和一个完全确定分量之和（卡尔曼滤波就是一例） 表示信号 为完全随机的白噪声，其自相关函数为冲激函数 表示信号 当前值可由无限个过去值表示 由分解定理可以有这样的推论： 任意 或 序列均可用无限阶的 唯一来表示 从前面格林函数讨论举例4-2（书上例4-4，例4-5）可知ARMA 、 AR序列 均可用格林函数表示为： 例4-7（书上4-15） AR(1) 模型 ………… 依次迭代加入得 一个 序列 —确知加随机 例4-8（书上4-16） 序列 2. 柯尔莫可洛夫定理 （ ） 任何ARMA或MA序列都可以用无限阶的AR序列来表示 用 表示 解： H(z)= (ARMA) AR( ) ： = 令H(z)= = 次幂 次幂 ………………………… 例4-9（书上例4-17） 次幂 X(n)+ x(n-1)+ x(n-2)………=u(n) ARMA（1，1）即可表示为AR( )模型（序列） 例4-10（书