单变量随机过程的建模与谱估计.docVIP

PAGE 1 PAGE 17 第六章 单变量随机过程的建模与谱估计 6.1 概述 6.1.1 引言 一个平稳过程的主要统计特性可用它的协方差函数或等价的谱函数来刻画。但是协方差函数和谱函数都是用无限个数值，即一条曲线来描述，使用不方便，尤其是在预测、滤波、控制等应用场合。 根据随机信号理论知，若平稳随机信号满足表示定理条件，它可以被看作是某一线性定常系统对白噪声输入的响应，即 (6-1) 其中是方差为的白噪声，是后移位算子的有理多项式，并且的功率谱密度函数可以表示为 (6-2) 因此，可以用系统传递函数的有限个参数来刻画该过程的主要统计特性。 另外，经典的随机信号谱估计方法是确定信号谱估计方法的推广，所获得的谱估计量是非一致的。各种改进算法，如平滑、加窗、分段平均等，但是它们也都在曲线平滑程度与峰值分辨率之间存在矛盾。用模型估计方法的基本思路是，先估计过程模型参数，再由参数估计谱，以便得到更好的估计量。 6.1.2 平稳过程的线性模型表达 由线性环节的三种形式 (6-3) 可以导出平稳过程的三种标准的线性模型表达： 1)p阶自回归过程阿AR(p) (6-4) 或 (6-5) 2)q阶滑动平均过程MA(q) (6-6) 或 (6-7) 3)p、q阶自回归滑动平均过程ARMA(p, q) (6-8) 或 (6-9) 若是渐近稳定的，则AR(p)过程等价于MA(∞)过程，即 (6-10) 2)若是最小相位的，则MA(q)过程等价于AR(∞)过程，即 (6-11) 3)若是渐近稳定且最小相位的，则ARMA(p, q)过程等价于AR(∞)过程，即 (6-12) 4)若是渐近稳定且最小相位的，则ARMA(p, q)过程等价于MA(∞)过程，即 (6-13) 6.2 平稳过程的AR(p)模型估计 6.2.1 AR(p)过程的标准方程 对式(6-5)左乘，并取数学期望，得 (6-14) 即 (6-15) 因为AR(p)过程可以用MA(∞)表示，即 因此 (6-16) 将式(6-16)代入式(6-15)，得自相关函数的通解 , (6-17) 边界条件 (6-18) (6-18)式就是AR(p)过程的标准方程，又称为Yule－Walker方程（简称：Ｙ－Ｗ方程）。 记 (6-19) , (6-20) 则式(6-18)可以改写为矩阵形式 (6-21) 定义置换矩阵 是单位正交矩阵，即。记 , (6-22) 则有 ，， 因此，对（6－21）左乘、右乘，得 (6-23) 6.2.2 AR过程的前向线性预测 所谓阶前向线性预测就是用过程的时刻以前的个观测值的线性组合来估计ｎ时刻的值，使前向预测误差 (6-24) 的均方差 (6-25) 最小。 ｐ阶前向线性预测可以表示为 (6-26) ｐ阶前向线性预测误差为 (6-27) 其中 ｐ阶前向线性预测误差的均方差为 (6-28) 由最小值条件，得 ,