带权最小二乘多项式拟合的泛克立格法.docxVIP

带权最小二乘多项式拟合的泛克立格法 克立格法是一种基于随机过程的统计预测方法。理论上，克立格估计具有最小估计散射差异的统计特征。此外，克立格应用中最重要的是半变异函数的确定，即协方差函数的确定。然而，由于观测值较低，在实践中难以应用更精确的协方差函数。克立格估算是否具有最小化估计差异的统计特征？从统计学的角度来看，在某些情况下，它是最小差分的最优计算公式，但从数学的角度来看，它只是一种相对特殊的近似方法，即通过旋转曲线生成的基函数。这已经被许多科学家证明。在这项工作中，我们将重点关注克立格估算的分析和解释。 1 系数矩阵估计的可恢复算法 设以节点(xi,yi)为中心生成的旋转面为 以此为基础可建立其线性组合 再设数据点为zi=z(xi,yi),i=1,2…,n,在数据点上可建立如下插值条件 写成矩阵形式为 式中:适当地选择节点和基函数可保证系数矩阵非奇异,因此由(3)式可得 将(4)式代入(2)式可建立未观测点(xp,yp)的插值函数为 如将基函数取为各向同性的协方差函数 则有 它形式上与已知数学期望的简单克立格估计相同. 2 克立格估计 设z(x)是具有常数数学期望的平稳随机过程,我们的目的是通过观测值zi=z(xi),i=1,2,…,n的加权线性组合 最优地确定z(xp),式中wi为待定的克立格权,利用条件极值可推得确定系数wi的方程组为 式中:μ为拉格朗日乘数,引入矩阵记号 (8)式可改写为 权系数与拉格朗日乘数可分别求解.由(9c)式有 因为ITC-1I只是一个数,故有 (13)式再回头代入(11)式可得 再将(14)式代入(8)式可得 记 M可理解为观测值的广义平均值,当观测值独立C=E或观测值弱相关C≈E,则有 即为简单平均值. 在(15)式两端同时减去M可得 (18)式与(7)式相对比可知带一个未知均值的克立格估计可解释为观测值与观测值的广义均值之差被旋转曲面生成的基函数所逼近. 3 拉格朗日乘数估计 设平稳随机过程z(x)=m(x)+s(x)由二部分组成,第一部分m(x)为确定性漂移,第二部分s(x)为平稳随机信号.一般漂移可表示为多项式形式 式中:fT(x)=[f0(x),f1(x),…,fk(x)]=[1,x,y,xy…],a=(a0,a1,…,ak)T.令zi,i=1,2,…,n为观测值,z(xp)为待估值,并可由观测值的加权线性组合求出 由克立格估计准则应有 限于篇幅,略去推导过程可得求解克立格权与拉格朗日乘数的方程组为 式中:μ=(μ0,μ1,…,μk)T,fT=[f0(x),f1(x),…,fk(x)]T,F为由漂移部分组成的系数阵.C非奇异,由(22)式可得 (23)式代入(22)式,易知 然后将(24)式再次回代至(23)式,可知克立格权系数矢量为 (25)式代入(20)式有 记 它就是(19)式的系统参数,因此(26)式可改写为 或 (29)式写成元素形式为z(xp)-fpTa= (30)式仍与(7)式类似,因此可以说在除去系统部分后,泛克立格与使用旋转面作为基函数的函数逼近类似. 此外与(22)式直接解泛克立格方程组相比,本文(27),(28)式先求系统漂移部分再求随机信号部分,既降低了求逆矩阵阶数,又提高了计算效率,并且也易于区分漂移部分与随机部分的大小量级. 4 协方差参数值 本节我们基于一定的数学分析观点来分析协方差函数参数的选取.为讨论方便以一维为例,(5)式略去下标p可改写为 (31)式表明预测值只是函数k(x)移位后的线性组合.取k(x)为最常用的Gauss函数 Gauss函数衰减很快,它的局部支持区间受到了参数d的强烈控制.不同参数的Gauss函数可示于图1,从图1可看出,当d较小时,Gauss函数类似于不连续的脉冲函数δ(x). 作为理想化的一个特例,我们考查ai≡1,xi=i时不同参数的Gauss函数之线性组合构成的函数形态.d=1.0,d=0.5和d=0.1时Gauss函数移位后的线性组合可示于图2.实际上ai≡1隐含着采样值(或观测值)为一水平直线的采样,理想的逼近结果也应为一条直线.但事实并非如此,图2c中的曲线类似于一把梳子,这是由于d=0.1时Gauss函数的支撑区间太窄所致.图2b中的曲线已较图2a好得多,但仍有许多连续的极大值和极小值,类似于一条正余弦曲线.只有图2a达到了较理想的效果.这些事实说明协方差函数的逼近效果的确与其参数有很大关系,并且可以肯定地说合理的参数是存在的. 首先我们假定信噪比或噪声部分已被确定或已另外考虑,此处我们只考虑连续的信号部分. 准则1协方差参数应使得 证明:(1)d=min意味着Gauss函数具有较小的支撑区间,由此形成的矩阵带宽将比较小. (2)在假定z(x)平稳的情况下,半节点的预测值与节点上的预测值应有相同的数学期望,即