题1基于 ARIMA 模型对千扰信号时间区间的预测识别.pdfVIP

1问题1：基于ARIMA模型对干扰信号时间区间的预测识别

1.1模型建立与求解

本文通过上述样本数据的分析和处理，分析存在干扰的电磁辐射和声发射信号的特征

信息，建立干扰信号时间区间的预测识别模型，对中的干扰信号所在的时间区间进行识别。

本文采用时间序列ARIMA模型对数据进行各阶段初步求解分析。同时使用杨-博克斯Q检

验对模型进行优化处理。通过对从2019年1月9日-2020年1月7日采集的电磁辐射和声

发射数据进行考量，为使数据直观化。其模型建立和求解的一般步骤如下

步骤一：基于对时间序列较大波动的影响，定义其数学表达式如下：

born−born

tt−1

r=100%(t=1,2,n)(1-1)

tborn

t

其电磁辐射和声发射序列图如图1所示。

(a)电磁辐射(EMR)干扰信号分布趋势(b)声发射(AE)干扰信号分布趋势

图1：电磁辐射和声发射序列图

上述电磁辐射和声发射序列图可以看出，数据呈现波动聚集性（volatilityclustering），

长期来看时间序列平稳，短期来看不平稳，故存在异方差。

yd

步骤二：计t均是平稳的时间序列，在阶的单位根过程中，我们建立差分自回归

移动平均模型（AutoregressiveIntegratedMovingAverageModel）。数学表达式如下：

pqpiqi

y=+y++1−Ly=+1+L

t0it−itit−iit0it

i=1i=1i=1i=1(1-2)

WN，2

t()

其中，为自回归（AR模型）滞后的阶数，为移动平均（MA模型）滞后的阶数，

pq

d为差分次数；表示自回归（AR模型）中的相关系数，表示移动平均（AR模型）中

ii

的相关系数，表示白噪声序列。



t

[4]

步骤三：我们进一步检验电磁辐射和声发射序列预测序列有无单位根，ADF检验的

原假设为：数据是单位根序列；备择假设为：数据是平稳序列。利用SPSS做ADF

HH

0