定义:
1、自回归模型AR
若时间序列:
z
t
=
φ
1
z
t
−
1
+
φ
2
z
t
−
2
+
⋯
+
φ
p
z
t
−
p
+
a
t
z_t=\varphi_1z_{t-1}+\varphi_2z_{t-2}+\cdots+\varphi_pz_{t-p}+a_t
zt=φ1zt−1+φ2zt−2+⋯+φpzt−p+at
其模型线差
a
t
a_t
at是零均值、方差是
σ
2
\sigma^2
σ2的白噪声,
φ
1
,
φ
2
,
⋯
,
φ
p
\varphi_1, \varphi_2,\cdots,\varphi_p
φ1,φ2,⋯,φp是模型参数,则称为
p
p
p阶自回归模型
A
R
(
p
)
AR(p)
AR(p).
2、滑动平均模型:
若时间序列:
z
t
=
a
t
−
θ
1
a
t
−
1
−
⋯
−
θ
q
a
t
−
q
z_t=a_t-\theta_1a_{t-1}-\cdots-\theta_qa_{t-q}
zt=at−θ1at−1−⋯−θqat−q
其中模型线差
a
t
a_t
at是零均值、方差是
σ
2
\sigma^2
σ2的白噪声,
θ
1
,
θ
2
,
⋯
,
θ
q
\theta_1, \theta_2,\cdots,\theta_q
θ1,θ2,⋯,θq是模型参数,则称为
q
q
q阶滑动平均模型
M
A
(
q
)
MA(q)
MA(q).
3、自回归-滑动平均模型
若时间序列:
z
t
−
φ
1
z
t
−
1
−
φ
2
z
t
−
2
−
⋯
−
φ
p
z
t
−
p
=
a
t
−
θ
1
a
t
−
1
−
⋯
−
θ
q
a
t
−
q
z_t-\varphi_1z_{t-1}-\varphi_2z_{t-2}-\cdots-\varphi_pz_{t-p}=a_t-\theta_1a_{t-1}-\cdots-\theta_qa_{t-q}
zt−φ1zt−1−φ2zt−2−⋯−φpzt−p=at−θ1at−1−⋯−θqat−q
其中
a
t
a_t
at是零均值、方差是
σ
2
\sigma^2
σ2的白噪声,
φ
1
,
φ
2
,
⋯
,
φ
p
\varphi_1, \varphi_2,\cdots,\varphi_p
φ1,φ2,⋯,φp和
θ
1
,
θ
2
,
⋯
,
θ
q
\theta_1, \theta_2,\cdots,\theta_q
θ1,θ2,⋯,θq是模型参数,则称为自回归-滑动平均模型
A
R
M
A
(
P
,
q
)
,
ARMA(P,q),
ARMA(P,q),
p
,
q
p,q
p,q是模型的阶次.
模型求解步骤:
1、对给定的随机过程确定合适的参数模型;
2、根据信号的自相关函数确定模型参数;
3、根据模型参数分析随机过程特性;
示例:
题目:
解答:
应用:
1、三种信号模型可互相转换,具有普遍适应性;
精确表达式在理论分析时有重要作用,近似表达式在工程应用中和建模有重要意义。体现有限和无限、近似和精确的转换。
A
R
M
A
模型
=
M
A
(
∞
)
模型
A
R
M
A
模型
≈
高阶
M
A
(
q
)
模型
A
R
M
A
模型
=
A
R
(
∞
)
模型
A
R
M
A
模型
≈
高阶
A
R
(
p
)
模型
A
R
模型
=
M
A
(
∞
)
模型
M
A
模型
=
A
R
(
∞
)
模型
A
R
模型
≈
M
A
(
q
)
模型
M
A
模型
≈
A
R
(
p
)
模型
\begin{aligned} &ARMA模型=MA(\infty)模型\\ &ARMA模型\approx 高阶MA(q)模型\\ &ARMA模型=AR(\infty)模型\\ &ARMA模型\approx 高阶AR(p)模型\\ &AR模型=MA(\infty)模型\\ &MA模型=AR(\infty)模型\\ &AR模型\approx MA(q)模型\\ &MA模型\approx AR(p)模型\\ \end{aligned}
ARMA模型=MA(∞)模型ARMA模型≈高阶MA(q)模型ARMA模型=AR(∞)模型ARMA模型≈高阶AR(p)模型AR模型=MA(∞)模型MA模型=AR(∞)模型AR模型≈MA(q)模型MA模型≈AR(p)模型
2、模型系数越少,程序运行效率越高;
3、AR模型适合:功率谱仅有尖峰的信号;
4、MA模型适合:功率谱仅有深谷的信号;
5、ARMA模型适合:功率谱有尖峰有深谷的信号;
参考:
1、《最优估计理论及应用-建模 滤波 信息融合估计》哈尔滨工业大学出版社
2、 统计信号处理 - 国防科技大学 - 学堂在线 (xuetangx.com)