一、概述
在随机信号的参数模型中,我们认为随机信号x(n)是由白噪声w(n)激励某一确定系统的响应,只要w(n)的参数确定了,研究随机信号就可以转化成研究产生随机信号的系统。
对于平稳随机信号,主要有三种常用的线性模型:AR(Auto-Regression,自回归)模型、MA(Moving Average,滑动平均)模型和ARMA(Auto-Regression-Moving Average,自回归滑动平均)模型。
1、MA模型
随机信号x(n)由当前的激励w(n)和若干次过去的激励w(n−k)线性组合产生:
2、AR模型
随机信号x(n)由本身的若干次过去值x(n−k)和当前的激励值w(n)线性组合产生:
p 是系统阶数,系统函数中只有极点,无零点,也称为全极点模型,系统由于极点的原因,要考虑到系统的稳定性,因而要注意极点的分布位置,用AR(p)来表示。
3、ARMA模型
ARMA 是 AR 与 MA 模型的结合:
它既有极点又有零点,所以称为极零点模型,要考虑零点的位置分布保证系统的稳定性,用ARMR(p,q)表示。
二、AR模型的参数估计
实际应用中,使用较多的是AR模型,下面我们对AR模型进行参数估计,其它两种模型可以进行类比计算。
1.AR模型参数和自相关函数的关系
对上式两边同乘x(n-m),然后求均值得:
根据自相关函数的偶对称特性,可进一步化简为:
又由于系统的冲击响应h(n)是因果的,所以输出的平稳随机信号x(n)与输入的白噪声之间的互相关函数有:
推导出:
转换到时域得到:
h(0)=1。显然AR模型系统输出信号x(n)的自相关函数具有可递推性,即:
这就是著名的Yule-Walker(Y-W)方程,并将Y-W方程进行变换:
再根据自相关函数方程得到白噪声方差为:
整理简化并写成矩阵的形式:
由于自相关函数是偶对称函数,Rxx(m)=Rxx(-m),因而自相关矩阵为对称矩阵,与主对角线平行的斜对角线上的元素都是相同的,存在高效算法,其中广泛应用的有Levinson-Durbin(L-D)算法。Y-W方程表明,只要已知输出平稳随机信号的自相关函数,就能求出AR模型中的参数{ a(k)},并且需要观测的数据较少。
2.实例
a:
b:
c:
将Rxx(0),Rxx(1),Rxx(2),Rxx(3)代入可求得估计值:a1=-0.6984 ;a2=-0.2748;a3=0.0915;误差:e1=0.1151;e2=0.1002;e3=0.0498。原因在于我们只有一部分的观测数据,使得自相关序列值有偏差。