一、平稳随机信号常用的线性模型
为随机幸好简历参数模型是研究随机信号的一种基本方法,其含义是认为随机信号是由白噪声激励某一确定系统的响应。根据 Wold 的证明:任何平稳的 ARMA(自回归移动平均)模型或 MA 模型均可用无限阶或阶数足够的 AR 模型去近似。
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. 怎样在csdn用LaTeX写数学公式,点击链接
2. 由于光看内容很难学,于是尝试了这个→在线LaTeX编辑器,发现用多了就知道怎么直接写了
1. MA模型
随机信号 由本身的若干次过去值
x
(
n
−
k
)
x(n-k)
x(n−k)和当前的激励值
x
(
n
)
x(n)
x(n)线性组合产生:
x
(
n
)
=
∑
k
=
0
q
b
k
w
(
n
−
k
)
x\left ( n \right )=\sum_{k=0}^{q}b_{k}w\left ( n-k \right )
x(n)=k=0∑qbkw(n−k)
该模型的系统函数为:
H
(
z
)
=
X
(
z
)
W
(
z
)
=
∑
k
=
0
q
b
k
z
−
k
H(z)=\frac{X(z)}{W(z)}=\sum_{k=0}^{q}b_{k}z^{-k}
H(z)=W(z)X(z)=k=0∑qbkz−k
p p 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 A R ( p ) AR(p) AR(p)来表示。
2. AR模型
随机信号
x
(
n
)
x(n)
x(n)由本身的若干次过去值
x
(
n
−
k
)
x(n−k)
x(n−k)和当前的激励值
w
(
n
)
w(n)
w(n)线性组合产生:
x
(
n
)
=
w
(
n
)
−
∑
k
=
1
q
a
k
x
(
n
−
k
)
x(n)=w(n)-\sum_{k=1}^{q}a_{k}x(n-k)
x(n)=w(n)−k=1∑qakx(n−k)
该模型系统函数为:
H
(
z
)
=
1
1
+
∑
k
=
1
p
a
k
z
−
k
H(z)=\frac{1}{1+\sum_{k=1}^{p}a_{k}z^{-k}}
H(z)=1+∑k=1pakz−k1
其中,
p
p
p为系统阶数。
该模型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。可表示为
A
R
(
p
)
AR(p)
AR(p)。
3. ARMA模型
ARMA模型是AR模型和MA模型的结合:
x
(
n
)
=
∑
k
=
0
q
b
k
w
(
n
−
k
)
−
∑
k
=
1
q
a
k
x
(
n
−
k
)
x(n)=\sum_{k=0}^{q}b_{k}w(n-k)-\sum_{k=1}^{q}a_{k}x(n-k)
x(n)=k=0∑qbkw(n−k)−k=1∑qakx(n−k)
该模型系统函数为:
H
(
z
)
=
∑
k
=
0
q
b
k
z
−
k
1
+
∑
k
=
1
p
a
k
z
−
k
H(z)=\frac{\sum_{k=0}^{q}b_{k}z^{-k}}{1+\sum_{k=1}^{p}a_{k}z^{-k}}
H(z)=1+∑k=1pakz−k∑k=0qbkz−k
可以看出,它既有零点又有极点,所以也称极零点模型,要考虑极零点的分布位置,保证系统的稳定。可表示为
A
R
M
R
(
p
,
q
)
ARMR(p,q)
ARMR(p,q)。
二、程序验证
例题:已知自回归信号模型AR(3)为:
x
(
n
)
=
14
15
x
(
n
−
1
)
+
9
24
x
(
n
−
2
)
−
1
24
x
(
n
−
3
)
+
w
(
n
)
x(n)=\frac{14}{15}x(n-1)+\frac{9}{24}x(n-2)-\frac{1}{24}x(n-3)+w(n)
x(n)=1514x(n−1)+249x(n−2)−241x(n−3)+w(n)
式中
w
(
n
)
w(n)
w(n)是具有方差
σ
w
2
=
1
σ_{w}^{2}=1
σw2=1的平稳白噪声,求:
解:
- 由
a
1
=
−
14
/
24
,
a
2
=
−
9
/
24
,
a
3
=
1
/
24
,
σ
w
2
=
1
a_1=-14/24,a_2=-9/24,a_3=1/24,σ_{w}^{2}=1
a1=−14/24,a2=−9/24,a3=1/24,σw2=1代入:
得:
解得:
R ( 0 ) = 4.9377 , R ( 1 ) = 4.3287 , R ( 2 ) = 4.1964 , R ( 3 ) = 3.8654 R(0)=4.9377,R(1)=4.3287,R(2)=4.1964,R(3)=3.8654 R(0)=4.9377,R(1)=4.3287,R(2)=4.1964,R(3)=3.8654
而 m = 4 m=4 m=4和 m = 5 m=5 m=5可以通过公式求得: R ( 4 ) = 3.6481 , R ( 5 ) = 3.4027 R(4)=3.6481,R(5)=3.4027 R(4)=3.6481,R(5)=3.4027
- 已知自相关序列值,反向解上线性方程组,即可得估计值
a
1
=
−
0.5833
,
a
2
=
−
0.3750
,
a
3
=
0.0417
,
σ
w
2
=
1.0000
a_1=-0.5833,a_2=-0.3750,a_3=0.0417,σ_{w}^2=1.0000
a1=−0.5833,a2=−0.3750,a3=0.0417,σw2=1.0000
- 利用给出的观测值,带入样本自相关定义式,由于偶对称,得到m=0,1…31的
R
x
x
(
m
)
R_{xx}(m)
Rxx(m)自相关序列如下,带入得到估计值
a
1
=
−
0.5833
,
a
2
=
−
0.3750
,
a
3
=
0.0417
,
σ
w
2
=
1.0000
a_1=-0.5833,a_2=-0.3750,a_3=0.0417,σ_{w}^2=1.0000
a1=−0.5833,a2=−0.3750,a3=0.0417,σw2=1.0000
可见,存在较大的误差,原因在于我们只有一部分的观测数据,使得自相关序列值与理想的完全不同,同时输入信号的方差误差比较大。